VIML: Informiertes Maschinelles Lernen für die Zerspanung

VIML ist ein Forschungsprojekt von Fraunhofer IWU und Fraunhofer ITWM zur Entwicklung wissens- und datenbasierter Vorhersagemodelle für Werkzeugverschleiß und Werkstückqualität in Zerspanungsprozessen. Dazu kombiniert VIML Prozess- und Sensordaten mit formalisiertem Expertenwissen im Ansatz des Informierten Maschinellen Lernens (IML).

Für industrielle Zerspanungsprozesse stehen häufig nur begrenzte und wenig variierende Trainingsdaten zur Verfügung. Gleichzeitig können Prozessrauschen undkomplexe Wechselwirkungen zwischen Werkzeug, Werkstoff und Maschine die Vorhersage von Verschleiß und Qualität erschweren.

Hinzu kommen Herausforderungen im Werkzeug- und Formenbau:

• Fachkräftemangel und demografischer Wandel: Erfahrungswissen muss langfristig gesichert werden.
• Hoher Wettbewerbsdruck: Fertigungsprozesse müssen kontinuierlich optimiert werden.
• Begrenzte Trainingsdaten: Klassische Machine-Learning-Verfahren benötigen häufig große Mengen hochwertiger Daten.
• Prozessrauschen: Schwankungen erschweren zuverlässige Vorhersagen.

VIML untersucht deshalb, wie strukturiertes Expertenwissen genutzt werden kann, um ML-Modelle auch für datenarme und verrauschte Fertigungsprozesse nutzbar zu machen.

Informiertes Maschinelles Lernen (IML) kombiniert maschinelle Lernverfahren mit domänenspezifischem Expertenwissen. Im Projekt VIML werden dafür Informationen aus dem Zerspanungsprozess mit systematisch erfasstem und formalisiertem Fachwissen verbunden.

Verwendete Informationsquellen

Durch die Kombination beider Informationsquellen können Vorhersagemodelle auch dann belastbare Ergebnisse liefern, wenn nur wenige Trainingsdaten verfügbar sind oder die Prozesse starken Schwankungen unterliegen.

Im Fokus stehen zwei zentrale Zielgrößen:

Darüber hinaus werden Methoden zur automatischen Anomalieerkennung entwickelt. Damit sollen beispielsweise ungewöhnliche Prozesszustände, Werkzeugschäden oder Maschinenabweichungen frühzeitig erkannt werden.

Die Entwicklung erfolgt in mehreren Schritten:

1. Anwendungsfälle und Zielgrößen definieren
2. Eingangs-, Prozess- und Qualitätsgrößen bestimmen
3. Versuchsanlage und Messsysteme für die Datenerfassung qualifizieren
4. Expertenwissen erfassen und formalisieren
5. Sensordaten und Expertenwissen im IML-Modell kombinieren
6. Vorhersagemodelle validieren
7. Modelle auf weitere Werkstoffe und Werkzeuge übertragen
8. Anomaliedetektion und multikriterielle Prozessoptimierung integrieren

Als Projektergebnis entsteht ein praxisnaher Softwareprototyp für die ML-gestützte Fertigungsüberwachung.

Der Prototyp soll:

• Werkzeugverschleiß und Werkstückqualität prognostizieren
• Prozessanomalien automatisch erkennen
• multikriterielle Prozessoptimierung unterstützen
• den Einsatz von Machine Learning auch in datenarmen Fertigungsumgebungen ermöglichen.

Der Ansatz verbindet Sensordaten, Expertenwissen und maschinelles Lernen in einem gemeinsamen Modellierungsansatz. Daraus ergeben sich insbesondere folgende Potenziale:

• präzisere Vorhersagen bei begrenzten Trainingsdaten
• frühzeitige Erkennung von Werkzeugverschleiß und Prozessanomalien
• datenbasierte Optimierung von Zerspanungsprozessen
• digitale Sicherung und Nutzung von Expertenwissen
• Reduzierung von Ausschuss und Verbesserung der Prozesssicherheit