Zukunft der Produktionstechnik
Industrielles Reinforcement Learning zur Qualitätsregelung von Massivumformprozessen
Instabilitäten aufgrund von externen Einflussgrößen, unbekannten Wirkzusammenhängen zwischen Prozessparametern oder Qualitätsmerkmalen von Produkten führen in Massivumformprozessen trotz vorhandener Prozessregelungen häufig zu Ausschuss. Aktuelle Regelkonzepte basieren auf implizitem Bedienerwissen und setzen auf eine manuelle Anpassung der Prozessparameter. Dabei ist es oftmals nicht möglich, die Prozesse rechtzeitig anzupassen, um die Fertigungstoleranzen der Produkte einzuhalten. Ein Mittel zur übergreifenden Kompensation von Qualitätsabweichung sind Qualitätsregelkreise. In Kombination mit Ansätzen des maschinellen Lernens, hier dem Reinforcement Learning und dem Transfer Learning, bieten sie das Potenzial den Ausschuss zu reduzieren. Dies geschieht über eine automatische Adaption der Anlagenparameter bei auftretenden Instabilitäten.
Das Ziel des Forschungsprojektes „IRLeQuM“ ist daher die Entwicklung eines auf Reinforcement und Transfer Learning basierenden Verfahrens zur Implementierung von neuartigen Reglern in Qualitätsregelkreisen von Massivumformprozessen.
Damit eine Reinforcement Learning fundierte Regelung ermöglicht werden kann, wird zunächst die notwendige IT-Infrastruktur definiert und umgesetzt. Eine solche Regelung bietet die Vorteile, dass zum einen alle qualitätsrelevanten Informationen, wie Prozessparameter, Umgebungsbedingungen oder Rohstoffeigenschaften, in die Regelung mit einbezogen werden können. Zum anderen kann das implizite Bedienerwissen der Regelung dauerhaft nutzbar gemacht werden.
Um die Anlernzeit des Reinforcement-Learning-Algorithmus zu reduzieren und Ressourcen zu schonen, wird er nicht direkt am Realprozess trainiert, sondern an einer stochastischen Prozesssimulation. Die an der Simulation gewonnenen Erkenntnisse werden anschließend mittels Transfer Learning auf den Qualitätsregelkreis des Regelkreises übertragen. Das Ergebnis des Forschungsprojekts wird dadurch eine Qualitätsregelung von Massivumformprozessen sein, welche automatisiert, umfassend und in Echtzeit Prozesse regelt und die Qualität der Prozesse optimiert. Die gesteigerte Prozessqualität erhöht wiederum die Qualität der Produkte und reduziert den Ausschuss.
Das Forschungsprojekt „IRLeQuM“, mit einer Projektdauer von drei Jahren, ist zum ersten Juni 2021 gestartet und wird in Zusammenarbeit des Lehrstuhls für Fertigungsmesstechnik und Qualitätsmanagement, des Lehrstuhls für Technologie der Fertigungsverfahren (beide vom Werkzeugmaschinenlabor WZL der RWTH Aachen) sowie den Unternehmen Mubea Tailor Rolled Blanks GmbH (Konsortialführer), Eichsfelder Schraubenwerke GmbH, IconPro GmbH, Schomäcker Federnwerk GmbH, Quality Automation GmbH und den assoziierten Partnern MAWI GmbH und Schuler Pressen GmbH durchgeführt.
Förderhinweis:
Das Forschungs- und Entwicklungsprojekt „IRLeQuM“ wird durch das Bundesministerium für Bildung und Forschung (BMBF) im Programm „Zukunft der Wertschöpfung – Forschung zu Produktion, Dienstleistung und Arbeit“ (Förderkennzeichen 02P20A073) gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.
Instabilitäten aufgrund von externen Einflussgrößen, unbekannten Wirkzusammenhängen zwischen Prozessparametern oder Qualitätsmerkmalen von Produkten führen in Massivumformprozessen trotz vorhandener Prozessregelungen häufig zu Ausschuss. Aktuelle Regelkonzepte basieren auf implizitem Bedienerwissen und setzen auf eine manuelle Anpassung der Prozessparameter. Dabei ist es oftmals nicht möglich, die Prozesse rechtzeitig anzupassen, um die Fertigungstoleranzen der Produkte einzuhalten. Ein Mittel zur übergreifenden Kompensation von Qualitätsabweichung sind Qualitätsregelkreise. In Kombination mit Ansätzen des maschinellen Lernens, hier dem Reinforcement Learning und dem Transfer Learning, bieten sie das Potenzial den Ausschuss zu reduzieren. Dies geschieht über eine automatische Adaption der Anlagenparameter bei auftretenden Instabilitäten.
Das Ziel des Forschungsprojektes „IRLeQuM“ ist daher die Entwicklung eines auf Reinforcement und Transfer Learning basierenden Verfahrens zur Implementierung von neuartigen Reglern in Qualitätsregelkreisen von Massivumformprozessen.
Damit eine Reinforcement Learning fundierte Regelung ermöglicht werden kann, wird zunächst die notwendige IT-Infrastruktur definiert und umgesetzt. Eine solche Regelung bietet die Vorteile, dass zum einen alle qualitätsrelevanten Informationen, wie Prozessparameter, Umgebungsbedingungen oder Rohstoffeigenschaften, in die Regelung mit einbezogen werden können. Zum anderen kann das implizite Bedienerwissen der Regelung dauerhaft nutzbar gemacht werden.
Um die Anlernzeit des Reinforcement-Learning-Algorithmus zu reduzieren und Ressourcen zu schonen, wird er nicht direkt am Realprozess trainiert, sondern an einer stochastischen Prozesssimulation. Die an der Simulation gewonnenen Erkenntnisse werden anschließend mittels Transfer Learning auf den Qualitätsregelkreis des Regelkreises übertragen. Das Ergebnis des Forschungsprojekts wird dadurch eine Qualitätsregelung von Massivumformprozessen sein, welche automatisiert, umfassend und in Echtzeit Prozesse regelt und die Qualität der Prozesse optimiert. Die gesteigerte Prozessqualität erhöht wiederum die Qualität der Produkte und reduziert den Ausschuss.
Das Forschungsprojekt „IRLeQuM“, mit einer Projektdauer von drei Jahren, ist zum ersten Juni 2021 gestartet und wird in Zusammenarbeit des Lehrstuhls für Fertigungsmesstechnik und Qualitätsmanagement, des Lehrstuhls für Technologie der Fertigungsverfahren (beide vom Werkzeugmaschinenlabor WZL der RWTH Aachen) sowie den Unternehmen Mubea Tailor Rolled Blanks GmbH (Konsortialführer), Eichsfelder Schraubenwerke GmbH, IconPro GmbH, Schomäcker Federnwerk GmbH, Quality Automation GmbH und den assoziierten Partnern MAWI GmbH und Schuler Pressen GmbH durchgeführt.
Förderhinweis:
Das Forschungs- und Entwicklungsprojekt „IRLeQuM“ wird durch das Bundesministerium für Bildung und Forschung (BMBF) im Programm „Zukunft der Wertschöpfung – Forschung zu Produktion, Dienstleistung und Arbeit“ (Förderkennzeichen 02P20A073) gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren.