Für die wirtschaftliche Erfassung der Oberfläche wird eine Industriekamera mit Dunkelfeldbeleuchtung verwendet. Um aus den resultierenden Grauwerten die Ausgangssituation bestimmen zu können, werden neuronale Netze verwendet. Um die Bereiche außerhalb einer vorgegebenen Toleranz zu bestimmen wird das SameSame but Differ Netzwerk verwendet. Dieses Netzwerk verwendet als Merkmalsextraktor das AlexNet und berechnet über einen Normalisierungsfluss die Wahrscheinlichkeit einer Anomalie in dem Bild.
Eine Anomalie ist im Fall dieses Projekts ein Pixel außerhalb der Toleranz. „Der Vorteil dieser Netzstruktur ist, dass das Netz nur mit guten Bildern trainiert werden muss und Anomalien automatisch erkannt werden“, erläutert Projektmitarbeiter Hendrik Voelker. „Damit wissen wir, welche Bereiche außerhalb der Toleranz liegen und poliert werden müssen. Jedoch ist noch nicht bekannt, wie viel Material abgetragen werden muss.“ Die Informationen über den Materialabtrag können über ein mobiles Rauheitsmessgerät und alternativ aus den Grauwertbildern der Industriekamera bestimmt werden. Im Projekt wird hierfür ein neuronales Netzwerk verwendet, das aus Frequenzinformationen die Rauheit prognostizieren kann. Über diese Methode konnte die Rauheit mit einem R2-Wert von 0,89 auf den Testdaten vorhergesagt werden. Voelker: „In der zweiten Projekthälfte wollen wir die Methoden nun im industriellen Umfeld untersuchen.“
Für die automatische Bestimmung der Bearbeitungsstrategie und Prozessstellgrößen werden Methoden des maschinellen Lernens (ML) verwendet. „Um ML-Modelle zu trainieren, müssen die erforderlichen Daten im Vorfeld vorhanden sein. In der Praxis bedeutet dies, dass vor der Anwendung nicht wertschöpfende Versuche durchgeführt werden müssen. Effizienter ist es, während des Fertigungsprozesses kontinuierlich Daten aufzunehmen und das ML-Modell damit anzupassen“, so Voelker.
Im Rahmen des Projekts wird daher das inkrementelles Lernverfahren umgesetzt, um das Netzwerk iterativ zu verbessern. Mit einem R2-Wert von 0,92 konnte das inkrementellen Lernens für den Anwendungsfall der Bestimmung der Bearbeitungsstrategie und Prozessstellgrößen validiert werden.
Die erzielten Ergebnisse wurden anschließend auf die mobile Werkzeugmaschine „Bart“ der Picum MT GmbH übertragen. „Es konnte gezeigt werden, dass mit der mobilen Maschine eine hohe Prozesssicherheit erreicht werden konnte“ sagt Hendrik Voelker. Durch den Unterschied der Kinematik zu einer konventionellen Werkzeugmaschine muss das ML-Modell zur Bestimmung der Bearbeitungsstrategie und Prozessstellgrößen noch mit zusätzlichen Daten in Zukunft angepasst werden.
Wir danken dem Bundesministerium für Wirtschaft und Klimaschutz (BMWK) und der AiF Projekt GmbH für die Förderung des ZIM Kooperationsprojekt KK5032721EW2 und der Picum MT GmbH für die hervorragende Kooperation im Rahmen des Projekts.
Kontakt:
Für weitere Informationen steht Ihnen Hendrik Voelker, Institut für Fertigungstechnik und Werkzeugmaschinen der Leibniz Universität Hannover, unter Telefon +49 511 762 8078 oder per E-Mail (voelkerifw.uni-hannover.de) gern zur Verfügung.
