MetaLearn
Künstliche Intelligenz (KI) zur Entscheidungsunterstützung bei der Parametrierung von Produktionsprozessen komplexer, kundenindividueller Spezialprodukte mit kleinen Stückzahlen.
Die Herausforderungen für die Herstellung hochwertiger kundenspezifischer Produkte sind groß. Die Stückzahlen bei Spezialprodukten sind in der Regel gering, gleichzeitig ist die spezifische Anpassung der Produktion aufwändig. Die Minimierung von Rüstzeiten und die Vermeidung von Qualitätsmängeln sind entscheidende Stellschrauben der Produktionskosten sowie der Fertigungsdauer. Die Herausforderung für die Unternehmen liegt in der Komplexität des Produktionsprozesses, die von vielen Faktoren beeinflusst wird und deren Wirkzusammenhänge bislang nur unvollständig verstanden sind.
MetaLearn nutzt Künstliche Intelligenz (KI), um diese Zusammenhänge und Abhängigkeiten auf Basis der verfügbaren Daten (geometrische Bauteilmaße, Materiallegierungen, Maschineneinstellungen, Raumtemperatur, Werkstücktemperaturen, etc.) zu erkennen und Verbesserungen in der Parameterkombination abzuleiten. Rüstzeiten werden dadurch kürzer und die Qualität steigt. So kann bspw. mit Hilfe von Bilderkennung der Werkzeugverschleiß diagnostiziert werden, welches eine hohe Produktqualität garantiert und die optimale Nutzung der Werkzeuglebensdauer ermöglicht. In der Werkzeugproduktion beeinflussen Legierung, Form und Maschinenparameter die Rüstzeit maßgeblich.
Ziel des Projektes
Ziel des Projekts ist es daher, Verfahren der KI für kleine Datenmengen auf diese Problemstellung zu übertragen und im Rahmen zweier exemplarischer Anwendungsfälle in verschiedenen Sektoren (Spezialwerkzeuge und Getriebe) anzuwenden.
Innerhalb beider Anwendungsfälle lassen sich die Herausforderungen in der Produktion in ähnliche Problemklassen abstrahieren. Die Variantenvielfalt ist aufgrund der verschiedenen Produkteigenschaften und der im Produktionsprozess zu berücksichtigenden Parametern sehr groß. Andererseits ist die aus der Produktion verfügbare Datenmenge gering, weil die Stückzahlen relativ klein sind und Daten aus dem Produktionsprozess teilweise nur lückenhaft gespeichert werden.
Es stellen sich drei Herausforderungen:
Transfer von dateneffizienten KI-Algorithmen
Anwendung von KI-Algorithmen zur Vorhersage optimaler Produktionsparameter und Identifikation aller relevanten Eingangsgrößen
Lernen einer sinnvollen Repräsentation des spezifischen Produkts (welche den stärksten aber gleichzeitig komplexesten Einfluss auf die Ergebnisgüte hat)
Unsere Projektpartner
J. M. Voith SE & Co. KG: Das operative Geschäft des weltweit agierenden Technologiekonzerns ist in vier Konzernbereichen gebündelt: Voith Hydro, Voith Paper, Voith Turbo und Voith Digital Ventures. MetaLearn wird in der Division Turbo erarbeitet und später auf die anderen Divisionen übertragen um so eine Allgemeingültigkeit der Erkenntnisse noch innerhalb des Projektes zu verproben.
Paul Horn GmbH: Die Hartmetall-Werkzeugfabrik Paul Horn GmbH entwickelt und produziert Präzisionswerkzeuge für technologisch anspruchsvolle Zerspanaufgaben.
Layer7 AI GmbH: Das Unternehmen ist ein Gründungsmitglied des Cyber Valley Startup Network und entwickelt im Kerngeschäft Layer7 AI maßgeschneiderte KI-Lösungen im Bereich Industrie 4.0.
FZI Forschungszentrum Informatik: Das FZI ist eine gemeinnützige Forschungseinrichtung für Anwendungsforschung und Technologietransfer im Bereich Informationstechnologien und offizieller Innovationspartner des Karlsruher Instituts für Technologie (KIT). Die an diesem Vorhaben beteiligte FZI Abteilung Wissensmanagement konzentriert sich auf die Themen maschinelles Lernen und Stream Processing.
Ihre Ansprechpartner
Gefördert von
Im Fokus der mit der BMBF entstandenen Fördermaßnahme „Lernende Produktionstechnik – Einsatz künstlicher Intelligenz (KI) in der Produktion (ProLern)“ steht die Erhöhung der Leistungsfähigkeit und Funktionalität von Maschinen und Ausrüstungen der Fertigungstechnik durch den verstärkten Einsatz von KI, z. B. durch das maschinelle Lernen. Die Potenziale der KI im Fertigungseinsatz sollen aufgezeigt und beschleunigt erschlossen werden.
