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:
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