Komplexe Zerspanprozesse sind ein wesentlicher Teil der industriellen Wertschöpfung. Sogenannte Zyklen (Programme) steuern dabei die Bewegungsabläufe von Werkstück und Werkzeug. Der Demonstrator „Zyklenoptimierung“ von IIP-Ecosphere betrachtet beispielhaft den Prozess des Wälzschälens, also die Fertigung von Verzahnungen. Dabei „schält“ ein rotierendes Werkzeug unter hoher Drehzahl eine Verzahnung in ein ebenfalls rotierendes Werkstück.


Wälzschälen von Verzahnungen [DMG Mori]

Um Wälzschälprozesse steuern zu können, hat die Gildemeister Drehmaschinen GmbH – Partner von IIP-Ecosphere – den Wälzschälzyklus entwickelt. Wie hoch die Produktivität des Prozesses und die Qualität der Bauteile sind, hängt von einer Vielzahl von Eingangsparametern ab, zum Beispiel von der Schnittgeschwindigkeit oder der Schnitttiefe. Die Parameter für das Wälzschälen optimal einzustellen, erfordert hohen Aufwand und tiefgehendes Prozesswissen. Gerade in kleineren Unternehmen steht dieses Know-how häufig nicht zur Verfügung. Ein wirtschaftlicher Betrieb solcher Prozesse ist deshalb für viele Unternehmen nicht möglich. Der Demonstrator „Zyklenoptimierung“ will diese Herausforderung mit der Entwicklung eines intelligenten KI-Expertensystems meistern.

Die Grundlage für das Training des Expertensystems bilden Maschinendaten, beispielsweise Antriebsströme oder -positionen. Ein Industrie-PC des IIP-Ecosphere-Partners Artis Marposs Monitoring Solutions GmbH erfasst die Maschindaten und ermöglicht eine intelligente Prozessüberwachung. Die Verwendung einzelner Komponenten aus der IIP-Ecosphere-Plattform ermöglicht ein dynamisches Deployment. Das hat den Vorteil, dass das rechenintensive Training des Expertensystems zentral auf leistungsstarken Rechnern stattfindet, während die Ausführung in Echtzeit auf dem Industrie-PC von Artis Marposs erfolgt.
Zur Umsetzung des Demonstrators kommen moderne KI-Methoden zum Einsatz. Anhand von Qualitätsmerkmalen der Bauteile und des Feedbacks erfahrener Bediener wird ein Modell trainiert, das automatisiert eine Bewertung zur Prozessqualität liefert. Diese Bewertung bildet die Grundlage für die Anwendung von Reinforcement-Learning. Mit diesem Verfahren wird eine Strategie erarbeitet, die eine ideale Einstellung der Parameter für unterschiedliche Werkstoffe, Verzahnungen, Qualitäts- und Produktivitätsanforderungen bereitstellt.