Verbundprojekt »DIPOOL«

Lernende Produktionstechnik – Einsatz künstlicher Intelligenz (KI) in der Produktion

Kürzere Entwicklungs-, Fertigungs- und Lieferzeiten, wachsender Kostendruck und höhere Qualitätsanforderungen fordern die Produzenten. Dabei spielt in komplexen Fertigungsprozessen der Einsatz von modernen Produktionsausrüstungen eine wesentliche Rolle. Gleichzeitig verändern sich auch die Entwicklungsprozesse der Produktionsausrüstungen durch die digitale Transformation rasant. Zusammengefasst muss Produktionstechnik den zunehmend volatilen Bedarf nach variierenden Produkten (Werkstoff, Design, Funktion) bei höchstmöglicher Wirtschaftlichkeit und Flexibilität erfüllen. Lasermaschinen sind dafür prädestiniert. Aber auch sie erfordern für einen wirtschaftlichen Betrieb verstärkte Automatisierung. Der Lösungsansatz des vom Fraunhofer-Institut für Lasertechnik ILT wissenschaftlich koordinierten Verbundprojektes DIPOOL zur Gewinnung von Autonomie und Agilität besteht in der Kombination der einzigartigen zeitlichen und räumlichen Programmier- und Kontrollierbarkeit von Laserwerkzeugen mit geeigneten Methoden maschinellen Lernens (ML). Das Ziel war die automatische und robuste Überwachung, Qualitätssicherung und Optimierung von Lasermaschinen bei wechselnden Fertigungsaufgaben.

Smarte Laseranlagen

Für den Schneidprozess erfolgt der Einsatz der KI-Anlagenüberwachung an der im Projekt von der Automatic-Systeme Dreher GmbH entwickelten Demonstrator-Anlage für das Laser Blanking, dem kontinuierlich ablaufenden Zuschnitt von Platinen vom Band. Die Anlage verfügt über zwei Laserschneidköpfe, die in einem gemeinsamen Bearbeitungsraum von ca. 5,5 x 1,6 Quadratmeter eingesetzt werden können und auf Grund dieser Anordnung und des Hochgeschwindigkeits-Schneidprozesses eine hohe Produktivität und Flexibilität liefern. Für das 3D-Schweißen dient eine Laserroboterzelle der LBBZ GmbH als Demonstrator der digitalen Optimierungstechnik.

Der innovative, wissenschaftliche Ansatz des Fraunhofer ILT besteht darin, dem Bearbeitungsprozess »minimalinvasive« Lasermodulationsmuster aufzuprägen. Darauf antwortet der Prozess kontinuierlich mit besonders charakteristischen, zustandsabhängigen Signalen. Diese Antwortsignale wurden mit einem smarten, neu entwickelten Schneidkopf der Precitec GmbH & Co. KG, mit einer Samplerate von 50 Kilohertz erfasst und dann mit KI-Methoden ausgewertet. In DIPOOL wurden unterschiedliche ML-Methoden vom Institut für Industrielle Informationstechnik IIIT des Karlsruher Institut für Technologie KIT getestet, wobei Convolutional Neural Networks (CNNs) eine Klassifikationsgenauigkeit von 97,9 Prozent erreichten. Für die Überwachungs-, Entscheidungs- und Regelungsmodule wurde von der Marx Automation GmbH das KI-Modell in einen Prozessrechner mit Field Programmable Gate Array (FPGA) zur Datenerfassung, Vorverarbeitung und Ansteuerung des Lasers integriert. Dabei beträgt die Zykluszeit für Datenerfassung, Vorverarbeitung und Inferenz 1 bis 2 Millisekunden, sodass eine Echtzeitfähigkeit auch bei den vorliegenden schnellen Prozessen erreicht werden kann.

Beim Laserstrahlschweißen wird mithilfe des von der 4D Photonics GmbH entwickelten multispektralen Sensors in je 16 Kanälen im sichtbaren und nahinfraroten Spektralbereich die emittierte Prozessstrahlung wellenlängenselektiv aufgezeichnet und ausgewertet. Zur frühzeitigen Detektion bzw. Lokalisierung einer unbeabsichtigten Unter- oder Überschreitung der Durchschweißgrenze wurden im Projektverlauf verschiedene Methoden der stochastischen und multispektralen Analyse qualifiziert und quantifiziert. Anhand einer Auswahl variierender Legierungszusammensetzungen und Schweißnahtkonfigurationen erfolgte die Evaluierung des multispektralen Sensors für den Einsatz einer KI-gestützten Prozessüberwachungsmethode. In umfangreichen Untersuchungen unter kontrollierten Bedingungen wurde eine Über- oder Unterschreitung der Durchschweißgrenze reproduzierbar detektiert.

Die in DIPOOL entwickelten Lösungen zum Laserschneiden und Laserschweißen zeigen, dass KI-gestützte Methoden und innovative Techniken zur Verbesserung der Signalqualität und des Informationsgehalts der Prozessdaten signifikant zur Prozesssicherheit und Zuverlässigkeit beitragen können.