Der Augsburger KI-Produktionsverbund – DLR-Leichtbautechnologiezentrum (ZLP), Fraunhofer IGCV und Universität Augsburg – nutzen Ultraschallsensoren, um Schall mit der Qualität der Verbundwerkstoffverarbeitung zu korrelieren.
Ein an einer CNC-Fräsmaschine installierter Ultraschallsensor zur Überwachung der Bearbeitungsqualität.Bildquelle: Alle Rechte liegen bei der Universität Augsburg
Das im Januar 2021 gegründete Produktionsnetzwerk „Augsburger KI“ (Künstliche Intelligenz) mit Hauptsitz in Augsburg vereint die Universität Augsburg, Fraunhofer und die Forschung zu Guss-, Verbundwerkstoff- und Verarbeitungstechnik (Fraunhofer IGCV) sowie die deutsche Leichtbau-Produktionstechnik Center.Deutsches Zentrum für Luft- und Raumfahrt (DLR ZLP).Ziel ist die gemeinsame Erforschung künstlicher Intelligenz-basierter Produktionstechnologien an der Schnittstelle zwischen Materialien, Fertigungstechnologien und datenbasierter Modellierung.Ein Beispiel für eine Anwendung, bei der künstliche Intelligenz den Produktionsprozess unterstützen kann, ist die Verarbeitung von faserverstärkten Verbundwerkstoffen.
Im neu gegründeten Produktionsnetzwerk Künstliche Intelligenz untersuchen Wissenschaftler, wie künstliche Intelligenz Produktionsprozesse optimieren kann.Am Ende vieler Wertschöpfungsketten in der Luft- und Raumfahrt oder im Maschinenbau bearbeiten beispielsweise CNC-Werkzeugmaschinen die Endkonturen von Bauteilen aus faserverstärkten Kunststoffverbundwerkstoffen.Dieser Bearbeitungsprozess stellt hohe Anforderungen an den Fräser.Forscher der Universität Augsburg glauben, dass es möglich ist, den Bearbeitungsprozess durch den Einsatz von Sensoren zur Überwachung von CNC-Frässystemen zu optimieren.Derzeit nutzen sie künstliche Intelligenz, um die Datenströme dieser Sensoren auszuwerten.
Industrielle Fertigungsprozesse sind meist sehr komplex und es gibt viele Faktoren, die das Ergebnis beeinflussen.Beispielsweise verschleißen Geräte und Bearbeitungswerkzeuge schnell, insbesondere harte Materialien wie Kohlefaser.Daher ist die Fähigkeit, kritische Verschleißniveaus zu identifizieren und vorherzusagen, von entscheidender Bedeutung, um qualitativ hochwertige zugeschnittene und bearbeitete Verbundstrukturen bereitzustellen.Untersuchungen an industriellen CNC-Fräsmaschinen zeigen, dass geeignete Sensorik in Kombination mit künstlicher Intelligenz solche Vorhersagen und Verbesserungen ermöglichen kann.
Industrielle CNC-Fräsmaschine für die Ultraschallsensorforschung.Bildquelle: Alle Rechte liegen bei der Universität Augsburg
Die meisten modernen CNC-Fräsmaschinen verfügen über eingebaute Basissensoren, die beispielsweise den Energieverbrauch, die Vorschubkraft und das Drehmoment erfassen.Allerdings reichen diese Daten nicht immer aus, um die feinen Details des Mahlprozesses aufzuklären.Zu diesem Zweck hat die Universität Augsburg einen Ultraschallsensor zur Analyse von Körperschall entwickelt und in eine industrielle CNC-Fräsmaschine integriert.Diese Sensoren erfassen strukturierte Schallsignale im Ultraschallbereich, die beim Fräsen erzeugt werden, und breiten sich dann durch das System zu den Sensoren aus.
Der Strukturklang kann Rückschlüsse auf den Zustand des Verarbeitungsprozesses ziehen.„Das ist ein Indikator, der für uns so aussagekräftig ist wie eine Bogensehne für eine Geige“, erklärte Prof. Markus Sause, Leiter des Produktionsnetzwerks Künstliche Intelligenz.„Musikprofis können am Klang der Geige sofort erkennen, ob sie gestimmt ist und wie gut der Spieler das Instrument beherrscht.“Aber wie lässt sich diese Methode auf CNC-Werkzeugmaschinen anwenden?Maschinelles Lernen ist der Schlüssel.
Um den CNC-Fräsprozess auf Basis der vom Ultraschallsensor erfassten Daten zu optimieren, nutzten die Forscher um Sause sogenanntes maschinelles Lernen.Bestimmte Merkmale des akustischen Signals können auf eine ungünstige Prozessführung hinweisen, die auf eine schlechte Qualität des Frästeils schließen lässt.Daher können diese Informationen genutzt werden, um den Mahlprozess direkt anzupassen und zu verbessern.Dazu trainieren Sie den Algorithmus anhand der erfassten Daten und des entsprechenden Zustands (z. B. gute oder schlechte Verarbeitung).Dann kann der Bediener der Fräsmaschine auf die angezeigten Systemstatusinformationen reagieren oder das System kann durch Programmierung automatisch reagieren.
Maschinelles Lernen kann nicht nur den Fräsprozess direkt am Werkstück optimieren, sondern auch den Wartungszyklus der Produktionsanlage möglichst wirtschaftlich planen.Zur Verbesserung der Wirtschaftlichkeit müssen funktionsfähige Komponenten möglichst lange in der Maschine arbeiten, Spontanausfälle durch Bauteilschäden müssen jedoch vermieden werden.
Predictive Maintenance ist eine Methode, bei der KI anhand gesammelter Sensordaten berechnet, wann Teile ausgetauscht werden sollten.Bei der untersuchten CNC-Fräsmaschine erkennt der Algorithmus, wenn sich bestimmte Eigenschaften des Schallsignals ändern.Auf diese Weise lässt sich nicht nur der Verschleißgrad des Bearbeitungswerkzeugs erkennen, sondern auch der richtige Zeitpunkt für den Werkzeugwechsel vorhersagen.Dieses und weitere Verfahren der Künstlichen Intelligenz werden in den Produktionsverbund Künstliche Intelligenz in Augsburg eingebunden.Die drei Hauptpartnerorganisationen arbeiten mit anderen Produktionsstätten zusammen, um ein Fertigungsnetzwerk zu schaffen, das modular und materialoptimiert umgestaltet werden kann.
Erklärt die alte Kunst hinter der ersten Faserverstärkung der Branche und verfügt über ein tiefgreifendes Verständnis der neuen Faserwissenschaft und zukünftigen Entwicklung.
Zeitpunkt der Veröffentlichung: 08.10.2021