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.