Self-Evolving Digital Twin for Zero-Defect Manufacturing Using Physics-Informed Reinforcement Learning and Multi-Agent Artificial Intelligence: A Case Study on Five-Axis Milling of Ti-6Al-4V.

Stellen Sie sich eine Welt vor, in der Maschinen nicht nur Befehlen folgen, sondern tatsächlich darüber „nachdenken“, was sie tun, und aus jedem Schnitt lernen, um mit der Zeit besser zu werden. Dies ist das Reich der Null-Fehler-Fertigung (Zero-Defect Manufacturing), ein Spiel mit hohem Einsatz, bei dem das Ziel darin besteht, perfekte Teile ohne einen einzigen Fehler herzustellen, was enorme Mengen an Geld und Zeit spart. Um dieses Spiel zu spielen, nutzen Ingeniere einen Digitalen Zwilling: einen virtuellen Geist einer echten Maschine, der in einem Computer lebt. Dieser Geist ahmt die Bewegungen, die Hitze und den Verschleiß der realen Maschine nach, sodass Bediener Probleme vorhersehen können, bevor sie auftreten. Herkömmliche digitale Zwillinge sind jedoch wie alte Lehrbücher; sie werden einmal geschrieben und nie aktualisiert. Wenn die echte Maschine etwas rostig wird oder das Metall heißer wird als erwartet, wird das alte Lehrbuch nutzlos und die Vorhersagen versagen. Um dies zu beheben, versuchen Wissenschaftler nun, „selbstentwickelnde“ Zwillinge zu bauen, die durch Reinforcement Learning (eine Art von KI, die durch Versuch und Irrtum lernt, ähnlich wie ein Videospiel-Charakter, der besser in einem Level wird) und Physics-Informed Machine Learning (das der KI die tatsächlichen Naturgesetze lehrt, damit sie keine unmöglichen Vermutungen anstellt) lernen und sich in Echtzeit selbst aktualisieren.

Dieses Paper stellt ein neues, super-intelligentes System namens SE-PMAT vor, das darauf ausgelegt ist, ein sehr spezifisches, schwieriges Problem zu lösen: das Schneiden eines zähen Luftfahrtmetalls namens Ti-6Al-4V (eine Titanlegierung) mit einer Fünf-Achsen-Fräsmaschine. Dieses Metall ist berühmt dafür, stark, aber ein Albtraum beim Schneiden zu sein; es wird unglaublich heiß, verschleißt Werkzeuge schnell und kann leicht winzige Risse oder raue Oberflächen entwickeln, die teure Flugzeugteile ruinieren. Die Autoren haben einen selbstentwickelnden digitalen Zwilling gebaut, der wie ein Team aus drei Experten-Coaches fungiert, die zusammenarbeiten, um die Maschine zu steuern. Ein Coach kümmert sich nur um die Qualität (eine glatte Oberfläche zu erzeugen), einer um die Energie (Energie zu sparen) und einer um die Produktivität (schnell fertig zu werden). Anstatt zu streiten, nutzen sie eine spezielle Verhandlungsregel namens Nash-Verhandlung (Nash Bargaining), um einen perfekten Mittelweg zu finden, bei dem alle gewinnen.

Das System arbeitet, indem es die Maschine ständig durch Sensoren beobachtet, die Vibrationen, Hitze und Kräfte fühlen. Es nutzt ein „physik-informiertes“ Gehirn, um die Gesetze des Schneidens und der Hitze zu verstehen, besitzt aber auch eine „selbstentwickelnde“ Schicht, die ihre eigene interne Mathematik aktualisiert, wenn das Werkzeug stumpf wird oder sich das Metall anders verhält. Bevor es einen Schritt macht, führt das System eine schnelle Simulation durch, um vorherzusagen, ob in den nächsten Sekunden ein Defekt (wie ein Kratzer oder ein Riss) auftreten wird. Wenn es ein Problem kommen sieht, ändert es die Geschwindigkeit, den Vorschub oder den Winkel der Maschine sofort, um den Defekt zu stoppen, noch bevor er überhaupt entsteht.

In einer massiven Computersimulation einer Produktion von 500 Teilen übertraf dieses neue System fünf andere gängige Methoden. Es reduzierte die Oberflächenrauheits-Varianz (wie stark die Glätte schwankt) im Vergleich zur besten bisherigen Methode um 41,3 %. Es senkte die Werkzeugverschleißrate um 24,4 %, was bedeutet, dass die Schneidwerkzeuge länger halten. Es verringerte die spezifische Schnittenergie (die Energie, die verwendet wird, um ein Stück Metall zu entfernen) um 19,6 %, was den Prozess effizienter macht. Am beeindruckendsten ist, dass es die Defekt-Durchschlupfrate – den Prozentsatz der fehlerhaften Teile, die die Inspektion passieren – von 4,2 % (dem besten Baseline-Wert) auf nur 0,7 % senkte. Die Autoren merken an, dass diese Ergebnisse aus einer detaillierten numerischen Simulation stammen, die auf Daten aus veröffentlichten Experimenten basiert, und noch nicht auf einem physischen Test auf einem echten Fabrikboden, aber die Mathematik legt nahe, dass dieses „selbstentwickelnde“ Team von KI-Coaches die Art und Weise, wie wir High-Tech-Teile herstellen, revolutionieren könnte.