Das Radial-Axial-Ringwalzen ist ein bedeutender Herstellungsprozess für nahtlos geformte ringförmige Bauteile wie etwa Wälzlagerringe. Ziel der Doktorarbeit von Simon Fahle war es, diesen Prozess effizienter zu machen, um Material und Energie zu sparen und so den CO2-Ausstoß zu senken. Dabei setzte er auf Künstliche Intelligenz, genauer auf die Methoden des Maschinellen Lernens. Er hat ein Zeitreihenklassifikationsmodell entwickelt, das die Qualität vorhersagen und Unrundheiten schon während des Walzprozesses frühzeitig ermitteln kann. Solche unerwünschten Entwicklungen lassen sich dadurch während des Herstellungsprozesses korrigieren.

Die in der Arbeit verwendeten Modelle des Maschinellen Lernens wurden anhand von Testdaten validiert und abschließend prototypisch an der lehrstuhleigenen Ringwalzanlage installiert. Über 1.200 Lerndatensätze lieferte eine Produktionslinie bei der thyssenkrupp rothe erde Germany GmbH. Da die Datenaufnahme sehr aufwändig ist, untersuchte Simon Fahle auch einen halbüberwachten Lernansatz und die synthetische Datengenerierung durch generative Netze.

„Methoden des maschinellen Lernens bieten verschiedene Möglichkeiten, den Produktionsprozess effizienter zu gestalten“, resümiert der Forscher. „Zum einen lassen sich teure und wartungsintensive zusätzliche Peripheriegeräte wie etwa ein automatisches Messsystem ersetzen. Zum anderen kann man den Produktionsprozess analysieren und damit rechtzeitig in den laufenden Prozess eingreifen. So reduzieren sich der Ausschuss und die Nacharbeit.“ Das sorgt auch für eine Verringerung der CO2-Emissionen, insbesondere bei einem Warmumformverfahren wie dem Radial-Axial-Ringwalzen, da weniger Rohmaterial erzeugt und in den Hochöfen erhitzt werden muss.

Die News in ganzer Länge finden Sie im Newsportal der RUB.