Fraunhofer-Institut für Produktionstechnologie IPTForschungsprojekt »KI4ToolPath«
Künstliche Intelligenz und Machine Learning zur Optimierung der Werkzeugbahn
Die additive Fertigung (engl. Additive Manufacturing) wird immer attraktiver für die Herstellung verschiedenster Bauteile, besonders für die Einzel- und Kleinserienfertigung individualisierter und geometrisch komplexer Produkte. Additive Fertigungsverfahren sind in vielen Fällen deutlich effizienter und ressourcenschonender als konventionelle, subtraktive Verfahren. Darüber hinaus sind sie aus Sicht der Produktionsplanung flexibler und bieten einen viel größeren Spielraum für das Bauteildesign, beispielsweise bei Hohl- und Leichtbaustrukturen.
Den Vorteilen der additiven Fertigung steht gegenüber, dass die Prozesse oft nicht stabil laufen: Es treten Schwankungen auf, die sich negativ auf die Produktqualität auswirken. Ein weiterer Nachteil ist, dass die Prozess- und Bahnplanung mangels digitaler Tools aufwändig manuell durch die Maschinenbediener durchgeführt werden muss.
Damit die additive Fertigung zu einer echten Alternative gegenüber konventionellen Verfahren werden kann, bedarf es kürzerer Prozessplanungsphasen und einer gleichbleibend hohen Produktqualität. Eine digitale Bahnplanung für additive Fertigungsverfahren, die Prozessschwankungen automatisiert berücksichtigt und kompensiert, könnte mithilfe umfangreicher Prozessdaten durch Maschinelles Lernen entstehen.
Neues Bahnplanungskonzept verkürzt den Fertigungsprozess
Im Forschungsprojekt »KI4ToolPath – Geometrieunterstützte Klassifizierung von Prozesszuständen zur Bahnplanungsunterstützung am Beispiel des WAAM-Prozesses« wurde eine vollständig digitale Prozessplanung für das Wire Arc Additive Manufacturing (WAAM) entwickelt. Eine automatisierte Prozessplanung verbessert die Zuverlässigkeit und die Qualität des WAAM-Verfahrens: Die Durchlaufzeit des Fertigungsprozesses wird verkürzt, die Ausschussrate sinkt, ebenso wie die Zahl der Geometrieabweichungen und der damit der verbundene Prüf- und Nachbearbeitungsaufwand.
Die Arbeitsschwerpunkte des Fraunhofer IPT lagen vor allem in der Durchführung und Untersuchung des Wire Arc Additive Manufacturing (WAAM), der Prozessdatenakquise, der Prozessdatenaufbereitung sowie der Validierung.
Sensordaten für das Training der Künstlichen Intelligenz
Im ersten Projektabschnitt integrierten die Forscherinnen und Forscher verschiedene Sensoren in die WAAM-Anlage. Während der Fertigung nahmen die Sensoren ausgewählte Prozessdaten auf, beispielsweise die Geometrie der Schweißraupen oder ein Temperaturprofil. Diese Daten wurden anschließend für das Machine Learning (ML) formatiert und damit für eine Künstliche Intelligenz (KI) nutzbar gemacht.
Um genügend Datenvolumen für das Training eines KI-Systems zu erzeugen, wurden zu Projektbeginn mehrere unterschiedlich komplexe Demonstratoren vom Fraunhofer IPT definiert und konstruiert und in der WAAM-Anlage vielfach aufgebaut. Dabei wurden auch die Limits des Prozesses ausgereizt und Fehler provoziert. Somit konnten auch Prozessinstabilitäten und -abbrüche aufgenommen werden, was beim Anlernen einer KI einen wichtigen Beitrag leisten kann. Tests verschiedener Prozess- und Regelstrategien dienten dazu, ein möglichst breites Datenfeld zu erzeugen.
Da das KI-System in dem Projekt auf einen möglichst großen Datenpool zugreifen sollte, um effizient zu lernen, erzeugten die Projektpartner nicht nur reale Prozessdaten, sondern nutzten auch simulativ erzeugte Daten zum Training. Dazu zogen die Forschenden im Laufe des Projektes 3D-Dateien aus öffentlich zugänglichen Datenbanken hinzu.
Neue Schnittstelle zum Transfer zwischen Sensorik und KI
Für den Transfer zwischen Sensorik und KI entwarfen die Forscherinnen und Forscher eine geeignete Schnittstelle mit einer passenden Datenstruktur. Um die Daten nutzbar zu machen, betrachteten die Projektpartner zudem unterschiedliche Optionen für neuronale Netzwerke, beispielsweise Auto-Encoder zur Dimensionsreduktion und Weiterverarbeitung der verschiedenen Datenformate, Transformer oder Convolutional Neural Networks. Mit diesen Untersuchungen wurden wichtige Schritte gemacht, um einen effizienten Weg zum Training einer KI zu identifizieren.
Datenbasierte Entwicklung von Fertigungsstrategien
Um die KI-Algorithmen für den WAAM-Prozess einzusetzen, wurde eine zusätzliche Schnittstelle für die Bahnplanung implementiert. Damit legten die Forschenden die Basis für eine KI-gestützte Bahnplanungssoftware, die auf großen Datenmengen aus dem WAAM-Prozess basiert. Sie entwickelt Bahnstrategien, die auch ungewollte Prozessschwankungen einbeziehen. Eine besondere Herausforderung der Bahnplanung ist die stark schwankende Bauteiltemperatur, die das Prozessergebnis direkt beeinflusst. Mit einem digitalen Bahnplanungssystem lassen sich solche Faktoren bereits vor der Fertigung berücksichtigt.
Projektpartner
- Collective mind AG, Leonberg (Koordination)
- Fraunhofer-Institut für Produktionstechnologie IPT, Aachen
- ModuleWorks GmbH, Aachen
Förderung
Das Forschungsprojekt »KI4ToolPath – Geometrieunterstützte Klassifizierung von Prozesszuständen zur Bahnplanungsunterstützung am Beispiel des WAAM-Prozesses« wurde mit Mitteln des Bundesministeriums für Bildung und Forschung (BMBF) im Rahmen des Forschungsprojektes »KI4ToolPath« gefördert.
Förderkennzeichen: 01IS22021C
Projektträger
DLR Projektträger – Deutsches Zentrum für Luft- und Raumfahrt e.V.