CICAM – Computational Intelligence for Computer-aided Manufacturing

Die Additive Fertigung hat in den letzten Jahren immer mehr an Bedeutung in der industriellen Produktion gewonnen, insbesondere die draht- und lichtbogenbasierte Additive Fertigung (engl.: wire arc additive manufacturing, WAAM) und damit auch die spanende Nachbearbeitung. Im Forschungsprojekt CICAM werden Methoden des bestärkenden Lernens (engl.: reinforcement learning) für den Einsatz in der rechnergestützten Prozessplanung für die hybride Prozesskette, bestehend aus WAAM und spanender Nachbearbeitung, entwickelt.

Motivation

Die vielseitigen Einsatzmöglichkeiten von WAAM führen zu einem erhöhten Interesse an der Erforschung und der industriellen Anwendung dieses Fertigungsverfahrens. WAAM-gefertigte Werkstücke weisen jedoch eine geringe Oberflächengüte auf, weshalb zur Sicherstellung der Maßhaltigkeit und einer hohen Bauteilqualität in der Regel eine spanende Nachbearbeitung erforderlich ist. Durch eine gemeinsame Auslegung der beiden Prozesse (WAAM und spanende Nachbearbeitung) zur verbesserten Abstimmung der Fertigungsprozesse aufeinander steigt die Komplexität in der rechnergestützten Prozessplanung.

Zielsetzung

Im Rahmen des Forschungsprojektes CICAM wird die automatisierte CAM-Planung (CAM: computer-aided manufacturing, dt.: rechnergestützte Fertigung) der hybriden Fertigungsprozesskette ermöglicht, bestehend aus WAAM und spanender Nachbearbeitung (Fräsen). Das bestärkende Lernen ermöglicht es dabei, den hohen Komplexitätsgrad in der CAM-Planung zu bewältigen. Ziel von CICAM ist die erstmalige, prototypische Umsetzung von modernen Verfahren der künstlichen Intelligenz und des bestärkenden Lernens zur teilautomatisierten rechnergestützten Prozessplanung.

Vorgehen

In dem Projekt wird ein Software-Framework aufgebaut, in welchem ein virtueller Agent dazu ermächtigt wird, mit Prozesssimulationen zu interagieren. Durch den Agenten wird die bestmögliche Fertigungsstrategie durch die Wahl optimaler Prozessparameter (z. B. die Vorschubgeschwindigkeit) identifiziert.

Im ersten Arbeitsschritt werden die einzelnen Prozessmodelle aufgebaut. Dazu gehören das Auftragsmodell für den WAAM-Prozess und das Prozesskraftmodell für die spanende Nachbearbeitung. Im nächsten Schritt erfolgt der Aufbau des Software-Frameworks, bestehend aus einem Agenten, dessen Interaktionsumgebung sowie einer Kostenfunktion. Innerhalb der Interaktionsumgebung, welche durch die Prozesssimulationen abgebildet wird, kann der Software-Agent verschiedene Aktionen auswählen. Mögliche Aktionen sind beispielsweise die Veränderung der Vorschubgeschwindigkeit oder der Spindeldrehzahl. Zur quantitativen Bewertung der gewählten Aktionen des Agenten wird eine zuvor definierte Kostenfunktion verwendet. Die Kostenfunktion berücksichtigt beispielsweise die Maschinenbelegungszeit, die Werkstoffkosten, den Werkzeugverschleiß und die Bauteilqualität. Eine Iteration innerhalb des Frameworks besteht aus der Interaktion des Agenten mit seiner Umgebung, gefolgt von den resultierenden Simulationen und schlussendlich einer quantitativen Bewertung der Simulationsergebnisse über die Kostenfunktion. Durch mehrmaliges Iterieren erhält der Agent eine Rückmeldung über die Güte der gewählten Aktionen. Damit lernt er, welche Parameterkombinationen in der optimalen Fertigungsstrategie für die hybride Prozesskette resultiert. Abschließend erfolgt eine schrittweise Validierung des Gesamtsystems. Mithilfe von experimentellen Versuchen soll sichergestellt werden, dass das Framework die Fertigungsprozesse in ausreichender Güte abbildet und dass die Anwendbarkeit des Systems gewährleistet ist.

Nutzen

Durch CICAM können auf Basis von gerichteten Lernmechanismen optimale Fertigungsparameter und Bearbeitungsstrategien für das WAAM und die spanende Nachbearbeitung identifiziert werden, wodurch Anwendende bei der Strategieauswahl und -optimierung im Rahmen der Prozessplanung unterstützt werden. Dies erlaubt eine kosten- und ressourceneffiziente Fertigung und trägt einen Beitrag zur Erreichung der Klimaziele der Europäischen Union bei.

Danksagung

Dieses Forschungsprojekt wird durch das Bayerische Verbundforschungsprogramm (BayVFP) des Bayerischen Staatsministeriums für Wirtschaft, Landesentwicklung und Energie im Zuge der Förderlinie „Digitalisierung“ gefördert und von dem Projektträger VDI/VDE Innovation + Technik GmbH betreut. Wir danken dem BayVFP für die Förderung und dem VDI/VDE-IT für die Betreuung sowie für die gute und vertrauensvolle Zusammenarbeit.