Werktuigmachines worden dynamischer en nauwkeuriger

Hinze is werkzaam bij het Instituut voor Regeltechniek van Werktuigmachines en Productie-eenheden (ISW) aan de Universiteit van Stuttgart. De resultaten van zijn onderzoek zijn volgens de WGP indrukwekkend. Tien jaar geleden ontving hij de Günther Pritschow-prijs voor zijn bachelorscriptie over continu machine learning met behulp van kunstmatige neurale netwerken. Nadat hij zijn masterdiploma had behaald, had hij opnieuw ‘geluk’ met zijn eerste project, gefinancierd door de Deutsche Forschungsgemeinschaft (DFG).

Het ging om het hanteren van flexibele onderdelen zoals kabels en touwen met robots, met name snelle en robuuste lokalisatie met behulp van camerabeelden en vormcontrole. “Dit is een onderzoeksgebied dat in opkomst is en er ontbreken nog maar een paar stappen voordat het proces robuust kan worden toegepast”, aldus Hinze. In de toekomst zou dit bijvoorbeeld kunnen worden gebruikt om schakelkasten automatisch te bedraden of kabelbomen te leggen in de automobielindustrie.

Werktuigmachines dynamischer

En recent heeft hij dus een manier gevonden om kogelomloopspindels dynamischer en nauwkeuriger te verplaatsen dankzij modelgebaseerde positieregeling en zo de aandrijvingen van bijna alle werktuigmachines te optimaliseren. De sleutel tot de onderzochte Sliding Mode regeling ligt in de mate van abstractie van de kogelomloopspindel. “Tot nu toe bestonden de meeste regelingsbenaderingen in het onderzoek uit het vervangen van het gehele regelsysteem, wat betekent dat de krachtbalans in de kogelomloopspindel heel nauwkeurig bekend moet zijn”, legt Hinze uit. “Met de nieuwe methode vervangen we slechts één onderdeel, de positieregelaar. Dit maakt het veel eenvoudiger om het geregelde systeem te modelleren, omdat de rest van het regelsysteem al een groot deel van de onzekerheden absorbeert. Tegelijkertijd is de parametrering voor industriële toepassingen vereenvoudigd, wat vergelijkbaar is met de instelling van de eerder gebruikte regelaar.”

Dankzij de modelgebaseerde positieregelaar kunnen fouten in het geleidingsgedrag van de machine met gemiddeld 50 tot 60% worden verminderd. Hetzelfde geldt voor fouten die bijvoorbeeld ontstaan door fouten die tijdens het frezen optreden. Beide hebben over het geheel genomen een grote impact op de kwaliteit van de componenten.

De modelgebaseerde positieregeling kan ook worden overgedragen naar andere aandrijfsystemen die een soortgelijk modelgedrag vertonen. Voorbeelden hiervan zijn tandheugelaandrijvingen, die worden gebruikt op zeer grote werktuigmachines, of aandrijvingen in de gewrichten van industriële robots, die nu experimenteel worden gedemonstreerd.

Nauwkeuriger modelleren

Modelleren is ook de focus van de junior onderzoeksgroep binnen de Innovation Campus Mobilität der Zukunft (ICM), die Hinze sinds het afronden van zijn doctoraat leidt. Zogenaamde grey box-modellen moeten helpen bij het verbeteren van de padplanning en -besturing van machines met behulp van machine learning-modellen en zo bijvoorbeeld nauwkeuriger bewerken met werktuigmachines mogelijk maken of procesfouten voorspellen en controleren vóór het bewerken. De methode maakt gebruik van bekende modelkennis van machinedynamica en alleen de afwijkingen worden getraind met behulp van machine learning.

Hierdoor kunnen eenvoudigere machine learning-modellen worden gebruikt, die ook in realtime op het besturingssysteem kunnen worden uitgevoerd. Dergelijke afwijkingen worden bijvoorbeeld veroorzaakt door toleranties in de productie, maar ook door effecten die alleen met veel moeite analytisch kunnen worden gemodelleerd.

Het project loopt tot eind 2026. In die periode willen de onderzoekers van het instituut in Stuttgart, in samenwerking met andere onderzoeksinstituten, het onderwerp verbreden en de eerste resultaten overdragen aan de industrie.