Künstliche Intelligenz Transferierbare KI in der Zerspanung: erste Ergebnisse des Forschungsprojekts

Anbieter zum Thema

Hartmetall-Werkzeugfabrik Paul Horn GmbH

Robert Bosch GmbH

Empolis Information Management GmbH

Karl-Heinz Müller Präzisionswerkzeuge GmbH

Botek Präzisions- Bohrtechnik GmbH

mehr weniger

Klinkhammer Intralogistics GmbH

COSCOM Computer GmbH

conplement AG

weniger

Seit Juni 2021 läuft ein durch das Bundesministerium für Bildung und Forschung (BMBF) gefördertes Forschungsprojekt, das die Möglichkeiten des Transfer Learnings in der Zerspanung ausloten und industriell nutzbar machen soll. Nun gibt es einen ersten Zwischenstand.

Wie alle industriellen Anwendungen sieht sich auch die Zerspanung mit stetig wachsendem Kostendruck konfrontiert. Zentral für die Produktionskosten eines zerspanten Bauteils sind der Werkzeugverschleiß und das Zeitspanvolumen. Das Projekt „Beherrschung von Zerspanprozessen durch transferierbare künstliche Intelligenz – Grundlage für Prozessverbesserungen und neue Geschäftsmodelle“ widmet sich diesem Thema und bringt gleich sieben Partner aus Industrie und Forschung zusammen. Namentlich sind das die K.-H. Müller Präzisionswerkzeuge GmbH, die Robert Bosch GmbH, die Botek Präzisionsbohrtechnik GmbH, die Empolis Information Management GmbH, die Paul Horn GmbH sowie der Lehrstuhl für Fertigungstechnik und Betriebsorganisation FBK der RPTU in Kaiserslautern und das Institut für Werkzeugmaschinen IfW der Universität Stuttgart.

Sie alle arbeiten daran, maschinelles Lernen (ML) zur Entscheidungsunterstützung für den Werkzeugwechsel in der Zerspanung effizienter nutzbar zu machen. Das sogenannte Transfer Learning soll es ermöglichen, Wissen von bereits gelernten Aufgaben zu nutzen, um ML-Modelle schneller für neue, aber verwandte Aufgaben zu trainieren. Hier soll es den Werkzeugeinsatz optimieren und so die Produktionskosten eines zerspanten Bauteils reduzieren. Nach zwei Jahren Forschungsarbeit zeichnen sich nun die ersten positiven Ergebnisse ab.

Kreissegmentfräser

Wirtschaftliche 5-Achs-Bearbeitung komplexer Geometrien

Echte Erkenntnisse aus echten Daten

Ziel des Projekts ist die Erschließung des Transfer Learnings zur Bereitstellung von ML-Modellen, die mit geringem Aufwand auf neue Anwendungsfelder übertragbar sein sollen. Hierzu werden Modelle zur Verschleißprognose von Bohr- und Fräswerkzeugen mit Daten trainiert, die direkt aus der Steuerung kommen oder mit leicht nachrüstbarer Sensorik erhoben werden. Für die Entwicklung der ML-Modelle sowie der Assistenzsysteme ist im Projekt die Empolis Information Management GmbH verantwortlich. Im Zentrum stehen dabei zwei grundlegende Ansätze.

Zum einen geht es um Modelle zur Vorhersage des Remaining Useful Life, kurz RUL. Dabei soll mithilfe von in verschiedenen Anwendungen gesammelten Daten anhand des Verschleißes verlässlich vorhergesagt werden, wie lange ein Werkzeug noch eingesetzt werden kann, bevor es ausgetauscht werden muss.

Zum anderen kommen Modelle zur Anomaliedetektion zum Einsatz. Sie können im Prozess erkennen, ob eine Anomalie auftrat, welche beispielsweise durch Spanklemmer oder Ausbrüche am Werkzeug verursacht wurde. Zusätzlich können sie auch das Standzeitende detektieren. Die benötigten Daten werden durch die beteiligten Unternehmen im laufenden Betrieb gesammelt, um das Projekt möglichst nah an der industriellen Realität zu halten. Da nicht jede Zerspanung gleich ist, ist das wichtig.

Neben einer Vielzahl an Werkstoffen gilt es auch immer den Prozess an sich zu beachten. Selbst bei Standardwerkzeugen gibt es signifikante Unterschiede. Die Werkzeuge bestehen nicht nur aus verschiedenen Materialien, sondern haben meist auch unterschiedliche Geometrien und eventuell Beschichtungen. Die Ergebnisse einer Anwendung lassen sich also nicht problemlos auf andere übertragen.

Darüber hinaus ist das Training der Systeme meist sehr aufwendig. Bislang verfügbare Lösungen zur Optimierung mittels ML beziehen sich in der Regel auf einen spezifischen, meist unter Laborbedingungen betrachteten Zerspanprozess an einem Werkstoff mit definierten Werkzeugen und einem ebenfalls definierten Schnittparameterbereich. Das verhindert eine Übertragbarkeit der Modelle auf reale, veränderliche Zerspanprozesse in produzierenden Unternehmen mit aktuell gängigen Methoden. Das soll sich nun ändern.

