Projekt: Intelligente Fertigung

Problemstellung

Herstelltoleranzen stellen im Bereich der Fördertechnik sensible Kostenfolgen auf. Vor allem bei Systemelementen von Baugruppen aus mehreren Einzelteilen entstehen Toleranzketten, welche einer mathematisch enorm aufwendigen Interpretation bedürfen. Pumpensysteme bestehen beispielsweise aus verschiedenen Elementen von Gehäuseteilen, Rotorelementen, Lagerschalen und Lagersitzen sowie Antriebswellen und weiteren.
Die Maßgabe für die Produktqualität ist eine definierte geforderte Mindestfördermenge, welche durch ungenaue Passungen, Relativspiel oder gar Schleifen massiv beeinträchtigt wird. Die Kenntnis dieser Eigenschaften ist nur bedingt hilfreich, da diese sich aus einer Vielzahl einzelner Abmaße und Kombinationen der Bauteile ergeben.
Um die Streuung der tatsächlich erzielten Fördermenge zu reduzieren, kann meist nur bauteilübergreifend genauer gefertigt werden. Dabei werden die Einzelteilabweichungen reduziert und der Fehlereinfluss auf die Baugruppe minimiert. Jedoch geht dieses Vorgehen mit exponentiell steigenden Fertigungskosten einher und bietet somit im Sinne der Wirtschaftlichkeit des Endproduktes keinen Mehrwert.

Zielstellung

Die Möglichkeit die Baugruppen auf ihre tatsächliche Leistungsfähigkeit in praktischen Prüfungen zu untersuchen, soll genutzt werden, um die in Serie gefertigten und vermessenen Einzelteile besser zu nutzen.
Hierbei darf nicht wie im klassischen Sinne eine Verringerung der Fertigungsabweichungen das Ziel sein. Es sollen im Schritt der Kombination der Einzelteile zum Endprodukt Messdaten genutzt werden, sodass durch entsprechende Paarungen der Einzelteile eine optimale erzielbare Fördermenge realisiert wird.
Herstellabweichungen können durch Messungen der Ist-Maße der Teile konkret bestimmt werden. Aufgrund der komplexen Bauteilgeometrien ergeben sich einige hundert Einzelabmaße. Durch die Nutzung von maschinellem Lernen sollen hierbei relevante Informationen erzeugt werden. Die Information zu den tatsächlich relevanten Abmaßen auf die erzielbare Fördermenge kann dabei einen maßgeblichen Einfluss auf die Herstellungskosten haben.
Wenn ein Bezug der Messwerte zu den finalen Produkteigenschaften ermittelbar ist, kann weitergehend eine Prognose der Fördermenge unter Kombination verschiedener abweichungsbehafteter Einzelteile generiert werden.

Ergebnis

Die Zusammenhänge der Einzelteilabmaße zu den Zielgrößen der Pumpenfördermenge konnten nachvollziehbar demonstriert werden. Auf dieser Grundlage wurden den Machine Learning Algorithmen die Einflusswichtungen der Einzelabmaße entnommen. Diese Daten werden direkt genutzt, um kurzfristig eine Herstelloptimierung zu realisieren. So werden den Algorithmen entsprechend entscheidende Toleranzen in der Fertigung verringert. Die theoretischen Mehrkosten der kleineren Toleranzen können in anderen Bauteilbereichen, geringeren Einflusses kompensiert werden, da diese zur Zielstellung der Fördermenge keine relevanten Auswirkungen haben.
Weiterführend werden fortlaufend Prüfstandsversuche durchgeführt, um neue Informationen zur tatsächlichen Fördermenge zu erzeugen. Diese Datengrundlage wird stetig in den dynamischen Trainingsprozess eingepflegt.
Ziel ist es die Prognosegenauigkeit der Algorithmen hinsichtlich der erzielbaren Fördermenge zu steigern. Von Vorteil ist die Möglichkeit gemessene Einzelteile direkt zu verwenden, um eine Vorhersage treffen zu lassen und anschließend auf dem Prüfstand zu verifizieren.
Einzelteile mit hohen Fertigungsabweichungen müssen nicht mehr präventiv aus der Herstellungslinie entfernt werden. Sie können durch KI-Algorithmen mit geeigneten Paarungen der Systembauteile kombiniert werden, um die geforderte Qualität der Baugruppe zu gewährleisten.