Fraunhofer-Institut für Produktionstechnologie IPTForschungsprojekt »UP_Ramp-up«
Konfiguration ultrapräziser Fertigungsmaschinen automatisieren
Die Fertigung von Hightech-Produkten mit mikrostrukturierten Bauteiloberflächen ist besonders anspruchsvoll. In vielen Anwendungsfeldern wie der Medizintechnik, Photonik und Photovoltaik machen diese Freiformflächen mit integrierten Mikrostrukturen einen wichtigen Teil der Funktionsfähigkeit der Technologien aus. Die erforderlichen geometrischen Strukturen nehmen an Komplexität zu und bringen die ultrapräzise Bearbeitung wie die Zerspanung mit Diamantwerkzeugen an ihre Grenzen. Bislang erfolgte die Konfiguration dieser ultrapräzisen Fertigungsmaschinen bis zur angestrebten Oberflächengüte manuell und iterativ. Um Maschinen für diesen ultrapräzisen Bearbeitungsprozess einzurichten, bedarf es Erfahrung und Know-how.
Ziel des Projekts »UP_Ramp-up« ist es, den Einrichtungsprozess mithilfe künstlicher Intelligenz (KI) zu automatisieren. Der Ressourcenaufwand und die Produktionskosten können dadurch erheblich gesenkt werden. Angestrebt haben die Experten, die erforderliche Zeit für die Planung und Herstellung von Replikationswerkzeugen mit Mikrostrukturen für Mikrolinsenarrays um den Faktor vier zu senken.
Parameter der Steuerungstechnik sind unbekannt
Die Qualität der Materialbearbeitung steht in direktem Zusammenhang mit der hochpräzisen Bewegungssteuerung der Maschinenachsen: Wenn die einzelnen Parameter der Maschinenkomponenten aufeinander abgestimmt sind, können die Bewegungen mit hoher Präzision ausgeführt werden. Hochpräzise Formen können beibehalten und sehr geringe Rauheiten der Oberfläche erzielt werden. Während die mechanischen Wechselwirkungen in komplexen Ultrapräzisionsmaschinen gut bekannt sind, wurden die Auswirkungen der Steuerungs- und Einstellelemente noch nicht hinreichend untersucht. Das Fraunhofer IPT und die Innolite GmbH setzen dazu auf künstliche Intelligenz, die modernste Methoden des so genannten Reinforcement Learning nutzt. Reinforcement Learning bedeutet, dass die Lernalgorithmen eigenständig Entscheidungen treffen. Die KI-Anwendung soll vor dem Konfigurationsprozess ohne Bauteil trainiert und anschließend in den Fertigungsprozess integriert werden, um die optimalen Parameter selbstständig zu ermitteln.
Genaue Vorhersage von Produktionsprozessen durch das Training künstlicher Intelligenz
Um die Modelle der künstlichen Intelligenz zu trainieren, verwenden die Forscher Daten, die automatisch durch so genannte Luftschnitte in einem Fertigungsprozess ohne Bauteil erzeugt werden. Ergänzt wird der Datensatz durch menschliches Fachwissen und Fertigungsdaten aus realen Prozessen. Darüber hinaus verarbeiten sie die Daten mithilfe der Mustererkennung. Die KI hat Zugang zu allen Parametern, die von der Maschine während des Fertigungsprozesses erfasst werden. Die Erfassung der Daten und die Ermittlungs eines für den Produktionsprozess optimierten Parametersatzes erfolgt vollautomatisch und beschleunigt die Parametrierung der gesamten Steuerung beträchtlich. Mithilfe der künstlichen Intelligenz ist es möglich, Vorhersagen so genau zu treffen, dass schon das erste Bauteil innerhalb der Toleranz produziert wird.
Die Projektpartner werden auch generische Modelle entwickeln, die bei anderen Anwendungen zur Parameteroptimierung genutzt werden können. Vor allem kleine und mittlere Unternehmen können von KI-Lösungen profitieren, die in Prozesse integriert werden, um die Maschinensteuerung zu verbessern. Auf diese Weise kann der Zeitaufwand für die Einstellungen erheblich reduziert werden.
Replikation von Mikrolinsenarrays in der Anwendung
Mikrolinsenarrays werden zu einem immer wichtigeren Bestandteil moderner optischer Systeme und finden Anwendung in optischen Sensoren, in medizintechnischen Lasersystemen oder in Beleichtungsystemen wie LED-Scheinwerfer.
Mithilfe einer von Innolite gefertigten Maschine zur Herstellung von Werkzeugen für die Replikation von Mikrolinsenarrays, bei denen Mikrostrukturen in Freiformflächen eingebettet sind, demonstrieren die Projektpartner den Nutzen der künstlichen Intelligenz in industriellen Anwendungen. Produktionsdaten wie CAM-Daten und Toleranzen sind vorhanden, können jedoch auch für das gewünschte Bauteil erstellt werden. Die Projektpartner prüfen anschließend die Qualität des Werkstücks mit geeigneten Messverfahren. Dies ermöglicht es den Experten, Aussagen über die Einflüsse der Kontroll- und Regelungskomponenten und zur Prozesseffizienz zu treffen.
Projektpartner
Innolite GmbH
Liebigstraße 20
52070 Aachen
Fraunhofer-Institut für Produktionstechnologie IPT
Steinbachstraße 17
52074 Aachen
Projektförderer
Das Projekt »UP_Ramp-up« wird in der Richtlinie »KI4KMU« zur Förderung von Projekten zum Thema »Erforschung, Entwicklung und Nutzung von Methoden der künstlichen Intelligenz in KMU« durch das Bundesministerium für Bildung und Forschung gefördert.
Projektträger
DLR Deutsches Zentrum für Luft- und Raumfahrt e.V.