BrAIN
Brownfield Artificial Intelligence Network for Forging of High Quality Aerospace Components
Künstliche Intelligenz optimiert Schmiedeprozesse von Luft- und Raumfahrtkomponenten
Schmiedeprozesse sind schwierig zu beherrschen und komplexe Zusammenhänge über die einzelnen Fertigungsschritte hinweg führen immer wieder zu Nacharbeit und Ausschuss. Durch die hohe Energie- und Kostenintensivität dieser Prozesse werden Kosten in Millionenhöhe verursacht und zusätzlich die Kapazitäten verringert. Allerdings sind die Zusammenhänge, die dazu führen, zu komplex. KI-Algorithmen und Big Data beinhalten für die Aerospace-Schmiedebranche ein enormes Potential zur Effizienzsteigerung, Ressourcenschonung und Prozessoptimierung. So könnten zum Beispiel komplexe Zusammenhänge über die einzelnen Fertigungsschritte hinweg, die immer wieder zu Ausschuss und Nacharbeit führen, mittels KI-Modellen gefunden werden. Ein KI-System, das aus Prozessdaten, Simulationsdaten und Benutzerrückmeldungen kontinuierlich dazulernt, könnte dabei helfen, einen Optimalprozess auszulegen. Damit können Ressourcen geschont, die Effizienz gesteigert und die Qualität der Bauteile verbessert werden.
Projektpartner
Projektziel
Im Projekt BrAIN sollen Tools aus dem Bereich Data Science und Cyber-Physischer-Systeme verwendet werden, um die Wechselwirkung zwischen den einzelnen Produktionsschritten zu verstehen, zu analysieren und einen selbstlernenden Algorithmus zu entwickeln, welcher die Parameter des Produktionsprozesses innerhalb der erlaubten Toleranzgrenzen unter laufender Abstimmung mit Prozessexperten ändert. Diese Änderungen der Prozessparameter sollen zur ressourceneffizienten Produktion von Schmiedeteilen führen mit höchster Qualität und minimalem Ausschuss und Nacharbeit. Die ressourceneffiziente Produktion mit optimaler Bauteilqualität geht mit den gesellschaftlichen ökologischen und ökonomischen Zielen einher. Der aus dem Projekt zu erwartende Mehrwert auf diese Ziele ist eine langfristige (5 bis 10 Jahre) Effizienzsteigerung von 20 bis 30 Prozent und jährliche Einsparungen im zweistelligen GWh-Bereich sowie von 3000 t CO²-Äquivalent.
