Steigerung der Ressourceneffizienz und Resilienz des Pressenprozesses bei der Massenfertigung von pulvermetallurgischen Bauteilen durch den Einsatz maschineller Lernverfahren (PreDigT)

Abstract

Ziel des Projektes PreDigT war es, den Ausschuss in der pulvermetallurgischen Massenfertigung von Grünlingen durch Einsatz von maschinellen Lernverfahren (ML) zu reduzieren. Das Projekt umfasste sieben Arbeitspakete: von der Definition der Qualitäts- und Prozessparameter über die Datenerfassung bis hin zu ML-Modellierung, digitalem Assistenten, Skalierbarkeit und Validierung der Lösung. Als zentrale Zielgrößen (Labels) wurden die Teilehöhe (ohne Grat) und das Gewicht der Grünlinge identifiziert, da diese die Bauteilqualität unmittelbar bestimmen. Für die Prozessparameter wurden Körperschallbilder, Kraftverläufe und Verfahrwege des Ober- und Unterstempels der Presse verwendet.

Für die Identifizierung von fehlerhaften Grünlingen wurde eine Anomaliedetektion entwickelt, bei der das Hüllkurvenverfahren mit einem AUC-Wert von 0,99 und einem F1-Score von mindestens 0,80 die besten Ergebnisse lieferte. Die eingesetzten Regressionsmodelle (k-nächster-Nachbar, Random Forest Regressor und Label-Spreading-Algorithmus) erkannten zwar grundlegende Muster in den Daten für die Vorhersage der Qualitätsparameter, erreichten jedoch aufgrund hoher Datenvarianz und einer geringen Menge an gelabelten Daten keine für den Produktionseinsatz ausreichende Vorhersagegenauigkeit. Das daraufhin entwickelte Stacking-Meta-Pipeline-Klassifikationsmodell litt ebenfalls unter einem unausgewogenen Klassenverhältnis, wodurch die Ergebnisse für eine industrielle Anwendung zu ungenau sind. Die Skalierbarkeit der Modelle konnte für den Artikel F0380 erfolgreich nachgewiesen werden, scheiterte jedoch beim Artikel D0290 an fehlenden Sensordaten. Ein Dashboard-Konzept für einen digitalen Assistenten wurde zwar erarbeitet, ließ sich mangels ausreichender Modellqualität jedoch nicht in der Praxis umsetzen.

Das Projekt belegt damit die grundsätzliche Machbarkeit ML-gestützter Qualitätsvorhersagen im Pressprozess von Grünlingen. Für eine Serienanwendung sind jedoch deutlich mehr gelabelte Daten, ausgeglichene Klassenverhältnisse und eine vollständige Sensorik erforderlich. Die erzielten Erkenntnisse bilden dennoch eine solide Grundlage für künftige Weiterentwicklungen.

The aim of the PreDigT project was to reduce the rejection rate in the powder metallurgical mass production of green compacts by using machine learning methods (ML). The project included seven work packages: from defining quality and process parameters to data collection, ML modeling, digital assistant, scalability, and solution validation. The central target variables (labels) were the part height (without burr) and the weight of the green pieces, as these directly determine the component quality. Body sound images, force curves, and movement of the upper and lower press stamps were used for the process parameters.

Anomaly detection was developed to identify defective green compacts, with the envelope curve method providing the best results with an AUC value of 0.99 and an F1 score of at least 0.80. The regression models used (k-nearest-neighbor, random forest regressor and label-spreading algorithm) recognized basic patterns in the data for predicting quality parameters, but due to high data variance and a small amount of labeled data, they did not achieve sufficient prediction accuracy for production use. The stacking meta-pipeline classification model developed as a result also suffered from an unbalanced class ratio, making the results too inaccurate for industrial use. The scalability of the models was successfully demonstrated for article F0380, but failed for article D0290 due to missing sensor data. A dashboard concept for a digital assistant was developed, but it could not be implemented in practice due to the lack of sufficient model quality.

The project proves the fundamental feasibility of ML-based quality predictions in the pressing process of green compacts. However, a series application requires significantly more labeled data, balanced class ratios, and a complete sensor system. The findings achieved still form a solid basis for future developments.