Modellprädiktive Werkzeugpfad-Planung

Übersicht

  • Unsere fortschrittlichen CAM-Lösungen, die durch kundenspezifische Prozesssimulationen ergänzt werden, rationalisieren die Fertigung durch präzise und effiziente Werkzeugwegplanung. Diese Systeme passen sich an Ihre individuellen Anforderungen an, wodurch die Abhängigkeit von Versuch-und-Irrtum-Methoden erheblich reduziert und die Produktion beschleunigt wird.

Vorteile

  • Kürzere Vorlaufzeit: Unsere automatisierten CAM-Systeme verkürzen die Planungszeit für die Werkzeugwege erheblich und reduzieren so die Produktionszeit und -kosten.
  • Anpassbare Zielsetzungen: Diese Systeme sind auf Ihre spezifischen Anforderungen zugeschnitten und gewährleisten eine optimale Leistung in Bezug auf relevante Messgrößen. 
  • Verbesserte Produktqualität: Der Einsatz unserer fortschrittlichen Simulationen führt zu qualitativ hochwertigeren Produkten mit gleichbleibender Fertigungspräzision und kürzeren Vorlaufzeiten.

Für viele komplexe industrielle Prozesse kann die Werkzeugpfadplanung auf Anhieb richtig gemacht werden. Typischerweise liefern heuristische Planer einen ersten Plan, der während der Produktion durch Versuch und Irrtum verfeinert wird, was sehr zeitaufwendig ist. Oft wird aber auch kein geeigneter Werkzeugpfad gefunden und ernsthafte Kompromisse in der Teilequalität müssen eingegangen werden.

  •  

Um diese Problem anzugehen, entwickeln wir ultraschnelle, datengetriebene Prozessmodelle, die automatisch in der Linie kalibriert werden können. Diese Modelle verwenden wir dann, um optimale Werkzeugpfade in Bezug auf spezifische Bewertungsmetriken und Beschränkungen der Roboterkinematik zu berechnen, wobei fortgeschrittene und meistens problemspezifische Optimierungstechniken genutzt werden.

Derzeit konzentrieren wir uns auf Wire Arc Additive Manufacturing (WAAM) und thermisches Spritzen. Bei WAAM erforschen wir einen auf Verstärkungslernen basierenden Planungsansatz, der Unsicherheitsvorhersagen unseres Modells nutzt. Beim thermischen Spritzen wenden wir nichtlineare Optimierungsmethoden an, um Werkzeugpfade zu optimieren, wobei wir von der Differenzierbarkeit des entwickelten Modells profitieren. In Zukunft planen wir, unsere Arbeit auf andere Prozesse auszudehnen und Methoden des maschinellen Lernens für die Erzeugung von Anfangspfaden einzusetzen, um eine vollautomatische Werkzeugpfadgenerierung direkt aus CAD-Daten zu ermöglichen.