IGF-Projekt: 01IF22461N (2022 - 2024)
Die Qualität hochpräziser optischer Komponenten ist entscheidend für die Innovationsentwicklung in Wachstumsmärkten wie Luft- und Raumfahrt, Unterhaltungselektronik und Medizintechnik. Die optischen Komponenten müssen insbesondere eine hohe Formgenauigkeit und eine hohe Oberflächenqualität aufweisen. Bei der Produktion anspruchsvoller technischer Optiken sowie dünner Abdeckgläser für Displays und Sensoren hat vor allem die Heißformgebung aufgrund ihrer guten Skalierbarkeit und der Möglichkeit, komplexe Geometrien herzustellen, eine bedeutende Rolle eingenommen. Die bisher genutzten Verfahren ermöglichen allerdings keine effiziente prozessbegleitende Erfassung der Temperaturverteilung, die jedoch das Fließverhalten des Glases und dadurch die Qualität der Optiken nicht unerheblich beeinflusst.
Durch Vorhersage und Berücksichtigung des Glas-Fließverhaltens mithilfe einer automatisierten hybriden Modellierung unter Nutzung künstlicher Intelligenz (KI) sollte die Optimierung des Heißformgebungsprozesses ermöglicht werden. Dazu sollte im Projekt OptiMassKI ein Automated Machine-Learning- (AutoML-) Modell mit Sensordaten trainiert, mit rheologischen Modellen kombiniert und in bedienungsfreundliche Software implementiert werden.
Das zu erstellende hybride Modell sollte einen mit Sensordaten zu trainierenden Black-Box-Teil und einen mit geeigneten rheologischen Modellen, Expertenwissen oder mithilfe von Simulationen zu trainierenden White-Box-Teil umfassen.
Die teilweise komplexen Zusammenhänge, die zu Formfehlern und Defekten führen, sind schwer oder unzureichend messbar. Mithilfe von KI lassen sich jedoch die vorhandenen Prozessdaten effizient analysieren und modellieren. Durch die innovative hybride Modellierung bestehend aus datenbasiertem AutoML-Modell und Expertenwissen kann die benötigte Datenmenge erheblich verringert werden. Tiefgehendes Fachwissen des Bedieners zur Betreibung des AutoML-Modells wird nicht benötigt.
Es wurde ein Software-Tool entwickelt, das die automatisierte Generierung von AutoML-Modellen ohne Expertenwissen ermöglicht. Das Tool nutzt hybride Modellansätze, die die Integration kontinuierlich erfasster Prozessdaten erlauben. Durch den Praxis-Einsatz des Software-Tools wurde bei der Produktion von Optiken eine Formgenauigkeit im einstelligen Mikrometerbereich erreicht.
Während der Produktion von Linsen als Demonstratoren durch nicht-isothermes Blankpressen wurden kontinuierlich Prozessdaten erfasst. Nach Herstellung der Linsen erfolgte ihre präzise Vermessung, wobei die Formabweichung als kritischer Qualitätsparameter herangezogen wurde. Auf Basis dieser Daten wurden verschiedene Modellkonfigurationen entwickelt. Die hybriden Modelle kombinierten das Training von Machine-Learning-Algorithmen mit White-Box-Modellen und Simulationen auf Basis der Finite-Elemente-Methode (FEM). Als Benchmark wurde ein Modell komplett automatisiert erstellt, ohne Zugrundelegung von Expertenwissen.
Eine Modellkonfiguration mit auf Expertenwissen-basierenden Parameterwerten, die in ein ML-Modell gespeist wurden, zeigte eine hervorragende Formgenauigkeit mit einer Abweichung von der Solloberfläche des Benchmark-Modells von nur 1,5 μm. Die Performance der hybriden Modellkombination aus einem datengetriebenen Optimierungsalgorithmus und einer FEM-Simulation des Glaspressprozesses lag aufgrund des hohen Simulationsaufwands deutlich hinter der des Benchmark-Modells und der mit manueller Feature-Extraktion.
In der Konfigurationsphase werden Anforderungen und Use-Case-Beschreibungen an das Software-Tool übergeben. In dieser Phase können Nutzer historische Prozessdaten laden, die durch eine integrierte Datenpipeline verarbeitet werden. In der Nutzungsphase steht das derart optimierte hybride Modell mit verknüpfter Datenpipeline zur Verfügung. Zudem können neue Daten aus der Serienfertigung genutzt werden, um Vorhersagen über das Fließverhalten des Glases zu treffen, wodurch Qualitätsparameter leichter bestimmt und mangelhafte Produkte frühzeitig ausgeschlossen werden können.
Durch die Projektergebnisse können Hersteller hochpräziser optischer Komponenten oder auf Glasverarbeitung spezialisierte KMU ohne weiteren Personalaufbau KI nutzen. Das entwickelte Software-Tool unterstützt die Optimierung der Produktionsprozesse bei gestiegenen Stückzahlen und hohen Qualitätsanforderungen an Formgenauigkeit und Rauheit, indem auf Basis vorausgesagter Qualitätsparameter Prozessparameter effizient angepasst werden können. Das Tool ermöglicht zudem eine automatisierte Prozessdaten-Analyse. Damit lassen sich Ausschussraten signifikant reduzieren und Standzeiten der Formwerkzeuge erhöhen. Diese ressourceneffizientere Produktion hilft vor allem kapitalschwächeren KMU. Der modulare Aufbau des Software-Tools erlaubt direktes Einfließen der Projektergebnisse in die Produktionsprozesse der Unternehmen.
Laufzeit: 01.05.2022 - 31.12.2024
Beteiligte Forschungseinrichtung
Eingebundene Unternehmen
(Projektbegleitender Ausschuss, "PA")
Von diesen Unternehmen beteiligten sich die Unternehmen INGENERIC GmbH, son-x GmbH, Vitrum Technologies GmbH und WALTEC Maschinen GmbH an der Deckung der auf freiwilliger Basis durch die Wirtschaft zu tragenden Administrationskosten.
BMWE-Förderung
Abschließende Ergebnisse
Weitere Informationen für eingebundene PA-Unternehmen