NACH OBEN

FeVOAZ

Fehlervermeidung in Radial-Axial Ringwalzprozessen durch Online-Analyse der Zustandsdaten

Beim Radial-Axial-Ringwalzen (RAW) werden Stahlringe nach Kundenwunsch auf gewünschte Maße gewalzt. Hierbei werden Rohlinge stets mit mehr Material beaufschlagt, um Schwankungen im Walzprozess mithilfe von spanender Nachbearbeitung entgegenzuwirken. Dieses zusätzliche Material erhöht den Materialverbrauch, die Kosten für die Produktion und die CO2-Emissionen. Aus diesem Grund ist die Reduktion der Produktionsschwankungen ein wichtiger Baustein zur Wirtschaftlichkeit eines Unternehmens.
Eine Möglichkeit diesem Problem entgegenzuwirken ist eine präzisere Prozesssteuerung bei der, Prozessfehler frühzeitig erkannt werden, um noch während desselben Walzvorganges Gegenmaßnahmen einzuleiten. Die Schwierigkeit einer solchen Methodik liegt in der Vorhersage entsprechender Produktionsfehler und –schwankungen. Unter Einsatz maschineller Lernverfahren können Modelle zur Vorhersage trainiert werden unter Verwendung einer ausreichend großen Datenbasis aus realen Walzprozessen. Die Erstellung einer ausreichenden Datenbasis und das Training eines präzisen Vorhersagemodells stellen besondere Herausforderungen zurzeit dar.

In diesem Projekt werden mehrere Ansätze zur Lösung dieser Problemstellung erforscht:

  • Zunächst wird eine große Datenbasis benötigt, die eine große Bandbreite von Produktionsgeometrien und verschiedene Produktionsanlagen abdeckt. Hierbei kann auf der Datensammlung des Vorprojektes aufgebaut werden. Hierzu sollen verschiedene Konzepte, wie eine mobile Vermessungsanlage das Sammeln von Daten ermöglichen.
  • Zusätzlich soll ein generativer KI-Algorithmus mithilfe von entsprechendem Domänenwissen synthetisch Daten generieren, um dem Problem einer ausreichend großen und variantenreichen Datenbasis entgegenzuwirken.
  • Mit dieser erstellten Datenbasis soll ein Regressionsalgorithmus entwickelt werden, der die binäre Vorhersage („Ring wird Fehler haben“ oder „Ringe wird keine Fehler haben“) aus dem Vorprojekt erweitern soll auf eine beispielhafte Aussage der Form „Der Ring wird eine Abweichung von 3,4%/3mm haben“.
  • Weiterhin wird erforscht, ob die Möglichkeit zur Nutzung nicht gelabelter Daten für das Training des Vorhersagemodells verwendet werden kann. Eine solche Möglichkeit würde die nutzbare Datenmenge für das Training deutlich erhöhen.
  • Schließlich soll die Übertragbarkeit eines solchen maschinellen Lernalgorithmus auf verschiedene Walzanlagen verschiedener Größen erforscht werden.

Dominik Malejka
Industriestr. 38c E2/31
Tel. +49 234 322707
Email: malejka@lps.ruhr-uni-bochum.de
Wiss. Mitarbeiter

Finanziert durch die Deutsche Forschungsgemeinschaft. Förderkennzeichen der DFG: KU1543//20-3