Forschungsprojekt

Forschungsprojekt

Formfehler mit Machine Learning reduzieren

Ein Forschungsprojekt an der Leibniz Universität Hannover hat sich der Produktion von Einzelstücken beschäftigt. Mittels künstlicher Intelligenz ist es dabei gelungen, Formfehler um 70% zu reduzieren.
Die Produktion von Einzelstücken stellt eine große Herausforderung dar, da auch die Fertigung individuell geplant werden muss. Am Institut für Fertigungstechnik und Werkzeugmaschinen der Leibniz Universität Hannover (LUH) hat der wissenschaftliche Mitarbeiter Florian Uhlich eine Methode zur Planung 5-achsiger Prozesse für die Bearbeitung von Freiformflächen entwickelt, die Erfahrungen aus vorherigen Prozessen nutzt, um sicherzustellen, dass ein Bauteil beim ersten Versuch den Anforderungen entspricht.

Einsatz von Machine Learning

Im Projekt wird eine prozessparallele Simulation des Fertigungsprozesses genutzt, die als virtueller Sensor eine bauteilunabhängige Beschreibung der Eingriffsverhältnisse generiert. Werden die so erzeugten Informationen mit Messwerten aus der Bauteilprüfung verbunden, können mittels Machine Learning bauteilunabhängige Beziehungen zwischen Qualitätsmerkmalen und Prozessgrößen abgeleitet werden.

Formfehler reduzieren

Diese Beziehungen dienen wiederum als Grundlage für die Planung neuer Prozesse. Im Projekt wurde so die Vorhersage des zu erwartenden Formfehlers aufgrund der Werkzeugbelastung für noch nicht gefertigte Bauteile realisiert. Dabei wurde eine sehr hohe Prognosegüte erreicht — auch wenn das Bauteil ganz anders gestaltet ist. Die Prognose wurde dann auch als Grundlage für eine proaktive Kompensation des Formfehlers genutzt. Dadurch werden Fehler vermieden. Die Kompensation ermöglicht eine Reduktion des Formfehlers um mehr als 70%. Die LUH hat das Projekt im Rahmen ihres Nachwuchs-Förderprogramm ‘Wege in die Forschung‘ ermöglicht.

Thematik: Newsarchiv
|
Ausgabe:
Institut für Fertigungstechnik und
https://www.ifw.uni-hannover.de/

Das könnte Sie auch Interessieren

Bild: Mitsubishi Electric Corporation, Japan
Bild: Mitsubishi Electric Corporation, Japan
KI-gestütztes Analysetool für moderne Produktionslinien

KI-gestütztes Analysetool für moderne Produktionslinien

Das Data-Science-Tool Melsoft MaiLab von Mitsubishi soll Unternehmen bei der Digitalisierung ihrer Fertigung und unterstützen und so deren Produktivität steigern. Die neue Lösung ist eine intuitive, bedienerzentrierte Plattform, die KI nutzt, um Abläufe automatisch zu verbessern. Sei es Abfallvermeidung durch geringere Ausschussmengen, weniger Stillstandszeiten durch vorbeugende Wartung oder Senkung des Energieverbrauchs durch Prozessoptimierung.

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.