Kompetenzen

Die Relevanz und der Mehrwert von Künstlicher Intelligent (KI) und Machine Learning (ML) sind in den letzten Jahren signifikant gestiegen. Insbesondere im Bereich der Produktion haben sich hierbei weitreichende Potenziale ergeben. Die hohe Komplexität von ML und der fehlende Nachweis über den Mehrwert, der sich hierbei ergibt, führen jedoch häufig dazu, dass sich insbesondere kleine und mittlere Unternehmen (KMU) nicht weiter mit der Einführung und Nutzung von ML beschäftigen. Daher wurde ein holistischer Leitfaden entwickelt, der produzierende KMU von der Identifikation geeigneter Anwendungsfälle über die Reifegraduntersuchung bis hin zur Durchführung von Handlungsmaßnahmen und der Implementierung von kontinuierlichen Verbesserungsprozessen begleitet und die hierzu notwendigen Konzepte zur Verfügung stellt.

Machine Learning, Einführungsstrategie, Leitfaden, Produktion, Reifegrad

Prozessüberwachung und die daraus resultierende Qualitätssteigerung durch KI finden in weiten Teilen der produzierenden Industrie zunehmend Beachtung. Im Rahmen der Forschung des Sonderforschungsbereichs 1153 werden die Möglichkeiten der Inline-Prozessüberwachung des Querkeilwalzens untersucht. Ziel ist es, ein Überwachungssystem zu entwickeln, das eine Inline-Prozessregelung ermöglicht, um Prozessabweichungen, die während des Umformprozesses auftreten, zu kompensieren. Dazu wird ein Algorithmus entwickelt, der Prozessabweichungen innerhalb weniger Sekunden und bei laufendem Prozess erkennen und klassifizieren kann. Im Rahmen dieser Forschungsarbeit wurde ein KI-basierter Bilderkennungsalgorithmus eingesetzt. Die Prozessdaten wurden im Rahmen einer Sensitivitätsstudie der Prozessparameter erhoben. Anhand einer Parameterstudie wurden optimierte Hyperparameter für die KI-Modellierung ermittelt, die eine hohe Vorhersagegenauigkeit ermöglichen. Die Herausforderung der notwendigen Geschwindigkeit der Vorhersage wurde getestet und validiert. Die Auswertung des Algorithmus einschließlich der Generierung eines Bildes benötigt im Durchschnitt 270 ms und ist damit schnell genug, um als Vorbereitung für die Prozesssteuerung eingesetzt zu werden. Die Untersuchungen ergaben eine Möglichkeit zur Datenanreicherung, die die Vorhersagegenauigkeit der Modelle deutlich erhöht. Die Gesamtleistung des Modells wurde mittels Leave-One-Out Cross-Validation (LOOCV) ermittelt.

Querkeilwalzen, Hybridbauteile, Prozessüberwachung, KI-basierte Bilderkennung

Mit künstlicher Intelligenz (KI) lassen sich Fehler zuverlässig erkennen, Ausschuss reduzieren und die Bauteilqualität steigern. Im Projekt „AutoPress" haben Forschende ein System aus Sensoren und KI entwickelt, das 95 bis 98 Prozent aller Prozessabweichungen erkennt.

Künstliche Intelligenz, KI, Prozessüberwachung, Fehlererkennung

In dieser Arbeit werden die Herausforderungen der Vollautomatisierung des innerbetrieblichen Waren-transports in Umgebungen untersucht, in denen manuell geführte Flurförderzeuge aufgrund von undefinierten Positionen und Formen der Ladungsträger weiterhin notwendig sind. Imitation Learning (IL) wird als eine vielversprechende Lösung für die Fahrzeugsteuerung bei sich wiederholenden Aufgaben identifiziert, jedoch wird seine Anwendung in der Intralogistik durch die Komplexität der Dynamik von Flurförderzeugen und dem großen abzubildenden Dimensionsraum erschwert. Es wird ein Robot Operating System 2 (ROS2) Framework vorgestellt, dass die Erfassung von Experten Fahrdaten sowohl aus Simulationsumgebungen als auch von realen Demonstrator Fahrzeugen ermöglicht. Darüber hinaus wird eine Netzwerkarchitektur präsentiert, die ein Convolutional Neural Network (CNN) mit einem nachgeschalteten Long Short-Term Memory (LSTM) Netzwerk kombiniert, um aus Bild- und Geschwindigkeitsdaten sowohl räumliche als auch zeitliche Informationen zu erlernen. Evaluiert wird die Effektivität des Frameworks anhand eines Datensatzes mit Expertenfahrmanövern, wobei das Generalisierungspotential des trainierten Netzes für die Fahrzeugsteuerung bewertet wird. Ziel der Arbeit ist es, den Nutzen des vorgeschlagenen Frameworks für die Datenerfassung zu demonstrieren und IL als Steuerungsansatz für Flurförderzeuge zu validieren

Imitationslernen, Flurförderzeug-Automatisierung, Intralogistik, ROS2, Lasthandhabung

Durch den Einsatz von Spritzgießwerkzeugen wird die ökonomische Massenfertigung von Produkten ermöglicht. Als Schnittstelle zwischen Produktentwicklung und Produktion muss der Werkzeugbau möglichst früh ein verlässliches Richtpreisangebot abgeben können. Durch einen stetig intensiver werdenden, globalen Wettbewerb sollten die Kosten für Spritzgießwerkzeuge vor einer Investition daher möglichst genau abgeschätzt werden.

In der vorliegenden Arbeit wird deshalb eine Methode zur Kostenvorhersage auf Grundlage von Artikeldaten, welche bei der Angebotsanfrage vorhanden sind, entwickelt. Die Basis bildet ein auf Maschinellen Lernverfahren basierendes Modell, welches sowohl mit den Geometriedaten der Artikel, als auch mit den dazugehörigen artikel- und werkzeugbezogenen Metadaten trainiert wird. Zusätzlich wird ein System zur Implementation der Methode entwickelt. Dadurch wird die Methode in ein selbstlernendes System überführt.

Im Rahmen von zwei Fallstudien wird die entwickelte Methode auf zwei konkrete Anwendungsfälle aus der Produktionswelt - dem Spritzgießen und der additiven Fertigung - angewendet. Das System wird in Form eines Softwaredemonstrators umgesetzt und anhand von realen Produktionsdaten evaluiert.

Werkzeugbau, Spritzgießen, Maschinelles Lernen, Additive Fertigung, Kostenvorhersage