Beim Blechschneiden mit dem Laser bringen optimal eingestellte Maschinenparameter deutliche Verbesserungen bei Qualität und Effizienz. Bei der Optimierung kann zum Beispiel eine KI-Lösung wie die vom Fraunhofer IPA und Trumpf helfen. (Bild: Pixel_B - stock.adobe.com)
Für eine hohe Produktqualität und Effizienz in der Fertigung ist es entscheidend, dass die Parameter der Produktionsmaschinen passend eingestellt sind. Dies spielt vor allem beim Thema Materialschwankungen oder speziellen Materialgüten eine Rolle. Oft erfolgt das Einstellen dann noch manuell. Das Wissen ist somit an die Fachkraft und ihre individuelle Expertise gebunden. Manuelle Anpassungen sind zudem zeitintensiv, wodurch schlecht eingestellte Anlagen oft zu lange ineffizient bleiben. Auch sind aufgrund komplexer Produktionsprozesse oftmals nicht alle relevanten Zusammenhänge erkennbar. Diese Faktoren führen zu geringerer Qualität der Schnittkanten, niedriger Produktivität und hohen Produktionskosten.
Bei Künstlicher Intelligenz den Durchblick behalten!
Das ist nicht immer einfach, doch wir wollen es Ihnen leichter machen! Daher haben wir für Sie einen praktischen Überblick zu den wichtigsten Fragen erstellt: "Künstliche Intelligenz - verständlich erklärt". Damit können Sie Ihr KI-Wissen auffrischen.
Anwendungsbeispiele, Einordnungen und vieles mehr finden Sie in unserem Fokusthema KI.
Transfer Learning ermöglicht automatisiertes Parametrieren
Künstliche Intelligenz bietet die Möglichkeit, die Parameter von Produktionsmaschinen automatisiert einzustellen und so die Nachteile des manuellen Vorgehens zu überwinden. Hierfür ist dem Forschungsteam des Fraunhofer IPA und von Trumpf ein entscheidender Fortschritt gelungen. Denn möchte man die Maschinenparameter automatisiert einstellen, bedeutete das viel Aufwand: Nötig war bisher ein iterativer Prozess, der die Herstellung eines Objekts und dessen Qualität analysiert und miteinander in Beziehung setzt.
Setzt man hierfür KI ein, reduzieren sich die nötigen Iterationen jedoch merklich. Denn mithilfe maschineller Optimierungsalgorithmen können vorhandene Maschinendaten über objektivierte Qualitätsparameter und darauf aufbauend das Transfer Learning genutzt werden. So lassen sich die optimalen Parameter mit einem Minimum an Iterationen ermitteln. „Unserem entwickelten KI-Algorithmus gelingt es, Vorwissen aus bereits gesammelten Daten optimal zu nutzen. Gleichzeitig schlägt er auch schnell neue Parameterkonfigurationen vor, die die Produktqualität im Vergleich zur manuellen Einstellung deutlich steigern können“, erklärt Philipp Wagner, wissenschaftlicher Mitarbeiter am Fraunhofer IPA.
Trumpf kann die Erfolge in der eigenen Blechfertigung validieren
Die erzielten Ergebnisse konnte das Team direkt in der Fertigung von Trumpf validieren. Die Tests erfolgten beim Laserschneiden von Blechen mit einer Laserflachbettmaschine. Es gelang mithilfe der KI-Methode, die Maschinenparameter automatisiert und mit wenig Aufwand zu verbessern. So kann Trumpf die Qualität seiner Produkte gerade für abweichende Materialgüten weiter erhöhen und für die Kunden Produktionskosten senken.
Zudem vereinfacht sich die Maschinenbedienung. Nicht zuletzt gibt es weniger Ausschuss, was auch auf die Nachhaltigkeitsziele des Unternehmens einzahlt. Philipp Leube von Trumpf berichtet: „Durch unser neues Produkt kann die Optimierung direkt am Kundenteil erfolgen. Dies erspart die Optimierung an Testteilen, für die Material extra freigehalten oder zusätzlich aufgelegt und anschließend entsorgt werden muss.“
Ein weiterer Vorteil der entwickelten Lösung ist, dass die Schnittkantenqualität auch sehr schnell automatisiert und objektiv beurteilt werden kann. Grundlage hierfür ist lediglich eine schnelle Bildaufnahme und die KI-basierte Auswertung des Bilds. Für die Auswertung können auch Kriterien aus der entsprechenden DIN EN ISO 9013 einbezogen werden.
Weitere Einsatzmöglichkeiten sind geplant
Die entwickelte Lösung ist nicht nur für das Laserschneiden von Blechen einsetzbar, sondern auch für viele andere Produktionsprozesse mit hohem Variantenreichtum perspektivisch möglich, wie beispielsweise beim Spritzgießen, bei der automatisierten Kabelbaummontage oder bei der Batteriezellenproduktion.
Quelle: Fraunhofer IPA