Einsatz von maschinellen Lernverfahren zur Prädiktion der Restlebensdauer von Werkzeugen am Beispiel der Dornwalzen beim Radial-Axial Ringwalzen

• Antragsteller: Professor Dr.-Ing. Bernd Kuhlenkötter
• Fachliche Zuordnung: Ur- und Umformtechnik, Additive Fertigungsverfahren
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 464881255

Für viele Maschinen und Anlagen jeglicher Industriezweige werden nahtlose ringförmige Bauteile mit hohen Anforderungsspezifikationen, wie hochdynamischer Belastbarkeit und hoher Variabilität benötigt. Für die Herstellung solcher Bauteile ist das Radial-Axial Ringwalzen (RAW) der bedeutsamste Prozess. Mit dem RAW können Ringe von 100 mm bis hin zu 16 m im Außendurchmesser, bis zu 4 m in der Ringhöhe und Bauteilgewichten bis zu 300 t realisiert werden. Trotz einer langen Forschungshistorie im Ringwalzen mit vielen Erfolgen besteht im Bereich der Vorhersage des Dornwalzbruchs noch Forschungsbedarf. Ein Bruch der Dornwalze tritt derzeit unvorhersehbar und ohne einen direkt identifizierbaren Grund auf und kann, abhängig von der Ringwalzanlage und Auslastung, bis zu einmal pro Schicht auftreten. Dornwalzenbrüche führen zu Produktionsausfällen, defekten Ringen und ungeplanten Wartungsarbeiten, resultierend in erhöhter Produktionszeit und steigenden Kosten. Da eine hohe Anzahl von Einflussfaktoren und zudem die nicht-linearen Abhängigkeiten untereinander den Einsatz erprobter Untersuchungen zur Ermittlung von qualitativen und quantitativen Einflüssen ausscheiden lassen, wie eine in den Vorarbeiten benannte Studie von thyssenkrupp Rothe Erde (tkRE) zeigt, wird zur Bearbeitung dieser Aufgabenstellung maschinelle Lernen (ML) eingesetzt. Dieses bietet sich aufgrund der Mehrdimensionalität der Problemstellung und den nicht-linearen Einflüssen an, da aktuelle Algorithmen vor allem aus dem Bereich der tiefen neuronalen Netze in verschiedensten Disziplinen bedeutsame Erfolge beim Lösen komplexen Fragestellungen vorzeigen können. Durch die Verwendung von ML entstehen jedoch auch neue Herausforderungen, da ohne geeignete Datenbasis der Einsatz von ML scheitert. Gleichzeitig ist eine Datenaufnahme ohne domänenspezifisches Wissen nicht zielführend. In diesem Forschungsvorhaben werden daher zum einen ein anlagenunabhängiges Datenaufnahmekonzept für die Verwendung datengetriebener Analysemethoden zum anderen aber auch Grundlagen für ein Remaining-Useful-Life (RUL)-Modell der Dornwalze im RAW mittels ML erarbeitet. Um diese beiden Ziele hinreichend zu erarbeiten wird zunächst eine Analyse der Einflussgrößen für den Dornwalzenbruch durchgeführt. Anschließend wird ein Sensorikkonzept erstellt und umfang-reiche Sensorik an einer Produktionsanlage mit hinreichend großem und variablem Produktionsvolumen installiert. Zur Durchführung einer prototypischen Umsetzung kann innerhalb des Projekts auf die Ringwalze des Lehrstuhls für Produktionssysteme zurückgegriffen werden, wobei die eigentliche Datenaufnahme wird bei zwei Industrieunternehmen (tkRE, Schmiedewerke Gröditz) durchgeführt. Hierdurch wird eine große Bandbreite an Walzungen gewährleistet. Die dadurch auf-genommenen Daten werden syntaktisch und semantisch aufgearbeitet und mittels maschineller Lernverfahren ausgewertet, sodass am Ende ein Regressionsmodell zur Vorhersage des RUL einer Dornwalze validiert wird.

• DFG-Verfahren: Sachbeihilfen