Einleitung

Maschinelles Lernen hat sich rasch von einer Forschungskuriosität zu einem praktischen Werkzeug entwickelt, das Fertigungsprozesse umgestaltet. Im Bereich der Umformprozesse - wo Rohstoffe unter Kraft geformt werden, um Komponenten für die Automobil-, Luft- und Raumfahrtindustrie und die Schwermaschinenindustrie zu schaffen - bietet ML einen Weg zu einer strengeren Prozesskontrolle und einer höheren Qualitätssicherung. Traditionelle Umformlinien beruhen auf festen Rezepturen, manuellen Anpassungen und Nachprüfungen, die alle Variabilität und Abfall einführen. Durch die Einbettung von ML-Modellen in den Regelkreis können Hersteller Parameter adaptiv optimieren, Fehler vorhersagen, bevor sie auftreten, und die Produktqualität bei Produktionsgeschwindigkeit überprüfen. Dieser Artikel untersucht, wie maschinelle Lerntechniken angewendet werden, um die Steuerung des Umformprozesses und die Qualitätssicherung zu verbessern, spezifische Algorithmen, Datenanforderungen, Implementierungsherausforderungen und reale Ergebnisse.

Den Formungsprozess verstehen

Umformprozesse umfassen eine breite Palette von Techniken, die verwendet werden, um ein Werkstück - typischerweise Metall oder Kunststoff - in eine gewünschte Form zu verformen, ohne Material zu entfernen. Übliche Methoden sind das Prägen, Schmieden, Extrudieren, Walzen und Tiefziehen. Jeder Prozess beinhaltet eine genaue Kontrolle von Parametern wie Kraft, Temperatur, Geschwindigkeit, Schmierung und Werkzeuggeometrie. Selbst geringfügige Abweichungen vom Ziel können zu Defekten führen: Risse, Ausdünnung, Rückfederung, Oberflächenmarkierungen oder Dimensionsfehler. In der Vergangenheit verließen sich die Prozessingenieure auf empirisches Wissen und Trial-and-Error-Anpassungen, um die Qualität zu erhalten. Dieser Ansatz wird, obwohl funktional, ineffizient, wenn die Produktkomplexität zunimmt und die Produktionsmengen steigen.

Die Physik der plastischen Verformung ist nichtlinear und oft mit thermischen und tribologischen Effekten verbunden. Zum Beispiel beeinflusst beim Warmschmieden die Werkstücktemperatur die Fließspannung und den Werkzeugverschleiß, während beim Stanzen von Blechen, beim Ziehen von Blechhaltern und beim Ziehen von Wulsten der Materialfluss kontrolliert wird. Diese Wechselwirkungen analytisch zu erfassen ist schwierig, wodurch sich datengesteuerte Machine-Learning-Modelle auszeichnen. Sie können die Zuordnung zwischen Prozesseingaben und Qualitätsausgaben aus historischen Produktionsdaten lernen und diese Zuordnung dann verwenden, um Ergebnisse vorherzusagen oder Korrekturmaßnahmen in Echtzeit vorzuschlagen.

Machine Learning Grundlagen für die Fertigung

Bevor man in spezifische Anwendungen eintaucht, ist es nützlich, die Hauptkategorien des maschinellen Lernens zu überprüfen, die für Umformprozesse relevant sind. Beaufsichtigtes Lernen verwendet gekennzeichnete Daten, um ein Modell zu trainieren, das eine Zielvariable vorhersagt - zum Beispiel Vorhersagen, ob ein gestempeltes Teil einen Riss (binäre Klassifizierung) oder die endgültige Dicke nach der Extrusion (Regression) hat. Unbeaufsichtigtes Lernen findet Muster in unbeschrifteten Daten, die oft für die Anomalieerkennung verwendet werden - Flaggenprozesszustände, die vom normalen Betrieb abweichen. Verstärktes Lernen trainiert einen Agenten, um sequentielle Aktionen zu ergreifen (z. B. die Anpassung der Druckkraft jede Sekunde), um ein Belohnungssignal zu maximieren (z. B. Teilequalität) und ist gut geeignet für Online-Prozessoptimierung.

Übliche Algorithmen in industriellen ML umfassen zufällige Wälder, Gradientenverstärkungsmaschinen, unterstützende Vektormaschinen und tiefe neuronale Netze. Die Auswahl hängt von der Datengröße, der Komplexität der Funktionen und der Notwendigkeit der Interpretierbarkeit ab. Beispielsweise kann ein zufälliger Wald Ranglisten für die Bedeutung der Funktionen liefern, die Ingenieuren helfen zu verstehen, welche Sensorsignale die Qualität am meisten beeinflussen - eine entscheidende Anforderung, wenn Modelle in einer Werkstatt eingesetzt werden, in der Erklärbarkeit für Vertrauen und Fehlersuche von Bedeutung ist.

