Intelligente Fertigung

Die Anwendung von maschinellem Lernen im Maschinenbau kann dazu beitragen, Produktionsprozesse optimaler zu gestalten. Durch den Einsatz von Machine-Learning-Methoden zur Bewertung von Fertigungsabweichungen kann die Effizienz gesteigert und Kosten gesenkt werden.

Problemstellung

Herstelltoleranzen haben erhebliche Auswirkungen auf die Kosten in der Fördertechnik. Besonders bei komplexen Baugruppen aus verschiedenen Einzelteilen entstehen Toleranzketten, die eine aufwändige mathematische Analyse erfordern. Als Beispiel dienen Pumpensysteme, die aus Gehäuseteilen, Rotorelementen, Lagerschalen, Lagersitzen, Antriebswellen und mehr bestehen. Die entscheidende Anforderung an die Produktqualität ist eine festgelegte Mindestfördermenge, die durch ungenaue Passungen, Relativspiel oder sogar Reibung erheblich beeinträchtigt werden kann. Das Wissen über diese Eigenschaften allein ist oft begrenzt hilfreich, da sie aus einer Vielzahl von Einzelmaßen und Kombinationen der Bauteile resultieren.

Um die Variationen in der tatsächlich erzielten Fördermenge zu minimieren, könnte man theoretisch jeden Bauteil individuell genauer fertigen. Dies würde die Abweichungen zwischen den Einzelteilen verringern und den Fehlerbeitrag zur Gesamtbaugruppe minimieren. Allerdings führt dieser Ansatz zu exponentiell steigenden Fertigungskosten und bietet somit wenig wirtschaftlichen Nutzen für das Endprodukt. Hier braucht es moderne Lösungsansätze.

Zielstellung

Die Möglichkeit, Baugruppen in praktischen Tests auf ihre tatsächliche Leistungsfähigkeit hin zu untersuchen, wird genutzt, um die maximale Nutzung der in Serie gefertigten Einzelteile zu erreichen. Dabei ist das Hauptziel nicht nur die herkömmliche Reduzierung von Fertigungsabweichungen, sondern vielmehr die bestmögliche Fördermenge durch geschickte Kombination der Einzelteile anhand von Messdaten zu erzielen.

Eine zentrale Herausforderung besteht darin, die Herstellungsabweichungen präzise durch Messungen der tatsächlichen Bauteilmaße zu bestimmen. Aufgrund der komplexen Geometrien der Bauteile handelt es sich oft um Hunderte von Einzelabmessungen. Hierbei wird maschinelles Lernen eingesetzt, um relevante Informationen aus dieser umfangreichen Datenmenge zu extrahieren. Das Verständnis, welche Abmessungen tatsächlich die Fördermenge beeinflussen, kann erhebliche Auswirkungen auf die Herstellungskosten haben. Die Möglichkeit, eine klare Verbindung zwischen den Messwerten und den endgültigen Produkteigenschaften herzustellen, eröffnet die Perspektive, eine Prognose für die Fördermenge zu erstellen, selbst wenn unterschiedliche Einzelteile Abweichungen aufweisen. Dies verspricht eine spannende Möglichkeit zur Steigerung der Effizienz in der Fertigung.

Ergebnis

Die Zusammenhänge zwischen den Abmessungen der Einzelteile und den angestrebten Pumpenfördermengen wurden überzeugend nachvollzogen. Basierend auf diesen Erkenntnissen wurden die Machine Learning-Algorithmen mit den Einflussgewichtungen der Einzelabmessungen ausgestattet. Diese Daten werden unmittelbar genutzt, um eine rasche Optimierung in der Produktion zu realisieren. So können entscheidende Toleranzen in der Fertigung reduziert werden, ohne dass dies zu unvertretbaren Mehrkosten führt. Die theoretischen Einsparungen bei den kleineren Toleranzen können in anderen Bauteilbereichen reinvestiert werden, die nur geringfügigen Einfluss auf die Pumpenfördermenge haben.

Darüber hinaus werden kontinuierlich Prüfstandstests durchgeführt, um ständig neue Erkenntnisse über die tatsächliche Fördermenge zu gewinnen. Diese Datengrundlage wird laufend in den dynamischen Schulungsprozess der Algorithmen integriert. Ziel ist es, die Prognosegenauigkeit der Algorithmen in Bezug auf die erreichbare Fördermenge weiter zu verbessern. Ein großer Vorteil besteht darin, dass gemessene Einzelteile direkt verwendet werden können, um Vorhersagen zu treffen und diese dann auf dem Prüfstand zu verifizieren.
Einzelteile mit erheblichen Fertigungsabweichungen müssen nicht mehr vorbeugend aus der Produktion aussortiert werden. Stattdessen können sie durch KI-Algorithmen mit geeigneten Systemkomponenten kombiniert werden, um die geforderte Qualität der Baugruppe sicherzustellen.