Der Material Scanner (MatS) demonstriert am Beispiel des Feinschneidens, wie durch Verschmelzen der Fertigungs- und Informationstechnik Prozesswissen sichtbar gemacht und zur optimierten Prozessführung genutzt werden kann. Der Demonstrator besteht aus insgesamt drei Bausteinen:
- einem Prüfstand zur Simulation feinschneidtypischer Phänomene,
- einer Grafikprozessor-basierten Recheneinheit zur zentralen Verarbeitung von Messdaten und
- einer drahtlosen grafischen Benutzeroberfläche zur dezentralen Visualisierung von Messdaten.
Im aktuellen Entwicklungsstand wird der Blechtrennungsprozess ohne Durchführung eines echten Trennvorgangs simuliert. Dies geschieht mithilfe eines Schnittschlagsimulators, der in Intervallen auf einen Blechstreifen schlägt und dadurch einen mechanischen Impuls (Schnittschlag) wie auch ein akustisches Signal (Schnittklang) erzeugt. Über entsprechende Sensoren werden Schnittschlag und Schnittklang erfasst und drahtlos an die zentrale GPU-Recheneinheit übermittelt. Zusätzlich werden ausgewählte Werkstoffeigenschaften des Blechstreifens erfasst und mit dem Schnittschlag und -klang korreliert. Mithilfe von Algorithmen aus dem Bereich der künstlichen Intelligenz ist es dann möglich, auf Prozessanomalien in Echtzeit reagieren zu können.
Datenanalyse mithilfe neuronaler Netze
Zweiter Baustein und Kernstück des Demonstrators ist die zentrale Grafikprozessor-basierte Recheneinheit. Ein künstliches neuronales Netz korreliert dort Werkstoffeigenschaften, Prozessparameter und die Messgrößen. Google demonstrierte 2016 die Möglichkeiten künstlicher neuronaler Netze, als es zum ersten Mal gelang, einen menschlichen Gegenspieler mithilfe eines Computerprogramms im Brettspiel Go zu schlagen. Die Besonderheit lag dabei nicht darin, dass dies gelungen ist, sondern wie es gelungen ist. Das künstliche neuronale Netz hat Spielzüge abgeleitet, die in der 2000-Jahre alten Spieletradition für den Menschen unentdeckt blieben.
Übertragen auf den Feinschneidprozess ist nun das Ziel mithilfe von Messgrößen, wie dem Schnittschlag und -klang sowie mit künstlichen neuronalen Netzen, implizite Prozesszusammenhänge sichtbar zu machen. Das soll eine bisweilen unbekannte Prozessoptimierung ermöglichen. Hierfür wird in aktuellen Forschungsarbeiten am WZL eine auf künstlichen neuronalen Netzen basierte Software-Plattform entwickelt, die Sensordatenströme in Echtzeit analysieren kann. So wird es unter anderem möglich sein, Anomalien im Schnittschlag und Schnittklang in Echtzeit zu erkennen und deren Ursachen zu identifizieren.
Immer und überall informiert
Eine drahtlose, dezentrale Visualisierung ist der dritte Baustein. Mit einer beispielhaften Benutzeroberfläche wird demonstriert, wie ein Maschinenbediener im realen Prozess in Echtzeit über Ursachen und Auswirkungen von Prozessanomalien informiert werden kann. Die Entwicklung dieser Oberfläche ist ebenfalls Gegenstand aktueller Forschung. Ein besonderer Fokus liegt dabei auf der leichten Verständlichkeit, damit Maschinenbediener unkompliziert die notwendigen Informationen erhalten.