Überwachtes Lernen für Fehlervorhersage

Eine der einfachsten Anwendungen des überwachten Lernens ist die Fehlervorhersage. Während eines Umformzyklus erfassen Sensoren Zeitreihendaten von Wägezellen, Thermoelementen, Wegaufnehmern und Beschleunigungsmessern. Diese Signale werden zusammen mit statischen Parametern wie Materialchargen- und Werkzeuggeometrie zu Merkmalen für ein Modell, das eine Fehlerwahrscheinlichkeit ausgibt. Ein Gradienten-verstärkter Baum kann beispielsweise lernen, Bedingungen zu kennzeichnen, die einer sichtbaren Teilung oder einer dimensionalen Nichtkonformität vorausgehen. Forscher haben eine Genauigkeit von über 95% für die Klassifizierung von guten gegenüber defekten Stempeln mit Ensemblemodellen gemeldet, die auf Tausenden von Zyklen trainiert wurden (Journal of Materials Processing Technology, 2020).

Um ein solches Modell in der Produktion einzusetzen, müssen Ingenieure das Klassenungleichgewicht angehen – Fehler sind in einer gut geführten Linie selten. Techniken wie SMOTE (Synthetic Minority Over-sampling Technique) oder kostensensibles Training helfen dem Modell, auf die Minderheitsklasse zu achten. Darüber hinaus kann die Entscheidungsschwelle des Modells so abgestimmt werden, dass Fehlalarme (die unnötige Stopps verursachen) gegen verpasste Defekte (die das Weiterfahren von fehlerhaften Teilen ermöglichen) ausgeglichen werden.

Unüberwachtes Lernen für Anomalieerkennung

Nicht alle Formfehler sind bekannt oder gekennzeichnet. Werkzeugverschleiß, Schmierungsausfall oder plötzliche Materialeigenschaftenverschiebungen können neuartige Fehlermodi erzeugen. Unbeaufsichtigte Anomalieerkennungsmodelle - wie Autoencoder, Einklassen-SVMs oder Isolationswälder - können die Verteilung normaler Prozesssignaturen lernen und jede Abweichung markieren. Beispielsweise weist ein Autoencoder, der an Sensorfenstern vor guten Stempelungen trainiert ist, einen hohen Rekonstruktionsfehler auf, wenn Daten von einer Stufe mit einem gerissenen Stempel zugeführt werden. Dieser Ansatz ist besonders wertvoll für die vorausschauende Wartung, die später diskutiert wird.

In der Praxis muss die Anomalieschwelle sorgfältig festgelegt werden. Anlageningenieure verwenden oft eine Kombination aus statistischen Prozesskontrollregeln (SPC) und ML-abgeleiteten Anomaliewerten, um falsch positive Werte zu reduzieren. Die Integration von SPC und ML bietet eine geschichtete Verteidigung: SPC fängt allmähliche Verschiebungen auf, während ML komplexe multivariate Anomalien erkennt, die SPC möglicherweise verfehlen.

Reinforcement Learning für Prozessoptimierung

Das Verstärkungslernen (RL) bietet eine Möglichkeit, Prozessparameter in Echtzeit kontinuierlich zu optimieren. In einer Formlinie kann der RL-Agent den aktuellen Zustand beobachten (z. B. Temperatur, Tonnage, Dickenmessungen) und eine Aktion auswählen (z. B. Erhöhung der Kraft des Leerlaufhalters um 2%). Die Umgebung geht dann in einen neuen Zustand über und gibt eine Belohnung basierend auf Teilequalität und Zykluszeit. Über Hunderte oder Tausende von Episoden lernt der Agent eine Politik, die die kumulative Belohnung maximiert. Verstärkungslernen ist besonders vielversprechend für Prozesse mit mehreren interagierenden Parametern, wie z. B. Tiefziehen, bei denen die Kraft des Leerlaufhalters, die Stanzgeschwindigkeit und die Schmierung auf komplexe Weise interagieren.

