KI-gestützte Regelung von unsicherheitsbehafteten Umformprozessen auf redundanten Mehrpunkt-Servopressen

Umformtechnische Unternehmen stehen derzeit vor der Herausforderung, die Automatisierungsgrade ihrer Produktionsprozesse zu steigern, um eine wirtschaftliche Produktherstellung zu gewährleisten. Einen vielversprechenden Ansatz stellen auf künstlicher Intelligenz (KI) beruhende Algorithmen dar, die sich sowohl zur Überwachung als auch zur Regelung der Prozesse eignen. Deren Anwendung ist in der industriellen Praxis derzeit noch nicht weit verbreitet, bietet jedoch erhebliche Potenziale und könnte zukünftig einen entscheidenden Wettbewerbsvorteil für Unternehmen der metallverarbeitenden Industrie darstellen. Im Rahmen der vorliegenden Arbeit wird untersucht, inwiefern KI-Algorithmen zu performanteren Prozess- und Maschinenregelungen in umformtechnischen Prozessen beitragen können. Dabei werden Prozesse auf redundanten MehrpunktServopressen, die sich durch mehrere Abtriebsfreiheitsgrade charakterisieren, analysiert. Es werden einerseits KI-Ansätze zur Steigerung der Genauigkeit bestehender Positionsregelungen vorgestellt und andererseits die Eignung von unterschiedlichen KI-Modellen zur Regelung von Produkteigenschaften in umformtechnischen Prozessen geprüft. Weiterhin stellt die Redundanz bzw. Überaktuierung der für die Untersuchungen genutzten Mehrpunkt-Servopresse eine Möglichkeit zur KI-gestützten Optimierung des Maschinenverhaltens dar. So führen unterschiedliche Antriebsbewegungen zu gleichen Abtriebsbewegungen, unterscheiden sich jedoch hinsichtlich Geschwindigkeits- sowie Kraftübersetzungen und müssen bei der Planung von Antriebspfaden berücksichtigt werden. In der Arbeit wird ein Vergleich zwischen einem modellprädiktiven Regler und bestärkenden Lernalgorithmen vorgestellt, bei dem beide Ansätze das Ziel verfolgen, optimale Antriebspfade unter Berücksichtigung multipler Optimierungskriterien zu identifizieren

Forming technology companies are currently facing the challenge of increasing the level of automation in their manufacturing processes in order to ensure cost-effective product manufacturing. Algorithms based on artificial intelligence (AI), which are suitable for both monitoring and closed-loop controlling processes, represent a promising approach. Their application is not yet widespread in industrial practice, but they offer considerable potential and could represent a decisive competitive advantage for companies in the metalworking industry in the future. This thesis examines where AI algorithms can contribute to higher-performance process and machine control in forming processes. Processes on redundant multipoint servo presses, which are characterized by several ram degrees of freedom, are analyzed. On the one hand, AI approaches for increasing the accuracy of existing position controls are presented and, on the other hand, the suitability of different AI models for the control of product properties in forming processes is evaluated. Furthermore, the redundancy or over-actuation of the multi-point servo press used for the investigations represents a possibility for AI-supported optimization of machine behavior. Different drive paths lead to the same ram movements, but differ in terms of velocity and force transmission and must be taken into account when planning drive paths. The thesis presents a comparison between a model predictive controller and reinforcement learning algorithms, where both approaches aim to identify optimal drive paths considering multiple optimization criteria.