Lernende hybride Modellketten für spanende Prozesse

• Antragsteller: Professor Dr.-Ing. Christian Brecher
• Fachliche Zuordnung: Produktionsautomatisierung und Montagetechnik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 524834456

Aufgrund eines dynamischen Marktumfelds und eines steigenden individuellen Kundenbedarfs gewinnt der digitale Schatten (DS) hinsichtlich Optimierung und Transparenz der aktuellen Produktion immer mehr an Bedeutung. Vorarbeiten am WZL zur Entwicklung dieses DS haben gezeigt, dass mithilfe einer auf Maschinendaten basierenden prozessparallelen Materialabtragsimulation bereits während der Fertigung die Bauteilqualität prognostiziert werden kann. Die Latenzzeit zwischen Fertigung und Erkennung von Toleranzverletzungen lässt sich hierdurch erheblich verkürzen. Ferner ermöglicht der DS eine systematische Betrachtung der Fehlerursachen hinsichtlich einzelner Einflussgrößen, bspw. Maschine, Werkzeug und Werkstück, sowie eine Steigerung der Prozesstransparenz, woraus sich ein hohes Potenzial zur gezielten Reduktion des auftretenden Gesamtfehlers ergibt. Die wesentliche Grundlage hierfür ist eine Modellkette, die auf Grundlage maschineninterner Daten Verlagerungen, Kräfte und weitere Zwischengrößen berechnet. Reale industrielle Produktionsprozesse unterliegen jedoch teils stochastischen Prozessgrößen mit hochkomplexen Wirkzusammenhängen. Um die Unsicherheiten des DS zu reduzieren, ist es erforderlich, die Modellparameter entlang der Modellkette kontinuierlich anzupassen. Datengetriebene Ansätze wie das maschinelle Lernen (ML) bieten hier in Kombination mit wissensbasierten Lösungen Potential, die Restunsicherheiten zu bestimmen und im nächsten Schritt Modellparameter kontinuierlich anzupassen. Ziel dieses Forschungsvorhabens ist es, mithilfe einer systematischen datengetriebenen Auswertung entlang der Ursache-Wirkungskette die Restunsicherheiten der einzelnen wissensbasierten Modelle zu ermitteln, um diese anschließend über eine kontinuierliche Anpassung der entsprechenden Parameter zu verringern. Über einen kontinuierlichen Qualitätsabgleich zwischen realem und virtuellem Bauteil werden durch eine feature-basierte Betrachtung und einen teilfaktoriellen Versuchsplan die Unsicherheiten der Teilmodelle identifiziert und bewertet. Hierbei kommen Algorithmen des maschinellen Lernens zum Einsatz, welche die Restunsicherheiten basierend auf maschineninternen Daten bestimmen und über Qualitätsdaten gefittet werden. Die generierten Black-Box-Modelle sollen in Grey-Box-Modelle überführt und erklärt werden, um eine gezieltere Fehler-Ursachen-Analyse zu ermöglichen.

• DFG-Verfahren: Sachbeihilfen