Zielsetzung

Die Rauschert Gruppe, wegweisender Hersteller von technischer Keramik, Kunststoff-Formteilen, Bauelementen und Baugruppen, ist Weltmarktführer in der Entwicklung und Produktion von Zündsystemen für Heizungsanlagen, wie zum Beispiel Zünd- und Ionisationselektroden für Gas- und Ölbrenner. Bei der Herstellung dieser Zündsysteme wird mittels einer Presse ein Halteblech aus Metall auf die Zündkeramik gefügt. Um die Belastbarkeit dieser Verbindung zu garantieren, ist eine erhebliche Presskraft notwendig. Jedoch darf die Zündkeramik dabei nicht beschädigt werden. Obwohl die Rauschert GmbH durch Erfahrungswerte bereits ein sehr gutes Verständnis für den Pressvorgang besitzt, lässt sich die Produktgüte, ohne einen Testlauf, nur schwer einschätzen. Testläufe sind aufwendig, da Schäden im Keramikbauteil meist nur mithilfe eines elektronischen Prüfverfahrens erfasst werden können. Die Verbindungsfestigkeit kann nicht zerstörungsfrei getestet werden.

Um einen tieferen Einblick in den Pressvorgang zu ermöglichen, führte Rauschert mehrere Versuchsreihen mit einer speziellen Servopresse durch. Diese Servopresse ermöglicht einen genaueren Überblick über Pressvorgang. Mithilfe der resultierenden Messkurven kann das geübte Auge bereits erahnen, wie der Pressvorgang korrekt zu kalibrieren ist, um Ausschuss zu minimieren und eine feste Fügung zwischen Keramik und Halteblech zu garantieren. Dennoch ist das Auswerten dieser Messkurven nicht trivial und Versuchsreihen, insbesondere mit einer Servopresse, sind kosten- und zeitintensiv. Die Zielsetzung dieses Projekts ist es, mithilfe von Machine Learning Ansätzen den zeitlichen Verlauf des Pressvorgangs auszuwerten und zu simulieren.

Messdaten

Insgesamt wurden vier Zustandsgrößen des Pressvorgangs in den Versuchsreihen mit der Servopresse erfasst. Gemessen wurde die aufgebrachte (externe) Presskraft, die wirkende (interne) Presskraft, der Schleppfehler (oder Regeldifferenz) des Pressvorgangs und der benötigte Motorstrom. Um den Pressvorgang genauer zu untersuchen, wurden die Messdaten um die nummerisch gewonnen ersten und zweiten Ableitungen der Zustandsgrößen erweitert. In einem ersten Vorauswahlschritt zeigte sich, dass der zeitliche Verlauf der inneren Presskraft und dessen erste zeitliche Ableitung die meisten Informationen über den Pressvorgang beinhalten. Aus diesem Grund konzentriert sich dieses Projekt auf die Vorhersage und Auswertung des zeitlichen Verlaufs der inneren Presskraft und dessen erster zeitlicher Ableitung.

Insgesamt wurden 29 Versuchsparameter in den Messdaten berücksichtigt, die sich in drei Unterkategorien unterteilen lassen: (1) Metainformationen über den Versuch: Welche Bauteile wurden verwendet, ist der Pressstempel vor dem Pressen eingeölt oder nicht, mit welcher Kraft wurde der Pressvorgang durchgeführt. (2) Informationen über die Produktgüte: Wurde die Keramik während des Pressvorgangs beschädigt? Welche Verbindungsfestigkeit wurde zwischen Keramik und Halteblech erreicht? (3) Nennmaße der verwendeten Bauteile:  Keramikdurchmesser oder Material des Halteblechs.

Zusätzlich zu den Bauteilnennmaßen wurde die Halteblechdicke jedes Bauteils nachgemessen und in den Datensatz aufgenommen. Die Abmaße der Halteblechdicken dienten dann zur Reduktion der Halteblechdicken-Toleranzen bedingten Schwankungen des Pressprozesses.

Methodik

Dieses Projekt verfolgt einen dreistufigen Ansatz. Um ein Verständnis für den Pressprozess zu erlangen, wurden in einem ersten Schritt Modelle darauf trainiert Versuchsparameter anhand von Messkurven vorherzusagen. Diese Modelle dienten dann zur Vorverarbeitung der Messdaten und lieferten Einschätzungen, welche Messkurven die meisten Informationen über den Pressvorgang beinhalten und welche der Versuchsparameter einen messbaren Einfluss auf den Pressvorgang nehmen. Die Generierung von Messkurven anhand von Versuchsparameter und die anschließende Auswertung dieser Messkurven bilden jeweils die verbleibenden Projektschritte. Auch wenn es möglich wäre, ein Modell zur Auswertung der Versuche direkt auf den Versuchsparametern zu trainieren, ermöglicht diese gestaffelte Herangehensweise einen tieferen und idealerweise menschlich interpretierbaren Einblick in das Modell.

Da für alle Modelle dieses Projekts Trainingslabel, durch die Messdaten, gegeben sind, wurden alle Modelle überwacht trainiert. Zur Parameteranalyse wurden Support Vektor Maschinen und flache neuronale Netze trainiert, während zur Vorhersage und Auswertung von Messkurven sowohl tiefe neuronale Netze als auch rekurrente neuronale Netze trainiert wurden.

Partner