Stellen Sie sich Ihre individuelle Projektübersicht zusammen.
Schlagwort: Künstliche Intelligenz (KI)
Fördermaßnahme: Lernende Produktionstechnik - Einsatz künstlicher Intelligenz (KI) in der Produktion (ProLern)
Forschungsziel: Ziel des Forschungsvorhabens ist die Entwicklung eines neuartigen Verfahrens zur Steigerung der Prozess- und Produktqualität sowie der Reduktion des Ausschusses im Bereich der Massivumformung. Für die Zielerreichung wird ein Regler entwickelt, der auf einem Reinforcement Learning Ansatz basiert (RL-Regler). Dem RL-Regler werden die geforderten Qualitätsmerkmale sowie Prozessdaten (u.a. Qualitätsmerkmalsausprägungen, Prozessparameter) übergeben. Mittels einer Kostennutzenfunktion werden die Prozessparameter durch den RL-Regler optimiert und zurückgeführt, um so den Qualitätsregelkreis (RL-QRK) des Massivumformprozesses zu schließen. Der Zugriff auf aktuelle Prozessdaten und die Schließung des QKR ermöglicht es dem RL-Regler sich fortlaufend zu verbessern und sich bei Instabilitäten (z.B. Umgebung, Rohstoff) zu adaptieren.
Michael Kubetzki +49 2722 62-9087
michael.kubetzki@mubea.com
Dipl.-Ing. Michael Petzold
+49 721 608-31469
michael.petzold@kit.edu
Problemlage
Instabilitäten in Massivumformprozessen von Bauteilen führen zusammen mit externen Einflussgrößen und unbekannten Wirkzusammenhängen zwischen Prozessparametern und Qualitätsmerkmalen trotz vorhandener Prozessregelungen häufig zu schwerwiegenden Mängeln und damit zu Ausschuss. Aktuelle Regelkonzepte basieren meist auf Bedienerwissen und setzen auf eine manuelle Anpassung der Prozessparameter oder reagieren automatisch auf gemessene Abweichungen der Zielgrößen. Dabei ist es oftmals nicht möglich, die Prozesse vorausschauend so anzupassen, dass die Produkte innerhalb der Fertigungstoleranzen bleiben. Ein Mittel zur Kompensation von Qualitätsabweichungen sind Qualitätsregelkreise. In Kombination mit Ansätzen der künstlichen Intelligenz bzw. des maschinellen Lernens, hier dem Reinforcement Learning (RL) und dem Transfer Learning (TL), bieten Qualitätsregelkreise das Potenzial, den Ausschuss zu reduzieren. Dies geschieht über eine automatische Adaption der Anlagenparameter bei auftretenden Instabilitäten.
Zielstellung
Das Ziel des Forschungsprojektes IRLeQuM ist die Entwicklung einer Methodik zur Implementierung von neuartigen KI-Reglern, basierend auf RL und TL, in Qualitätsregelkreisen von Massivumformprozessen. Dazu werden Leitfäden und Softwarepakete für KMU entwickelt, die die Einführung und Umsetzung des neuartigen Reglers unterstützen.
Vorgehensweise
Für die Entwicklung der Methodik wird zunächst in den Fertigungsunternehmen mit klassischen Reglern der Ist-Zustand der Umformprozesse mittels geeigneter Leistungskennzahlen erfasst, um den Prozess und dessen Leistungsverhalten bewerten zu können. Im Anschluss erfolgt die Definition der benötigten IT-Infrastruktur, die Entwicklung des RL Algorithmus sowie einer zufallsabhängigen Finite-Elemente-Simulation (FES). Mit den Simulationsergebnissen soll der RL-Regler vortrainiert werden. Im Anschluss wird der RL-Regler in den Qualitätsregelkreis der Unternehmen integriert und erprobt. Im Fokus steht neben der Validierung des Verfahrens die Überprüfung und Verbesserung der entwickelten Leitfäden und Softwarepakete für die KMU.
Ergebnisse und Anwendungspotenzial
Mit den Projektergebnissen werden KMU im Bereich der Massivumformung dazu befähigt, RL-basierte Qualitätsregelkreise einzuführen und dadurch die Prozessqualität nachhaltig zu steigern sowie die internationale Wettbewerbsposition zu stärken. Das entwickelte Verfahren sollte auch auf weitere Produktionsprozesse übertragbar sein, die ähnliche Prozessanforderungen stellen.
In der folgenden Liste sehen Sie Ihre ausgewählten Projekt-Favoriten.
Vorlesen