Leitfaden zur Verbesserung maschineller Fertigungsprozesse mit KI

Deshalb arbeiten die Forscher des Fraunhofer-Instituts für Werkzeugmaschinen und Umformtechnik (IWU) zusammen mit fünf weiteren Fraunhofer-Instituten an einem systematischen Leitfaden, um diese Barriere für die Anwendung von KI zu überwinden. KI soll zu einem Standardwerkzeug werden, das bessere Produkte mit geringerem Ressourceneinsatz ermöglicht. Die ersten Ergebnisse sind nach zweieinhalb Jahren Projektlaufzeit mehr als vielversprechend; das Projekt ‚Machine Learning for Production (ML4P)‘ zur Erstellung des Leitfadens läuft noch bis Februar 2022.

Aufbau des Leitfadens

In dem Leitfaden werden in einem gestuften Verfahren systematisch alle möglicherweise kritischen Aspekte beleuchtet, beginnend bei einer Bestandsaufnahme und einem Lösungsvorschlag für ein konkretes Ziel in der Produktion. Danach geht es um die Sensorintegration, die Auswahl passender Algorithmen und Softwaretools, Fragen der Rechenleistung und der Datensicherheit, Testszenarien und am Ende steht die Umsetzung in der Fabrik. „Insgesamt wollen wir mit ML4P Investitionsentscheidungen für KI in überschaubare Schritte zerlegen und damit beherrschbar machen“, erläutert Dr. Arvid Hellmich, Abteilungsleiter Kybernetik am IWU.

Modellfall Presshärten

Um der Industrie klar und anwendungsorientiert zu vermitteln, wie KI in mittelständischen Unternehmen zielgerichtet eingesetzt werden kann, haben sich die Forscher einen weit verbreiteten Produktionsprozess aus der Metallverarbeitung vorgenommen: das Presshärten. In diesen Prozess werden nun Sensoren integriert, die Messungen aller wichtigen Prozessparameter in Echtzeit ermöglichen. „Mit den richtigen Algorithmen und Softwaretools können wir aus diesen Daten KI- und Optimierungsmodelle berechnen und erhalten Informationen, mit denen der Ausschuss deutlich verringert werden kann“, erklärt Dr. Anke Stoll, Gruppenleiterin Data-Mining und Maschinelles Lernen am IWU. „Wenn alle Teilprozesse über Maschinelles Lernen gekoppelt sind, lassen sich damit Abweichungen in einem Teilprozess durch Modifikation eines anderen Teilprozesses ausgleichen. Schwankt beispielsweise die Heizdauer im Ofen oder die Transportzeit zur Presse, kühlen Bleche eventuell zu sehr ab, was das Pressen erschwert oder das Aushärten negativ beeinflusst. Erkennt die KI solche Abweichungen zentraler Kennzahlen, kann sie die Presskraft oder die Pressdauer nachjustieren – selbständig und mit einem integrierten stetigen Verbesserungsprozess.“

(dw)