WISSENSFORUM ZERSPANUNG

Potenziale in der Zerspanung heben

Antworten auf aktuelle Herausforderungen in der Zerspanung geben führende Werkzeughersteller, namhafte Maschinenbauer und Forschungseinrichtungen am 22. November auf dem 2. Wissensforum Zerspanung in Würzburg. Erleben Sie ein spannendes Programm rund um Vorträge, Schulungen und Workshops zu aktuellen Trends, die Ihre Prozesse auf ein neues Level heben. Die Veranstaltung richtet sich branchenübergreifend an Fach- und Führungskräfte aus produzierenden Unternehmen, Werkzeug- und Maschinenherstellern, Dienstleistern im Zerspanungsbereich sowie Hochschulen & Forschungseinrichtungen.

Frühbucherticket sichern!

Erste Ergebnisse stimmen positiv

In der ersten Phase des Forschungsprojekts wurden industrielle Anwendungsfälle definiert und Zerspanversuche durchgeführt sowie ausgewertet. Mit den aufbereiteten Daten dieser Versuche entwickelte das Projektteam grundlegende ML-Modelle. Erste Ergebnisse lassen nun auf eine gute Leistungsfähigkeit der Modelle schließen, die auf den steuerungsinternen Daten basieren. Hierbei handelt es sich um Informationen, die Rückschlüsse auf den Prozess zulassen, wie beispielsweise Spindel- oder Achsströme. Die erste Phase ist damit erfolgreich abgeschlossen. Das positive Ergebnis ist für den Erfolg des Projekts entscheidend, da alle weiteren Schritte auf der hier gewonnenen Datenbasis aufbauen.

Im nächsten Schritt wird nun erforscht, wie robust sich diese Modelle gegenüber Variationen bei Prozessparametern, Werkzeugen und Werkstoffen erweisen und wie sie sich möglichst gut auf die variierten Anwendungsfälle übertragen lassen. Dabei werden die Versuchsumgebung, also der Prozess, die Maschine und Sensorik sowie der Werkstoff, schrittweise verändert, verschleißabhängige Gemeinsamkeiten identifiziert und Expertenwissen in die Untersuchungen einbezogen. Um die optimierten ML-Modelle industriell nutzbar zu machen, plant das Forschungsteam, die Modelle in der dritten Projektphase in ein Assistenzsystem zu integrieren: Dieses soll dann den Maschinenbediener durch Handlungsempfehlungen für den Werkzeugwechsel unterstützen. Aus den Ausgaben der Modelle können dabei auch Empfehlungen für eine bedarfsgerechte Anpassung des Prozesses abgeleitet werden. Anschließend wollen die Projektpartner Geschäftsmodelle für die beteiligten Industrieunternehmen entwickeln, die durch den Einsatz der transferierbaren Modelle möglich werden.

Werkzeuge

Vom Suchen und Finden des optimalen Werkzeugs

Breit aufgestelltes Partnernetzwerk

Für dieses zukunftsweisende und umfangreiche Projekt werden Expertise und Ressourcen aus verschiedenen Bereichen benötigt. Deshalb sind die bereits erwähnten sieben Partner an der praktischen Umsetzung beteiligt. Die Experten für Präzisionswerkzeuge der K.-H. Müller Präzisionswerkzeuge GmbH koordinieren das Projekt und sind für die Entwicklung innovativer, KI-basierter Geschäftsmodelle zuständig. Die Robert Bosch GmbH untersucht die Transferierbarkeit der ML-Modelle auf industriell relevante Fräsprozesse und bringt bereits vorhandene Erfahrung im Einsatz von KI/ML-Methoden in der Produktionstechnik in das Projekt ein. Die Botek Präzisionsbohrtechnik GmbH ist als Industriepartner im Bereich Präzisionsbohrtechnik ein essenzieller Bestandteil des Projekts sowohl bei der Versuchsdurchführung als auch bei der Validierung des Transfer Learnings. Für die Datenaufbereitung sowie die Entwicklung der ML-Modelle, die Sicherstellung der Transferierbarkeit und die Entwicklung des Assistenzsystems zeichnet die Empolis Information Management GmbH verantwortlich. Die Untersuchung der Zerspanmechanismen beim Bohren und Fräsen mittels parametrischer Modelle und maschinellen Lernens wird am Lehrstuhl für Fertigungstechnik und Betriebsorganisation FBK der RPTU Kaiserslautern durchgeführt. Die Hartmetall-Werkzeugfabrik Paul Horn GmbH verantwortet die Versuchsdurchführung und -auswertung beim Fräsen und wirkt maßgeblich bei der Datenaufbereitung mit. Das Institut für Werkzeugmaschinen IfW der Universität Stuttgart fokussiert sich auf die Erforschung einer Prozessvorsteuerung und verantwortet die Arbeiten an der Schnittstelle zwischen ML-Modellen und Maschinensteuerung.

Die Projektlaufzeit ist bis 30. Juni 2024 angelegt. Ein Resultat zeigt sich bereits nach der ersten Projektphase: Die sehr gute interdisziplinäre Zusammenarbeit zwischen den Zerspanungsexperten und den ML-Experten resultiert in einem reibungslosen und wertvollen Wissenstransfer zwischen den beiden Disziplinen.

(ID:49651112)