Teilprojekt A07

Anomaliegetriebenes Reinforcement Learning zur Prozessoptimierung in der additiven Fertigung von Hybridmaterialien

Die komplexen Zusammenhänge zwischen Materialeigenschaften, Wärmeaustausch und Prozessparametern beim Laserauftragschweißen (DED-LB) erschweren die Entwicklung genauer und rechnerisch effizienter physikbasierter Modelle für die Echtzeitprozessoptimierung. Techniken des maschinellen Lernens zeigen das Potenzial eine recheneffiziente Echtzeitoptimierung zu ermöglichen. Das Projektziel ist die Entwicklung eines anomaliegetriebenes Reinforcement Learning (RL) Modell für die dynamische Anpassung der Prozessparameter beim DED-LB Verfahren. Zunächst werden mit Experimenten geeignete Parameterbereiche identifiziert, ihr Einfluss auf Bauteileigenschaften wie Porosität analysiert und Prozessdaten erhoben. Durch statistische Analysen werden Schwellwerte zur Klassifizierung von Anomalien definiert und die Prozessdaten annotiert. Anhand der Daten wird ein Anomalie-Detektion (AD) Modell darauf trainiert, die Prozesszustände von Bauteilen guter Qualität als Normalität zu erlernen. Zusätzlich wird ein Surrogate-Modell zum Simulieren des Prozesses mit Prozessdaten von Bauteilen unterschiedlicher Qualität trainiert. Durch die Interaktion mit dieser Simulation wird das RL-Modell lernen Prozessparameter durch die Minimierung der Anomalie-Scores des AD-Modells zu optimieren und somit die Produktqualität sicherzustellen.

Teilprojektleitung
Prof. Dr.-Ing. Jan C. Aurich
Jun. Prof. Dr. Sophie Fellenz
Prof. Dr. Marius Kloft

Doktorandin / Doktorand
Maik Schürmann, M.Sc.
Saurabh Varshneya, M.Sc.

Publikationen

Arbeiten mit einer wissenschaftlichen Qualitätssicherung und Buchbeiträge

S. Ghansiyal, L. Yi, M. Klar, J.C. Aurich: Designing Porous Structure with Optimized Topology using Machine Learning. Procedia CIRP 125 (2024): S. 190-195. 10.1016/j.procir.2024.08.033