Eine Herausforderung ist die Beispieleffizienz: Reale Umformvorgänge können sich keine Zehntausende von Trial-and-Error-Zyklen leisten. Aus diesem Grund verwenden viele RL-Implementierungen einen digitalen Zwilling - eine hochpräzise Simulation des Prozesses -, um den Agenten vor dem Einsatz vorzutrainieren. Einmal auf der physischen Linie, verfeinert der Agent seine Politik mit begrenzter realer Erkundung. Eine Studie aus dem Procedia CIRP (2022) zeigte, dass ein RL-Agent, der auf einer FE-Simulation eines Blechstanzprozesses trainiert wurde, die Rückfederungsvariation um 32% im Vergleich zu einem festen Parametersatz reduzierte.

Datenerfassung und -aufbereitung

Der Erfolg eines ML-Projekts bei Umformprozessen hängt entscheidend von der Datenqualität und dem Datenvolumen ab. Moderne Pressen sind mit einer Vielzahl von Sensoren ausgestattet: Wägezellen am Stößel, Temperaturfühler im Werkzeug, piezoelektrische Sensoren für akustische Emissionen und lineare Encoder für die Verschiebung. Die Daten werden typischerweise mit hohen Abtastraten - Hunderte von Messungen pro Sekunde - erfasst und an ein Historiker- oder Kantengerät gestreamt. Die rohen Sensordaten sind jedoch verrauscht, hochdimensional und oft unvollständig. Vorverarbeitungsschritte umfassen Filterung (z. B. Tiefpass-Butterworth-Filter zur Entfernung von elektrischem Rauschen), Normalisierung (z-Score- oder Min-Max-Skalierung) und Segmentierung (Isolierung des Umformzyklus von Leerlauf- und Transferphasen).

Das Feature Engineering ist ebenso wichtig. Fachkenntnisse im Bereich helfen, abgeleitete Merkmale wie die Spitzentonnage, die Steigung der Kraft-Weg-Kurve und das Integral der Kraft über einen bestimmten Hubbereich zu erstellen. Diese Merkmale erfassen oft die Physik des Prozesses besser als rohe Signalwerte. Alternativ können Deep-Learning-Modelle mit konvolutionalen oder wiederkehrenden Schichten nützliche Merkmale automatisch aus Zeitreihen lernen, obwohl sie mehr Daten und Rechenressourcen erfordern.

Echtzeit-Prozesssteuerung mit ML-Modellen

Sobald ein Machine-Learning-Modell trainiert und validiert wurde, muss es in den Regelkreis integriert werden, um den Umformprozess in Echtzeit zu beeinflussen. Es gibt zwei gängige Bereitstellungsarchitekturen: Edge-Inference und Cloud-Inference. Edge-Inference führt das Modell direkt auf einer speicherprogrammierbaren Steuerung (SPS) oder einem Industrie-PC neben der Presse aus, was eine Latenz unterhalb von Millisekunden und keine Abhängigkeit von Netzwerkverbindungen bietet. Cloud-Inference hingegen zentralisiert die Modellverwaltung und ermöglicht eine Umschulung mit aggregierten Daten aus mehreren Leitungen, führt jedoch Latenz- und Konnektivitätsrisiken ein.

Ein typisches Regelschema funktioniert wie folgt: Während jedes Umformhubs werden die Sensorströme erfasst und vorverarbeitet. Das ML-Modell (z. B. ein Ensemble-Regressionsmodell, das die Teiledicke vorhersagt) läuft in weniger als 10 Millisekunden ab. Wenn die vorhergesagte Dicke außerhalb des Zielbereichs liegt, gibt die Steuerung eine Anpassung der Presseneinstellungen - möglicherweise eine Erhöhung der Schließhöhe um 0,1 mm - für den nächsten Hub aus. Diese Rückkopplungsschleife kann auch bei Materialeigenschaften Drift oder Werkzeugverschleiß eine gleichbleibende Qualität beibehalten. Beispielsweise kann ein ML-Modell beim Warmschmieden die endgültige Korngröße basierend auf Verweilzeit und Temperatur vorhersagen und dann die Schmiedegeschwindigkeit einstellen, um einen kühleren Knüppel zu kompensieren.

Eine solche adaptive Steuerung erfordert sorgfältige Sicherheitsverriegelungen. Die ML-Ausgabe muss begrenzt sein, um extreme Anpassungen zu verhindern, die die Werkzeuge beschädigen könnten. Zusätzlich ermöglicht ein manuelles Übersteuern dem Bediener, die Kontrolle zu übernehmen, wenn sich das Modell unerwartet verhält. Viele Hersteller verfolgen einen "Soft Start"-Ansatz: Das ML-System läuft wochenlang im beratenden Modus, bevor es direkt Prozessparameter ändern kann, was das Vertrauen des Bedieners stärkt.

