Online-Zustandstracking mit datengetriebenen Prozessmodellen

Durch immer weiter steigende Rechnerleistung und dadurch verbundene Möglichkeiten zur Modellierung und Simulation komplexer Fertigungsprozesse steigt die Herausforderung, diese aufwendig berechneten Modelle in reduzierte online-fähige Modelle zu übertragen, sodass diese z.B. zur Zustandsregelung eingesetzt werden können. Im Allgemeinen gilt: Je präziser die Simulation, desto zeitaufwendiger die Berechnungen. Online Zustandsverfolgung, sprich die Verfolgung des Bauteilzustandes im laufenden Prozess, ist bedeutend für effiziente automatisierte Regelung in der Fertigung.
... mehrDiese Arbeit stellt sich der Herausforderung, reduzierte nichtlineare Prozessmodelle mittels Methoden der künstlichen Intelligenz, im Speziellen neuronaler Netze und genetischer Programmierung, zu erlernen. Hierfür werden Daten aus Finite-Elemente-Simulationen zur Datenerzeugung verwendet. Durch die erlernten datengetriebenen Prozessmodelle soll der nicht messbare Zustand vorhergesagt werden.
Das reduzierte nichtlineare Prozessmodell entsteht durch die Reduzierung der Zustandsvariablen auf wenige charakteristische Merkmale. Dies geschieht durch eine hier vorgestellte Architektur für neuronale Netze, die offline eine nichtlineare Dimensionsreduktion durchführt. Dabei repräsentiert ein extrahiertes Merkmal charakteristische Eigenschaften einer Menge von Zustandsvariablen zu einem bestimmten Zeitpunkt und bei bestimmtem Prozessparameter bei gegebenen Randbedingungen. Der Zustand wird somit vom Zustandsraum in einen wesentlich geringer dimensionierten Merkmalsraum transformiert.
Für die extrahierten Merkmalewerden mittels symbolischer Regression unter Verwendung genetischer Programmierung mathematische Beschreibungen erlernt. Diese Beschreibungen ersetzen das theoretische Modell bei der Zustandsbeobachtung. Für die Zustandsbeobachtung ist zusätzlich ein Messmodell nötig. Ein Messmodell bildet den nicht messbaren vorhergesagten Zustand auf die Messgrößen ab, um diese mit den wahren Messwerten des Prozesses zu vergleichen, um diese Differenz dann als Korrekturwert für die Zustandsbeobachtung zu verwenden.
Es werden zwei Prozesse betrachtet: EinWärmeleitungsprozess, für den ein analytisches Modell zur Datengenerierung vorliegt, und ein Tiefziehprozess, für den ein zwei- und ein dreidimensionales Finite-Elemente-Modell vorliegt. Es kann gezeigt werden, dass reduzierte Surrogat-Modelle für die drei Anwendungsfälle erlernt werden konnten. Beim zweidimensionalen Modell wird z. B. die Dimension um den Faktor 133 reduziert. Das beschriebene Modell im reduzierten Raum kann 88% der Daten des Finite-Elemente-Modells rekonstruieren.

With the rising availability of computing performance and the corresponding possibility to model and simulate complex manufacturing processes, the challenge of transferring these complex models into reduced online models is rising. These models can be used, for example, for state control. In general, the more precise the simulation, the more time-consuming the computations. Online state tracking, i. e., the tracking of the state of the workpiece during the running manufacturing process, is important for efficient automated control in production.
This work addresses the challenge of learning a reduced nonlinear process model using artificial intelligence methods, in particular neural networks and genetic programming. ... mehrFor this purpose, data from finite element simulations are used to generate data for training the neural network. The non-measurable state is to be predicted by these data-driven process models.
The reduced non-linear process model results from the reduction of the state variables to a few characteristic features. This is done by means of a neural network architecture presented here, which performs a non-linear dimensional reduction offline. An extracted feature represents characteristic properties of a set of state variables at a particular point in time and certain process parameters at given boundary conditions. The state is thus transformed from the state space into a considerably smaller dimensioned feature space.
For the extracted features, mathematical descriptions are learned with symbolic regression using genetic programming. These descriptions replace the theoretical model in state observation. A measuring model is also required for state observation. The measurement model maps the nonmeasurable predicted state to the observables in order to compare these with the true observables of the process. The difference is then used as a correction value for the state observation.
Two processes are considered: A heat conduction process for which an analytical model for data generation is available and a deep drawing process for which a two-dimensional and a three-dimensional finite element model is available. It can be shown that reduced surrogate models for the three applications could be learned. For example, for the two-dimensional model, the dimension is reduced by a factor of 133. The described model in the reduced space can reproduce 88% of the state variables computed by the finite element model.