Effizienzsteigerung von Lackierprozessen durch mehrschichtige Vernetzung von Prozess- und Qualitätsdaten mittels selbstlernender Verhaltensmodelle (pAInt-Behaviour)
Programm: PDA Forschung für Produktion
Bekanntmachung: Lernende Produktionstechnik - Einsatz künstlicher Intelligenz (KI) in der Produktion (ProLern)
Wettbewerb: Lernende Produktionstechnik - Einsatz künstlicher Intelligenz (KI) in der Produktion
Kurzbeschreibung:
Der Lackierprozess und dessen Qualität sind durch komplexe Wechselwirkungen zwischen Prozess, Lackmaterial und Umgebungsbedingungen sehr schwer zu erfassen, weshalb die Lackierung immer noch als nicht durchgängig beherrschbarer Prozess gilt. Ziel des Forschungsprojekts pAInt-Behaviorist die Entwicklung von Modellen, die erstmals eine Prognose der erzielten Qualität aus den Prozessdaten am Beispiel der Lackiertechnik ermöglichen.
Projektdauer: 01.11.2021 − 31.10.2024
Ansprechpartner bei PTKA:
Dipl.-Wirtschaftsing. Heike Menzel
Telefon: +49 721 608-31479
E-Mail: heike.menzel@kit.edu
Problemstellung
Der Lackierprozess und dessen Qualität sind durch komplexe Wechselwirkungen zwischen Prozess, Lackmaterial und Umgebungsbedingungen sehr schwer zu erfassen, weshalb die Lackierung immer noch als nicht durchgängig beherrschbarer Prozess gilt. Folge sind hohe Nacharbeitsquoten und Anlagenstillstände, gekoppelt mit hohen Energieaufwänden. Wenn zukünftig aussagekräftige Daten in hoher Qualität erzeugt werden, kann die Zuverlässigkeit der Lackierprozesse massiv erhöht und die Flexibilität der Lackieranlagen auf das für individualisierte Produkte notwendige Niveau angehoben werden.
Ziel
An dieser Stelle setzt das Forschungsprojekt pAInt-Behavior an. Ziel ist die Entwicklung von Modellen, die erstmals eine Prognose der erzielten Qualität aus den Prozessdaten am Beispiel der Lackiertechnik ermöglichen.
Vorgehensweise
Zunächst ist es nötig, ein Datenmanagement für die Prozess- und Qualitätsdaten strategisch auszuarbeiten und in die Anlagen zu integrieren. Die Prozessdaten bilden die Basis für das Verhaltensmodell, welche durch die erste Qualitätsüberwachung – der prädiktiven Sprayüberwachung – ergänzt werden. Hierfür muss die Spraycharakterisierung durch KI-gestützte Kennwertebildung erweitert werden, sodass eine Aussagekraft über den Applikationsprozess gewährleistet wird. In der zweiten Qualitätsstufe wird mittels einer sogenannten Terahertz-Technologie die Lackschichtdicke ermittelt, wobei die prozesssichere, automatische Kalibrierung entwickelt werden muss. In Verbindung mit der visuellen Qualitätskontrolle kann so das Verhaltensmodell mit den Prozessdaten und physikalischen sowie fluiddynamischen Zusammenhängen des komplexen Datenraumes modelliert und trainiert werden.
Ergebnisse und Anwendungspotenzial
Mit den Projektergebnissen werden bei den Kunden der Projektpartner deutlich effiziente Lackierprozesse ermöglicht. Mit einer Reduzierung der Fehler um 30 Prozent, einer Verringerung des jährlichen Lackverbrauches und einer Verkürzung der Anlaufzeit neuer Farben um jeweils 10 Prozent sowie einer Verkürzung von Stillstandzeiten um 20 Prozent durch diagnostische Verhaltensmodellanalysen kann hier gerechnet werden. Das Fraunhofer IPA wird die Ergebnisse durch seine gute Vernetzung in der wissenschaftlichen und Branchenöffentlichkeit darstellen, um die Übertragung auf weitere Prozesse zu ermöglichen.