Qualitätssicherungsverbesserungen

Über die Prozesskontrolle hinaus verbessert maschinelles Lernen die Qualitätssicherung durch automatisierte Inspektion. Bildverarbeitungssysteme mit Deep Learning können Oberflächenfehler (Kratze, Dellen, Korrosion) erkennen und geometrische Dimensionen mit Subpixelgenauigkeit messen. Faltungsneurale Netze (CNNs) dominieren diesen Raum, weil sie hierarchische Merkmale aus Bildern lernen: Kanten, Texturen und Formen. In einer Prägelinie erfassen Kameras Bilder jedes Teils unmittelbar nach dem Formen. Ein leichtes CNN (z. B. MobileNet oder eine benutzerdefinierte Architektur) kann Teile innerhalb von Millisekunden als akzeptieren/ablehnen klassifizieren und dabei Genauigkeiten von über 99% erreichen (Wissenschaftliche Berichte, 2021).

Die Kombination von Inline-Inspektion mit Prozessdaten verbessert die QA weiter. Wenn beispielsweise ein leichter Oberflächenfehler erkannt wird, kann das System ihn mit den jüngsten Sensorwerten korrelieren, um die Ursache zu identifizieren - sagen wir, einen 2 ° C Abfall der Düsentemperatur. Dieses Feedback schließt den Kreislauf: Die Qualitätsdaten sortieren nicht nur Teile, sondern lösen auch Prozessanpassungen aus, um ein Wiederauftreten zu verhindern. Hersteller, die diesen integrierten Ansatz anwenden, berichten von einer Reduzierung der Ausschussraten um 30-50% und einer signifikanten Verringerung der Nacharbeit.

Predictive Maintenance

Die vorausschauende Wartung ist eine der höchsten RoI-Anwendungen des maschinellen Lernens beim Umformen. Werkzeuge - Stempel, Stempel und Formen - erleben Verschleiß und Ermüdung über Tausende von Zyklen. Ungeplante Werkzeugfehler verursachen kostspielige Ausfallzeiten und können defekte Teile erzeugen. Vibrationsanalyse, akustische Emissionsüberwachung und Lastprofilverfolgung liefern frühe Indikatoren für eine Verschlechterung. Ein ML-Klassifikator kann die verbleibende Lebensdauer eines Werkzeugs vorhersagen, so dass die Wartung während geplanter Ausfallzeiten und nicht während einer Krise geplant werden kann.

Ein zufälliger Überlebenswald, der auf Vibrations-RMS und Spitzenamplitude von einer Schmiedepresse trainiert wird, kann beispielsweise die Ausfallwahrscheinlichkeit innerhalb der nächsten 100 Hübe abschätzen. Wartungsplaner verwenden diese Informationen, um Werkzeuge in optimalen Intervallen zu inspizieren und zu überarbeiten, wodurch die Lebensdauer der Düse um 10-20% verlängert wird, während katastrophale Bruchfälle vermieden werden. Das gleiche Modell kann auch als Anomaliedetektor verwendet werden: Wenn die Vibrationssignatur vom gelernten Alterungsmuster abweicht, kann dies auf einen anderen Fehlermodus hinweisen, wie z. B. eine Materialeinlagerung oder Fehlausrichtung.

Herausforderungen und Best Practices bei der Umsetzung

Trotz der klaren Vorteile ist der Einsatz von maschinellem Lernen in Umformprozessen nicht ohne Hindernisse. Die Datenverfügbarkeit ist ein Hauptproblem: Vielen Linien fehlt die Sensorinfrastruktur, die für die Erfassung umfassender Trainingsdaten erforderlich ist. Die Nachrüstung von Sensoren kann teuer sein und erfordert eine sorgfältige Planung, um eine Störung des Prozesses zu vermeiden. Unternehmen sollten mit einer Pilotlinie beginnen, sie gründlich instrumentieren und Daten für mindestens mehrere Monate sammeln, um genügend Prozessvariation zu erfassen.

Modellinterpretabilität ist ein weiteres Anliegen. Ingenieure und Werksleiter müssen verstehen, warum ein Modell eine bestimmte Vorhersage gemacht hat, bevor sie ihm vertrauen, um eine Presse zu steuern. Techniken wie SHAP (SHapley Additive exPlanations) und LIME (Local Interpretable Model-agnostic Explanations) können Erklärungen auf Feature-Level liefern. Die Integration dieser Erklärungen in die Bedienoberfläche schafft Vertrauen und hilft bei der Diagnose von Modellfehlern.

