Künstliche Intelligenz in der Zerspanung
TransKI untersucht die Übertragbarkeit von KI-Modellen
Im Forschungsprojekt TransKI arbeiten die Beteiligten daran. KI-Modelle für bestimmte Anwendungen auf ähnliche Anwendungen zu übertragen. Das sogenannte Transfer Learning soll Zerspanprozesse effizienter machen.
Maßgeblich für die Produktionskosten eines zerspanten Bauteils sind der Werkzeugverschleiß und das Zeitspanvolumen. Je effizienter Werkzeuge eingesetzt werden, umso geringer werden die Kosten. Maschinelles Lernen (ML) kann dazu als Entscheidungsunterstützung für den Werkzeugwechsel beitragen. Da sich die Prozesse je nach Anwendungsfall unterscheiden, gibt es dafür keine Patentlösung. Eine Lösung kann jedoch das sogenannte Transfer Learning bieten: Dabei wird Wissen von verwandten, bereits gelernten Aufgaben genutzt, um ML-Modelle schneller für neue, aber verwandte Aufgaben trainieren zu können. Seit Juni 2021 läuft ein Forschungsprojekt, das die Möglichkeiten des Transfer Learnings in der Zerspanung ausloten und industriell nutzbar machen soll. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Drei Projektphasen
Gesamtziel des Projekts ’Beherrschung von Zerspanprozessen durch transferierbare künstliche Intelligenz – Grundlage für Prozessverbesserungen und neue Geschäftsmodelle (TransKI)‘ ist die Erschließung des Transfer Learnings um ML-Modelle bereitzustellen, die einfach auf neue Anwendungsfelder übertragbar sind. Dabei wird das Vorhaben in drei Teilziele unterteilt.
In der ersten Phase des Forschungsprojekts sollen industrielle Anwendungsfälle definiert sowie Zerspanversuche durchgeführt und ausgewertet werden. Mit den aufbereiteten Daten dieser Versuche können grundlegende ML-Modelle entwickelt werden. In der zweiten Phase geht es den Projektbeteiligten darum, Modelle für neue Anwendungsfälle zu befähigen. 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, soll dann in der dritten Projektphase ein Assistenzsystem zur Prozessvorsteuerung sowie Transfer-Learning-basierte Geschäftsmodelle entstehen. Das Manufacturing Execution System (MES) HYDRA optimiert Produktionsprozesse für Fertigungsunternehmen, um Wettbewerbsvorteile zu erzielen. ‣ weiterlesen
MES-Integrator und 360-Grad-Partner für optimierte Fertigung
Insgesamt sind sieben Partner am Verbundprojekt beteiligt.
- K.-H. Müller Präzisionswerkzeuge GmbH (Koordination)
- Robert Bosch GmbH
- Botek Präzisionsbohrtechnik GmbH
- Empolis Information Management GmbH verantwortlich.
- Lehrstuhl für Fertigungstechnik und Betriebsorganisation FBK der TU Kaiserslautern
- Paul Horn GmbH
- Institut für Werkzeugmaschinen IfW der Universität Stuttgart
