KI-Biegewerkzeugauswahl

Exploring Project, Quick Check

Ausgangssituation

Sollen komplexe technische Biegeteile aus hochfesten Federstählen automatisiert hergestellt werden, ist es notwendig, eine Vorfestlegung von Umformwerkzeugen durchzuführen sowie die notwendige Überbiegung des Materials festzulegen. Das Material ist ein Federstahl und neigt dazu, sich nach der Biegung in seine Ursprungsform zu versetzen. Es ist wichtig, dass es nur wenige Korrekturschleifen in Bezug auf die Umformwinkel gibt und der Umformradius korrekt festgelegt wird.

Aktuell legt ein Maschineneinsteller diese Parameter auf Basis von Erfahrungswerten fest. Die Fachkraft definiert anhand der Werkstoffdaten und Geometrie grob den wahrscheinlichen Biegeradius und den notwendigen Überbiegungswinkel, um das gewünschte Sollergebnis zu erzielen. Allerdings bewerten die Maschineneinsteller hier je nach Erfahrung unterschiedlich. Das liegt daran, dass keine einheitliche Datenbasis vorliegt, weil die verantwortlichen Eingangsparameter nicht ausreichend definiert sind.

Lösungsidee

Die Idee des Projektes war es deshalb, einen Datensatz zu erstellen, der möglichst unterschiedliche Maschinenparameter abbildet. Auf dessen Basis sollte dann ein neuronales Netz trainiert werden, das die Qualitätsparameter vorhersagt.

Mithilfe des neuronalen Netzes können dann bei gewünschten Vorgabewerten für die Qualitätsparameter die Maschinenparameter leicht ermittelt werden.
Um die Menge der Experimente zu minimieren, wurden zusätzlich spezielle Methoden der Bayes‘schen Statistik verwendet.

Nutzen

Die Entwicklung einer funktionalen Werkzeugauswahl, bei der der zu erwartende Umformwinkel festgelegt werden kann, ermöglicht überhaupt erst, diesen Prozess zu digitalisieren. Die Werkzeugauswahl transformiert das vorhandene, jedoch nicht ausreichende Wissen des Fachpersonals in eine stetig besser lernende KI. Aus dieser kann immer zielgenauer die richtige Werkzeugauswahl und Vorfestlegung der Maschinenparameter erfolgen, um die Biegeteile zu erzeugen. Anhand dieser Lernkurve lässt sich der Rüst- und Umformprozess dann erst wirklich automatisieren. So wird er unabhängig vom Fachpersonal und ermöglicht eine störungsarme Produktion 24/7. Dies wiederum bietet hohe Qualität und eine Lieferpräzision, die Lieferzeiten von bis zu 24 Stunden realisierbar macht. Mit dieser Zeitersparnis werden Unternehmen wettbewerbsstärker und der Gesamtprozess wirtschaftlicher.

Umsetzung der KI-Applikation

Ziel war es, einen tabellarischen, gelabelten Datensatz zu erstellen, um ein neuronales Netz zur Vorhersage von Qualitätsparametern via Regression zu trainieren. Um die Versuchsanzahl zu minimieren, wurden zwei Strategien gewählt: erstens die Fokussierung auf eine Materialart, zweitens der Einsatz von Uncertainty-Based Active Exploration, um das Lernpotenzial pro Versuch zu maximieren.