Data Driven Engineering

Maschinelles Lernen im Maschinenbau: Dank des Einsatzes von Machine-Learning-Methoden zur frühzeitigen Erkennung von Gussfehlern wurden bereits bei der Einführung in die praktische Anwendung beeindruckende Ergebnisse erzielt.

Problemstellung

In der Welt der Gussteilherstellung hängt die endgültige Qualität der Produkte von einer Vielzahl von Prozess- und Maschinenparametern ab. Interessanterweise sind gerade massive Bauteile äußerst empfindlich gegenüber den verschiedenen Einflussfaktoren während der Herstellung. Das Problem besteht nicht nur darin, die entscheidenden Prozessgrößen zu identifizieren, um erstklassige Endprodukte zu gewährleisten, sondern auch in der oft fehlenden Möglichkeit einer abschließenden 100%igen Qualitätsprüfung.

In den Produktionsabläufen müssen nicht nur messbare Größen wie Temperaturen, Abkühlzeiten, Vibrationen, Umweltbedingungen und Maschinenparameter berücksichtigt werden, sondern auch die Erfahrungswerte der Maschinenbediener, die auf abweichende Bedingungen oder sichtbare Abweichungen im Herstellungsprozess reagieren.

Die Digitalisierung dieser Praktiken bietet eine vielversprechende Zukunftsperspektive. Dabei ist zu beachten, dass die beiden Hauptbereiche, nämlich die dynamischen Messgrößen und das subjektive Einschätzungsvermögen der Mitarbeiter, nicht streng voneinander getrennt betrachtet werden dürfen. Vielmehr sollten sie als miteinander verknüpfte Elemente betrachtet werden, um die Qualität und Effizienz der Gussteilherstellung zu steigern.

Zielstellung

In der Gussteilherstellung steht man vor der Herausforderung, dass das jahrelang gesammelte Erfahrungswissen von Maschinenbediener schwer in Worte zu fassen und noch schwieriger in klare programmierbare Regeln zu übersetzen ist. Dies stellt eine Barriere für das Ziel der Digitalisierung und automatisierten Qualitätsverbesserung und -prüfung dar.

Die Anwendung von Maschinellem Lernen kann dazu beitragen, diese bestehenden Datenquellen zu nutzen und das wertvolle Erfahrungswissen des Teams in praktikable Strukturen zu überführen. Mit diesen Methoden können eine immense Menge an Prozessparametern gleichzeitig ausgewertet werden und Vorhersagen über mögliche Fehlerquellen getroffen werden. Das bedeutet, dass erfahrene Experten nicht mehr gezwungen sind, Hunderte von Parametern im Auge zu behalten. Stattdessen können sie sich auf die wesentlichen Faktoren konzentrieren und gezielt in den Herstellungsprozess eingreifen.

Durch diese Maßnahme strebt man an, Fertigungsfehler zu reduzieren, sei es durch unzureichende Abkühlverfahren, Bandlaufgeschwindigkeiten oder Schwankungen in der chemischen Zusammensetzung des Grundmaterials. Ziel ist es, diese Einflüsse so früh wie möglich während der Herstellung zu erkennen, um Folgekosten aufgrund von fehlerhaften Bauteilen zu minimieren. Mit Maschinellem Lernen möchte man die Zukunft der Gussteilherstellung optimieren und dabei auf das unschätzbare Wissen der Mitarbeiter zurückgreifen.

Ergebnis

Die Implementierung und Integration unterstützender Machine Learning-Algorithmen erfolgte unmittelbar nach Abschluss der technischen Grundlagen und des initialen Trainings. Die Dynamik dieser Algorithmen, die sich durch kontinuierliches Lernen im laufenden Fertigungsprozess entwickeln, bringt zukunftsorientierte Sicherheit und verbesserte Vorhersagekapazitäten für kommende Produktlinien von Gussteilen.
Bereits zum Zeitpunkt des Launchs, selbst mit begrenzten Trainingsdaten, sind präzise Prognosen zur erwarteten Qualität der herzustellenden Teile möglich. Durch diese Analysen können in der Serienproduktion gezielt einzelne Teile identifiziert werden, die höchstwahrscheinlich fehlerhaft sind, und sie können entweder genauer untersucht oder aus der Produktionskette ausgeschlossen werden. Dies ermöglicht kurzfristige Einsparungen in den nachgelagerten Fertigungsschritten und deckt die Kosten für das Machine Learning-Projekt.
Der gegenwärtige Wissensstand und die Entwicklungen erleichtert die Überwachung und Steuerung des Prozesses erheblich. Mit fortschreitenden Produktionsreihen und einem wachsenden Umfang an Trainingsdaten kann man jedoch noch weiter gehen. Hierbei setzt man auf serienfähige Techniken wie Schalluntersuchungen oder Bildaufnahmen, die in Verbindung mit den Machine Learning-Algorithmen eine zerstörungsfreie 100%ige Prüfung der Endprodukte ermöglichen.
Ein Schlüssel zum Erfolg ist die Nutzung der Fachkenntnisse der Experten zur Beurteilung der Endprodukte. Diese werden nun in die Lage versetzt, ausgewählte Bauteile intensiv zu untersuchen, anstatt auf zufällige Stichprobenanalysen angewiesen zu sein, um Aussagen über die Serienproduktion zu treffen.