Arbeitsgruppe F2 – Exzellenzcluster PhoenixD – Leibniz Universität Hannover

Was uns antreibt

Unternehmen sehen sich mit sinkenden Losgrößen und immer kürzeren Produktlebenszyklen konfrontiert. Das gilt auch für Hersteller von optischen Technologien. Zugleich ist die Produktion optischer Komponenten oft durch komplexe mehrstufige Prozesse gekennzeichnet. Um künftig auch bei einer hohen Variantenvielfalt optische Bauteile effizient herstellen zu können, bedarf es deshalb hochautomatisierter, selbstoptimierender Systeme.

Heute werden mit adaptiver Fertigung schon während der Produktion durch aktive Kontrolle vorgegebene Designparameter im Toleranzbereich gehalten. Für die Optikproduktion der Zukunft verfolgt PhoenixD aber eine andere Vision: den Wechsel von einer Optimierung statischer Prozessparameter zu einer Optimierung der gesamten Bauteilfunktion in Echtzeit während der Fertigung. Dabei soll für jedes optische Bauteil prozessbegleitend ein virtuelles Modell („digitaler Zwilling“) seiner individuellen Eigenschaften und Leistungsfähigkeit entstehen.

In Zukunft sollen maßgeschneiderte optische Systeme in kleinster Stückzahl wirtschaftlich herstellbar sein.

Um diese Vision Wirklichkeit werden zu lassen, erforschen die Mitglieder der Arbeitsgruppe Systeme zur schnellen Erfassung der optischen Eigenschaften von gefertigten Komponenten. Die Verarbeitung der Echtzeitdaten und der individuellen Fertigungshistorie in der Fertigungssteuerung erfolgt mit Methoden des maschinellen Lernens. Dadurch entsteht Prozesswissen, welches auch offline zur Anpassung der Prozesse genutzt wird. In Zukunft sollen maßgeschneiderte optische Systeme in kleinster Stückzahl wirtschaftlich herstellbar sein.

Unsere Forschungsarbeit

Um Fertigungsverfahren adaptiv zu planen und auf unvorhergesehene Änderungen im Idealfall noch im Prozess zu reagieren, bedarf es unterschiedlicher Regelkreise in Werkzeugmaschinen (Abbildung 1).

Abbildung 1: Regelkreise in selbstoptimierenden Werkzeugmaschinen / Figure 1: Control loops in self-optimizing machine tools

Der innere Regelkreis beinhaltet Systeme, die eine kurzfristige Autonomie unterstützen. Hierzu gehören Prozessüberwachungssysteme sowie Systeme der Prozessregelung. Eine wesentliche Anforderung an die Systeme ist die Echtzeitfähigkeit. Entsprechend wird den hier zugeordneten Systemen eine Online-Fähigkeit unterstellt.

Demgegenüber erfordert der äußere Regelkreis keine Echtzeitfähigkeit, da Prozessanpassungen mit dem Bauteiltakt ausgeführt werden. Diese Regelkreise unterstützen eine mittelfristige Autonomie. Elemente des äußeren Regelkreises beinhalten in vielen Fällen Ansätze zur Datenfusion und anschließenden Speicherung von Prozessdaten in Datenbanken. Die kontinuierlich wachsende Datenbasis stellt die Grundlage für Prozessmodelle dar, die zur adaptiven oder selbstoptimierenden Prozessplanung genutzt werden können.

Als Modellsystem für ein selbstoptimierendes, adaptives Fertigungsverfahren dient der Arbeitsgruppe derzeit ein Polierprozess. Abbildung 2a zeigt den Messaufbau bestehend aus einer Fotolampe und einer Digitalkamera, die das Werkstück aufnimmt. Unter Verwendung des etablierten Cook-Torrance Modells wird der Lichttransport von der Quelle durch den Versuchsaufbau bis zu der Kamera simuliert und der Fehler zwischen Foto (Abbildung 2b) und Simulation nach den gesuchten Größen, in diesem Fall der Rauheit optimiert (Abbildung 2c).

Abbildung 2: a) Aufbau der Messtechnik, b) Aufgenommenes Bild einer polierten Oberfläche, c) simulierte Darstellung der Oberfläche / Figure 2: a) Setup of the measurement system, b) Recorded image of a polished surface, c) Simulated image of the surface

Um das Prozessergebnis mit den Prozessstellgrößen zu verbinden und im weiteren Verlauf geeignete Stellgrößen a-priori zu identifizieren, sind Prozessmodelle erforderlich. Da die komplexen physikalischen Zusammenhänge bei der Oberflächengenerierung durch eine hohe Zahl an Einflussgrößen bestimmt werden, besteht ein hochdimensionaler, nichtlinearerer funktionaler Zusammenhang.

Methoden des maschinellen Lernens stellen eine vielversprechende Möglichkeit dar, solche komplexen Zusammenhänge zu modellieren und fortlaufend zu aktualisieren. In den Arbeiten der Arbeitsgruppe wurden dazu bisher insbesondere künstliche neuronale Netze (kNN) und Entscheidungsbäume analysiert.

In aktuellen und künftigen Arbeiten soll der Ansatz auf weitere Fertigungsverfahren übertragen werden. Im Fokus stehen hierbei die Ultrapräzisionsbearbeitung mit Diamantwerkzeugen sowie die additive Fertigung von Glaswerkstoffen.

Neben der Messung der resultierenden Oberflächenqualität sollen zudem Maschinen- und Sensordaten aus dem Prozess dazu verwendet werden, um die Modellgüte zu erhöhen. Insbesondere soll hierfür eine prozessbegleitende Simulation eingesetzt werden.

Ein weiterer Forschungsinhalt ist der Aufbau eines virtuellen Werkstückmodells. Es ist bekannt, dass virtuelle Werkstückmodelle hervorragend zur Informationsrückführung über den Produktlebenszyklus geeignet sind. Daher soll in Kooperation mit den Bereichen S und M ein virtuelles Werkstückmodell erforscht werden, welches bereits während der Fertigung eine Abschätzung über die Leistungsfähigkeit des individuellen optischen Systems erlaubt.

Grundlage der adaptiven Planung sind umfassende Fertigungsdaten und schnelle Inline-Messverfahren, die über Methoden des maschinellen Lernens in Prozesswissen überführt werden. Die Forschungsfragen der Gruppe sind eng mit anderen Gruppen im Exzellenzcluster verzahnt. Beispielsweise sollen die Simulationsmethoden der Gruppe S1 zukünftig dafür eingesetzt werden, die Leistungsfähigkeit der gefertigten Komponenten mit Hilfe des virtuellen Werkstückmodells bereits während der Produktion zu simulieren. Innovative Messsysteme aus der Gruppe F1 bieten neue Möglichkeiten, die gefertigten optischen Systeme fertigungsnah zu charakterisieren. In den Arbeiten der Gruppe M2 wird unter anderem an einer Prozesssimulation für die additive Fertigung geforscht, die künftig ebenfalls einen Bestandteil der gezeigten Regelkreise darstellen soll. Weiterhin kooperiert die Gruppe mit der Gruppe M4 bezüglich der Integration der Forschungsergebnisse in Maschinen und in das Manufacturing Grid.