Change Management kann nicht übersehen werden. Betreiber, die Prozessparameter seit Jahrzehnten instinktiv festgelegt haben, können einer Black Box widerstehen, die Anpassungen vornimmt. Erfolgreiche Implementierungen beinhalten Schulungsprogramme, die erklären, wie das ML-System funktioniert, seine Grenzen und wie man bei Bedarf eingreifen kann. Viele Unternehmen verwenden auch einen schrittweisen Rollout: Erstens protokolliert das ML-System nur Empfehlungen; als nächstes schlägt es Anpassungen vor, die Betreiber akzeptieren oder ablehnen können; schließlich ist es erlaubt, Anpassungen in geschlossenen Schleifen innerhalb definierter Grenzen vorzunehmen.

Case Study: Automotive Stamping

Ein großer Automobilhersteller pilotierte ein maschinelles Lernsystem auf einer Hochgeschwindigkeits-Progressivstanzlinie, die Karosserieteile herstellte. Die Linie hatte eine historische Ausschussrate von 4,2% aufgrund von Splits und Dünnstellen. Ein Team installierte zusätzliche Kraftsensoren und Temperaturfühler an der Düse und sammelte Daten von 50.000 Schlägen. Sie trainierten einen Gradientenverstärker, um die Wahrscheinlichkeit einer Spaltung für jedes Teil vorherzusagen, unter Verwendung von Merkmalen wie Spitzentonnage, Kraftkurvensteigung und Temperaturgradient über die Düse.

Das Modell erreichte einen Rückruf von 92 % für defekte Teile mit einer Genauigkeit von 78 %. Bei der Integration in die Liniensteuerung wurde die Kraft des Rohlinghalters automatisch um ± 5 % zwischen den Hüben auf der Grundlage des prognostizierten Defektrisikos angepasst. Innerhalb von drei Monaten sank die Ausschussrate auf 1,1 % und die Linie produzierte konsistentere Teile mit weniger Werkzeugeinstellungen. Der OEM schätzte eine Amortisationszeit von weniger als acht Monaten, vor allem aufgrund von Materialeinsparungen und reduzierten Stillstandszeiten für Qualitätskontrollen.

Zukünftige Richtungen

Die nächste Grenze für maschinelles Lernen in Formprozessen ist die vollständig autonome Formungszelle. Digitale Zwillinge - virtuelle Nachbildungen der physischen Linie - ermöglichen Offline-Training und -Optimierung, ohne die Produktion zu unterbrechen. In der Simulation ausgebildete Verstärkungslernagenten werden mithilfe von Domänenrandomisierungs- und Transferlerntechniken auf die reale Linie übertragen, wodurch der Bedarf an physischen Versuchen drastisch reduziert wird. Darüber hinaus wird föderiertes Lernen mehreren Anlagen ermöglichen, Modellverbesserungen zu teilen, ohne proprietäre Prozessdaten freizulegen, was die Bereitstellung von Best Practices in einer Organisation beschleunigt.

Ein weiterer aufkommender Trend ist die Verwendung generativer Modelle für die Prozessgestaltung. Anstatt nur einen bestehenden Prozess zu steuern, können generative adversarial networks (GANs) oder variationale Autoencoder neue Prozessparametersätze vorschlagen, die ein gewünschtes Qualitätsergebnis liefern. Beispielsweise könnte ein generatives Modell bei gegebenen mechanischen Zieleigenschaften für ein geschmiedetes Teil das optimale Temperatur-, Verweilzeit- und Druckprofil ausgeben. Diese Fähigkeit verspricht, während sie sich noch in der Forschungsphase befindet, die Zeit zu komprimieren, die erforderlich ist, um einen neuen Umformprozess in die Produktion zu bringen.

Schlussfolgerung

Maschinelles Lernen hat bereits einen messbaren Einfluss auf die Prozesssteuerung und Qualitätssicherung. Durch die Nutzung von Sensordaten und fortschrittlichen Algorithmen können Hersteller Fehler vorhersagen, Parameter in Echtzeit optimieren, Inspektionen automatisieren und Werkzeugausfälle antizipieren. Die Technologie ersetzt nicht das technische Know-how, sondern erweitert es, indem sie Daten in umsetzbare Erkenntnisse verwandelt, die die Konsistenz verbessern, Abfall reduzieren und die Wettbewerbsfähigkeit verbessern. Unternehmen, die in die notwendige Dateninfrastruktur investieren, sorgfältig steuern und organisatorische Veränderungen managen, werden gut positioniert sein, um die Vorteile zu nutzen, wenn das Feld weiter voranschreitet.