Maschinenlernen – Künstliche Intelligenz in der Zerspanung

 

Kann man Produktion lernen? Können Maschinen besser werden, je mehr sie produzieren? Wie verarbeitet man hochfrequente Signale aus dem Fertigungsprozess? Im Rahmen verschiedener Initiativen, Forschungskreise und des Exzellenzclusters „Internet of Production“ beschäftigt sich die Forschungsgruppe Produkt- und Prozessüberwachung des WZL mit diesen Themen. Dabei analysieren wir Daten aus der laufenden Produktion unserer Partner. Z.B. Wie lassen sich Brüche von Bohrwerkzeugen auch bei älteren Maschinen automatisch überwachen? Aktuelle Überwachungslösungen erwarten das manuelle Einstellen von Schwellenwerten für jede Operation. Methoden aus dem Bereich des maschinellen Lernens ermöglichen es nicht nur den Operationstyp zu bestimmen (supervised learning), sondern auch Auffälligkeiten im Signalverlauf zu erkennen (unsupervised learning). So wird auch bei einer großen Anzahl an Operationen (in unserem Fall 114) eine Überwachung ermöglicht.

Aktuell beschäftigen wir uns mit der Verschleißüberwachung beim Fräsen. Sowohl direkt, mit Hilfe einer integrierten Kamera und convolutional Neural Networks (cNNs), als auch indirekt, mit Hilfe von Prozesssignalen. Hier erlaubt das maschinelle Lernen mehrere Sensorsignale gleichzeitig zu berücksichtigen (Sensorfusion). Eine besondere Herausforderung beim Fräsen stellen die sich schnell ändernden Eingriffsbedingungen dar, die man durch eine Durchdringungsrechnung mit beim maschinellen Lernen berücksichtigen kann, um ein möglichst allgemeingültiges Modell zu trainieren.

Die direkte, optische Verschleißmessung setzt auf instantane Segmentierung mittels cNNs (Deep Learning). So wird pixelweise eine Verschleißklassifizierung vorgenommen, die es ermöglicht, neben einem VBmax auch neuartige, repräsentativere Formwerte der Verschleißfläche zu bestimmen.