Projektbeschreibung

Hintergrund:

Vor dem Hintergrund hochvolatiler Märkte soll bestehende hochautomatisierte Serienfertigung („Lights-Out-Manufacturing“) hin zu einer autonomen und universellen Fertigung mit neuen, flexiblen und intelligenten Fertigungsmaschinen ausgebaut werden („Universal-Lights-Out-Manufacturing“). Das Universal-Lights-Out-Manufacturing ermöglicht es, neue Materialien und Technologien ohne Zeitverzug in die Serienfertigung aufzunehmen und Produkte hochindividuell zu fertigen. Dazu sollen universelle Fertigungsanlagen die Entwicklung und Optimierung von Fertigungsprozessen und Prozessketten selbstständig durchführen.

Ziel:

In diesem Kontext verfolgt das Forschungsprojekt das Ziel, Ansätze zu entwickeln, bei denen ausgehend von durch Menschen formulierten Produktanforderungen die gesamte Prozesskette autonom durchgeführt wird – von der Planung und Parametrierung der Fertigungsprozesse über die Orchestrierung möglicher Versuche bis hin zur Fertigung und Bewertung des Endprodukts. Durch die Lernfähigkeit und den gegenseitigen Wissensaustausch der Maschinen werden diese Systeme im Laufe der Zeit kontinuierlich leistungsfähiger. Das führt zu exzellenter, sich stetig verbessernder Fertigungsqualität bei gleichzeitig niedrigen Kosten, erhöhter Flexibilität und Produktivität. Damit wird der Produktionsstandort Baden-Württemberg widerstandsfähig gegenüber dem Fachkräftemangel und langfristig wettbewerbsfähig im globalen Umfeld. Die entwickelten Lösungen sollen exemplarisch anhand von Anwendungsbeispielen aus der laserbasierten Fertigung demonstriert werden.

Beitrag:  

Innerhalb des Forschungsprojektes „AutoUniManu“ entwickelt das IFL erklärbare Lernsysteme (xAI) zur autonomen Auswahl relevanter Prozessparamter in laserbasierten Fertigungsprozessen. Die Auswahl der relevanten Parameter und Parameterkombinationen werden bisher oft manuell durchgeführt, was sehr anspruchsvoll ist und zu Fehlern führt und teure Versuche erforderlich macht. Hier können Methoden der xAI datenbasierte Prozessmodelle nutzen, um Erkenntnisse über Einflussgrößen und Wechselwirkungen zugrundeliegender physikalischer Prozesse gewinnen, deren analytische Modellierung mit erheblichen Aufwand verbunden ist.