Künstliche Intelligenz für Laserbearbeitungssyteme II
Umsetzungsprojekt mit der Laserline GmbH

Maschinelles Lernen hat beim Laserstrahlschweißen, Laserlöten, Auftragsschweißen oder der Wärmebehandlung noch kaum Einzug gehalten.
Maschinelles Lernen hat in Produktionen mit Bearbeitungslasern, etwa beim Laserstrahlschweißen, Laserlöten, Auftragsschweißen oder der Wärmebehandlung noch kaum Einzug gehalten. Dabei bieten aktuelle Produktiongenerationen, wie bei der Laserline GmbH Möglichkeiten dafür: Während der Bearbeitungsprozesse können Sensordaten via OPC UA – einem Industrie 4.0-konformen Kommunikationsprotokoll – zu einem externen System, wie beispielsweise einer Datenbank zu übertragen werden. Im Betrieb fallen in erster Linie Laserdaten zu Temperatur, Feuchtigkeits- oder Füllstandsdaten an. Sie sind wichtig für verschiedene Anwendungsszenarien, wie eine vorausschauende Instandhaltung oder die Prozessoptimierung. Das Ziel des Projekts ist die Entwicklung neuer datengetriebener Geschäftsmodelle, insbesondere der vorausschauenden Instandhaltung.
Mit Hilfe einer abgeleiteten Analyse erhielten die Expertinnen des Mittelstand 4.0-Kompetenzzentrums (Institut für Produktionsmanagement, Technologie und Werkzeugmaschinen, PTW) zunächst einen Überblick darüber, welche Parameter bei Laserline von Lasermaschinen aufgezeichnet werden und welche Zusammenhänge zwischen diesen Parametern bestehen. Datenvisualisierungsmethoden ermöglichten es zudem, Unregelmäßigkeiten und unerwartete Werte in den Daten zu identifizieren und die Aufmerksamkeit auf Verbesserungspotentiale zu lenken. Gemeinsam wurde ein Prognosemodell entwickelt. Erste Wiederholungen der Abläufe in der Modellierungsphase zeigten vielversprechende Ergebnisse.
Grundlage für die Projektumsetzung war dabei auch die Vermittlung methodischen und technischen Wissens zu Maschinellem Lernen – vom Geschäftsverständnis über die Modellierung der Problemstellung bis hin zur Auswahl und dem Einsatz von Algorithmen.
Im Rahmen des Projekts hat das Unternehmen zum ersten Mal mit Methoden Maschinellen Lernens gearbeitet und Verständnis für die Möglichkeiten und Einschränkungen dieser Verfahren bei der Datenanalyse aufgebaut. Die Mitarbeiter wurden mit den Themen Datenbereinigung und -aufbereitung vertraut gemacht und lernten Datenvisualisierungstools sowie Algorithmen des Maschinellen Lernens für Modelltraining und -prüfung kennen. Auf diese Weise hat Laserline die Basis für weitere Arbeiten und Maßnahmen im Bereich Maschinelles Lernen gelegt. Mit diesem Wissen und den geschaffenen Grundlagen kann Laserline zukünftig neue Geschäftsfelder im Bereich Predictive Maintenance erschließen.