Bohrprozess im Griff Halbautomatisches Bohren wird jetzt mit KI überwachbar

Anbieter zum Thema

HBS Bolzenschweiss-Systeme GmbH & Co. KG

Weil Technology GmbH

Technologie-Institut für Metall & Engineering GmbH

Wenn viele Bohrungen auszuführen sind, kommt jede Automatisierungs-Chance gelegen, die hilft, die Qualität zu sichern. Und Forscher in Hamburg haben es jetzt geschafft, zumindest semiautomatische Bohrprozesse mit Künstlicher Intelligenz zu kontrollieren.

Die Mehrzahl der Nietbohrungen beim Flugzeugbau wird mit handgeführten semi­automatischen und vollständig manuellen Bohrmaschinen eingebracht, weil die Vollautomatisierung aufgrund von Arbeitsplatzbegrenzungen nicht möglich ist. Neu entwickelte semiautomatische Advanced Drilling Units (ADUs) ermöglichen aber die intelligente Prozessauslegung. Sie bieten auch eine Online-Zustandsüberwachung durch Auswertung integrierter Sensordaten.

Im Folgenden wird gezeigt, wie maschinelles Lernen (ML) auf ADU-Sensordaten angewandt werden kann, um Schnittkräfte und Prozessbedingungen basierend auf internen Sensordaten vorherzusagen. Zur Vorhersage der Prozesskräfte werden Methoden der linearen Regression, der künstlichen neuronalen Netze und des Entscheidungsbaums vorgestellt. Weiterhin wird die sogenannte „K-Nearest-Neighbour-Methode“ zur Vorhersage von Material, Vorschubgeschwindigkeit und Schmierzustand verwendet. Diese automatische Prozessüberwachung minimiert die manuelle Kontrolle und die Nacharbeit. Eine umfassende Qualitätssicherung und optimale Standzeitausnutzung sind die Folge. So wird beim semiautomatischen Bohren von Flugzeugstrukturen eine wesentliche Produktivitätseinschränkung überwunden.

Kontrolle durch Prozessprognosen

Die Flugzeugproduktion erfordert eine hohe Zahl präziser Nietbohrungen in der Fertigung von Schalen, geschlossenen Strukturen, Rumpfsektionen sowie in der Endlinienmontage. Beim A350 XWB sind zum Beispiel über 230.000 Nietbohrungen pro Flugzeug nötig [1]. Etwa ein Drittel davon wird semiautomatisch gefertigt. Das heißt, die ADUs werden per Hand von einer Bohrposition zur nächsten gebracht und in Bohrschablonen arretiert. Eine solche Bohrschablone mit ADU zeigt Bild 2, rechts oben auf dem Monitor. Wegen der hohen Qualitätsanforderungen in der Flugzeugproduktion werden Mängel an sicherheitskritischen Bauteilen schnell teuer oder bedeuten Ausschuss. Bauabweichungen, von denen beim A350 XWB in 2015 etwa die Hälfte mit Bohrungen zusammenhingen, was Kosten von etwa 400 Millionen Euro verursachte, müssen dem Kunden teilweise gemeldet werden, weil sie sich auf Instandhaltung, Ersatzteilbereitstellung und Betrieb des Flugzeugs auswirken können [1]. Zur Identifizierung von Fehlern beim Bohren fallen deshalb aufwendige Kontrollen und unter Umständen Nacharbeiten und Reinigungsprozesse an. Das Ziel der vorliegenden Forschung ist es deshalb, Ausschuss- und Nacharbeitskosten sowie den Aufwand bei der nachgelagerten Kontrolle und der Reinigung bei Nietbohrungen zu minimieren.

Erreichbar wird das über die Prognose von Prozesskräften sowie mit einer Erkennung von Prozesseigenschaften aus internen ADU-Sensordaten mithilfe des ML. Zukünftig sollen die dafür trainierten Modelle zur In-Prozess-Überwachung beim semiautomatischen Bohren mit ADUs eingesetzt werden. Die Anwendung von ML ist vorteilhaft, weil Bohrungen durch ihre Anzahl und Wiederholbarkeit eine ideale Datenquelle sind. Die Berechnung der Modelle kann entweder lokal an der Maschine erfolgen (Edge Computing) oder zentral auf einem Hauptserver. In Kombination mit einer Lokalisierung der ADU (etwa per Ultraschall) sind die errechneten Prozesseigenschaften sofort mit den hinterlegten vergleichbar. Die Verbindung der sogenannten „SmartADU“ mit weiteren Systemen per Hauptserver ist in [2] beschrieben und wird durch Bild 1 verdeutlicht.

(ID:47580205)