KI optimiert CNC-Fräsen von Carbonfaser-verstärkten Composites

Das Augsburger KI-Produktionsnetzwerk – gegründet im Januar 2021 und ansässig in Augsburg, Deutschland – vereint die Universität Augsburg, das Fraunhofer-Institut für Gießerei-, Composite- und Verarbeitungstechnik (Fraunhofer IGCV) und das Zentrum für Leichtbauproduktionstechnologie des Deutschen Zentrums für Luft- und Raumfahrt (DLR ZLP). Ziel ist die gemeinsame Forschung an KI-basierten Produktionstechnologien an der Schnittstelle zwischen Materialien, Fertigungstechnologien und datenbasierter Modellierung. Ein Anwendungsbeispiel, bei dem KI Produktionsprozesse unterstützen kann, ist die Bearbeitung faserverstärkter Composite-Materialien.

Strukturkörperschall und Maschinelles Lernen

Die meisten modernen CNC-Fräsmaschinen verfügen bereits über grundlegende Sensoren, die beispielsweise Energieverbrauch, Vorschubkraft und Drehmoment erfassen. Diese Daten sind jedoch nicht immer ausreichend für die Auflösung feiner Details im Fräsprozess. Aus diesem Grund wurden an der Universität Augsburg Ultraschallsensoren zur Analyse von Strukturkörperschall entwickelt und in eine industrielle CNC-Fräsmaschine integriert. Diese Sensoren detektieren Strukturkörperschall-Signale im Ultraschallbereich, die während des Fräsprozesses erzeugt werden und sich durch das System zum Sensor ausbreiten.

Der Strukturkörperschall ermöglicht Rückschlüsse auf den Zustand des Bearbeitungsprozesses. „Das ist ein Indikator, der für uns so aussagekräftig ist wie Bogenschläge für eine Violine“, erklärt Prof. Dr. Markus Sause, Leiter des KI-Produktionsnetzwerks. „Musikprofis können sofort am Klang einer Violine erkennen, ob sie gestimmt ist und wie gut der Spieler das Instrument beherrscht.“ Aber wie funktioniert dieser Ansatz für eine CNC-Maschine? Maschinelles Lernen ist der Schlüssel.

Um den CNC-Fräsprozess basierend auf aufgezeichneten Daten der Ultraschallsensoren zu optimieren, nutzen Forscher um Sause maschinelles Lernen. Bestimmte Merkmale des akustischen Signals können auf ungünstige Prozessführung hinweisen, was auf schlechte Qualität des gefrästen Bauteils schließen lässt. Dadurch kann der Fräsprozess direkt angepasst und mit dieser Information verbessert werden. Dazu wird ein Algorithmus mit aufgezeichneten Daten und den entsprechenden Zuständen (z. B. gute oder schlechte Bearbeitung) trainiert. Der Maschinenbediener kann dann auf die präsentierten Systemstatusinformationen reagieren oder das System kann so programmiert werden, dass es automatisch reagiert.

Predictive Maintenance – vorausschauend handeln

Maschinelles Lernen kann nicht nur den Fräsprozess direkt am Werkstück optimieren, sondern auch die Wartungszyklen einer Produktionsanlage so wirtschaftlich wie möglich planen. Funktionale Teile müssen so lange wie möglich in der Maschine arbeiten, um die Wirtschaftlichkeit zu erhöhen, aber spontane Ausfälle durch beschädigte Teile müssen vermieden werden.

Predictive Maintenance ist ein Ansatz, bei dem die KI mithilfe der gesammelten Sensordaten berechnet, wann ein Teil ausgetauscht werden sollte. Im Fall der untersuchten CNC-Fräsmaschine erkennt ein Algorithmus, wenn sich bestimmte Merkmale des Schallsignals ändern. So identifiziert er nicht nur den Verschleißgrad des Fräswerkzeugs, sondern prognostiziert auch den richtigen Zeitpunkt für den Werkzeugwechsel. Diese und andere KI-Prozesse werden in das Augsburger KI-Produktionsnetzwerk eingebunden. Die drei Hauptpartnerorganisationen arbeiten mit weiteren Produktionsstätten zusammen, um ein Fertigungsnetzwerk zu schaffen, das modular und materialoptimiert umkonfigurierbar ist.