Künstliche Intelligenz (KI) optimiert Schmiedeprozesse von Luft- und Raumfahrtkomponenten

Schmiedeprozesse sind schwierig zu beherrschen und komplexe Zusammenhänge über die einzelnen Fertigungsschritte hinweg führen immer wieder zu Ausschuss und Nacharbeit. Durch die hohe Kosten- und Energieintensivität dieser Prozesse verursacht das Kosten in Millionenhöhe und verringert zusätzlich die Kapazitäten. Allerdings sind die Zusammenhänge, die dazu führen, zu komplex. Selbst Experten ist es nicht möglich, diese nachzuvollziehen und zu identifizieren. KI-Algorithmen und Big Data beinhalten hier für die Aerospace-Schmiedebranche ein enormes Potential zur Effizienzsteigerung, Prozessoptimierung und Ressourcenschonung. So könnten z. B. komplexe Zusammenhänge über die einzelnen Fertigungsschritte hinweg, die immer wieder zu Ausschuss und Nacharbeit führen, mittels KI-Modellen gefunden werden. Ein selbstlernendes KI-System, das aus Prozessdaten, Benutzerrückmeldungen und Simulationsdaten kontinuierlich dazulernt, könnte dabei helfen einen Optimalprozess auszulegen. Damit könnten Ressourcen geschont, die Effizienz gesteigert und die Qualität der Bauteile verbessert werden.

Präzise Anforderungen im Schmiedebetrieb auf dem Prüfstand

Um diese Vision zu verwirklichen ist es allerdings notwendig auf die speziellen Anforderungen eines Schmiedebetriebs für hochqualitative Flugzeugkomponenten einzugehen. Heterogene Aggregatslandschaften und Kommunikationstechnologien, kleine Losgrößen, hohe Anforderungen an Qualität und Sicherheit sowie ein geringer Automatisierungsgrad erschweren die Anwendung innovativer neuer Technologien. Es ist jedoch unbedingt notwendig Lösungen für diese Probleme zu finden, um wettbewerbsfähig zu bleiben, zukünftige Kapazitätsanforderungen zu erfüllen und Lösungsbeiträge zu globalen Problemen wie z. B. der Klimakrise zu leisten.

Ein selbstlernendes KI-System liefert nachvollziehbare Vorschläge für Expertinnen und Experten

Im Projekt BrAIN soll während der nächsten drei Jahre ein selbstlernendes KI-System entwickelt werden, dass aus Prozessdaten, Testdaten (Bauteilprüfung), Simulationsdaten und Benutzerrückmeldungen lernt und dem Benutzer Vorschläge zur Prozessauslegung und Einstellparametern unterbreitet. Neben dem KI-System selbst werden in diesem Projekt auch damit zusammenhängende Problemstellungen angegangen. Hybride Simulationen, sollen die benötigten kurzen Rechenzeiten ermöglichen. Eine Brownfield-CPS-Architektur soll die Vernetzung der benötigten Aggregate sicherstellen und ein xAI-Tool mit (Expert-) „User in the Loop” soll die Interaktion zwischen Mensch und KI-System ermöglichen. Diese Teile werden parallel entwickelt und Stück für Stück zu einem Gesamtsystem zusammengesetzt. Nicht nur ist die Lösung all dieser Probleme ist notwendig, um ein selbstlernendes System einsetzen zu können, sondern der umfassende Ansatz erlaubt auch Synergien zu nutzen, die schnellere und ausgereiftere Ergebnisse ermöglichen. Am Ende des Projektes soll eine, auf Vorschlägen des Prototyps aufbauende, Versuchsschmiedung durchgeführt werden. Die Ergebnisse der Versuchsschmiedung werden mit realen Schmiedungen verglichen und das System evaluiert.