- IT&Production - https://www.it-production.com -

TransKI untersucht die Übertragbarkeit von KI-Modellen

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.

Bild: Müller Präzisionswerkzeuge [1]

Bild: Müller Präzisionswerkzeuge

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.

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.

Insgesamt sind sieben Partner am Verbundprojekt beteiligt.

TransKI untersucht die Übertragbarkeit von KI-Modellen

geschrieben von xmlrpc am in Allgemein,Industrie 4.0 / IoT | Kommentare sind deaktiviert

TransKI untersucht die Übertragbarkeit von KI-Modellen

Werkzeugverschleiß und das Zeitspanvolumen sind maßgeblich für die Produktionskosten eines zerspanten Bauteils. Je effizienter Werkzeuge eingesetzt werden, umso geringer werden die Kosten.

 (Bild: Müller Präzisionswerkzeuge) [2]

(Bild: Müller Präzisionswerkzeuge)

Maschinelles Lernen (ML) kann dazu als Entscheidungsunterstützung für den Werkzeugwechsel beitragen. Da sich die Prozesse je nach Anwendungsfall unterscheiden, gibt es dafür keine Patentlösung. Einen Ansatz 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 diese Möglichkeit ausloten und industriell nutzbar machen soll. Gesamtziel des Projekts ‚Beherrschung von Zerspanprozessen durch transferierbare künstliche Intelligenz – Grundlage für Prozessverbesserungen und neue Geschäftsmodelle (TransKI)‘ ist die Erschließung des Transfer Learnings. Die Forscher wollen ML-Modelle bereitstellen, die auf neue Anwendungsfelder übertragbar sind. Das Vorhaben ist 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.