Machine-Learning-basierte Prozessregelung beim Presshärten

Prozess und Motivation

Das Presshärten ist eine Schlüsseltechnologie zur Fertigung crash-relevanter Bauteile in der Automobilindustrie. Dabei wird Blech in Industrieöfen erhitzt und anschließend mit robotergesteuerten Greifern in eine Presse gelegt. Dort erhält das Blech dann seine finale Form, kühlt gleichzeitig ab und härtet aus. So entstehen bspw. gewichtsoptimierte Strukturbauteile für B-Säulen im Automobilbau. Die Auslegung des Presshärteprozesses ist aufgrund vieler unterschiedlicher Prozessparameter und Abhängigkeiten eine Herausforderung. Starre Prozessparameter und große Sicherheiten verhindern eine optimale Wertschöpfung.

Am Fraunhofer IWU wurde eine Machine-Learning-basierte Prozessregelung entwickelt, um dies zu verbessern. 

Umsetzung

In den Presshärteprozess wurden Sensoren integriert, die Messungen aller wichtigen Parameter wie Blechdicke, Ofentemperatur, Handlingzeit, Presskraft oder Zuhaltezeit in Echtzeit ermöglichen. Die Maschinen- und Messdaten werden über die SPS gesammelt und von einem Datenkollektor als Pakete an die ML-Pipeline sowie die Datenbank weitergeleitet. In sechzig Versuchen wurden die Prozessparameter variiert, um eine Datengrundlage für das Training des ML-Modells zu erhalten. Damit die Genauigkeit des Modells auch bei dieser geringen Datengrundlage gewährleistet werden kann, ist in die Modellierung zusätzlich Expertenwissen eingeflossen. Alternativ können auch Simulationen genutzt werden, um mit nur wenigen experimentellen Daten gute Vorhersagegenauigkeiten zu erzielen. Das Modell wurde trainiert, um die Härte des Bauteils an definierten Messpunkten zu prognostizieren. Basierend auf diesem Vorhersagemodell wurde ein Optimierungsalgorithmus aufgesetzt, der optimale Prozessparameter (Ofentemperatur, Handlingzeit, Presskraft und Zuhaltezeit) ermittelt, um die Härtespezifikation bei gleichzeitig möglichst geringem Energiebedarf zu erreichen. Das gleiche Vorgehen lässt sich ebenfalls nutzen, um andere Zielstellungen zu verfolgen (z. B. geringe Taktzeit, ...).

Ergebnis

Das Vorhersagemodell und der Optimierungsalgorithmus wurden in ein Software-Tool integriert. Dieses ermöglicht die Datenspeicherung,die Visualisierung von sensorischen Daten und Modellvorhersagen sowie die automatische Anpassung der Prozessparameter basierend auf der Optimierung. Das Konzept und die entwickelten Komponenten lassen sich auch in anderen Fertigungsprozessen anwenden.