Innovative Ansätze – Integration von KI in der Fertigung

Aktuelle Projekte

ZIM Intelliment

Im Projekt wird ein KI-basiertes, selbstlernendes System zur automatisierten mechanischen Bearbeitung medizinischer Instrumente entwickelt. Ein KI-gestütztes Expertensystem unterstützt die Auswahl geeigneter Abricht-, Schleif- und Polierwerkzeuge sowie der zugehörigen Bearbeitungsparameter und wird mit Robotertechnik sowie In- und Post-Prozess-Messverfahren kombiniert. Ziel ist eine reproduzierbare Oberflächenqualität, eine stabile Prozessführung und die Reduzierung manueller Endbearbeitung.

ZIM GrainVision

GrainVision steht für ein KI-gestütztes Inline-Kamerasystem zur hochpräzisen Echtzeitüberwachung von Superabrasiv-Schleifwerkzeugen. Ein neuartiges Zeilenkamerasystem mit Fokus-Stacking erfasst die komplette Oberflächentopografie der Schleifscheibe innerhalb weniger Sekunden und erzeugt hochauflösende 3D-Bilddaten. Eine mehrstufige KI-Pipeline analysiert diese Daten automatisiert auf Körnerabrieb, Abflachungen und Verschleißmuster. Dafür werden CNN-basierte Bildsegmentierung, Konturenanalyse und Höhenprofile kombiniert, ergänzt durch synthetische Trainingsdaten aus generativen neuronalen Netzen. Das System ermöglicht eine zuverlässige Zustandsbewertung mit hoher Wiederholgenauigkeit, ohne den Schleifprozess zu unterbrechen, und schafft die Grundlage für eine produktive, datenbasierte Prozessüberwachung in der industriellen Schleifbearbeitung.

ZIM GrindMaster – Entwicklung und algorithmische Umsetzung des selbstlernenden Expertensystems durch Kombination von wissens- und datengetriebenen Modellen, ergänzt durch Explainable AI

Ein selbstlernendes Expertensystem ermöglicht die autonome Optimierung von Schleifprozessen in NC-gesteuerten Flachschleifmaschinen. Durch die Kombination wissensbasierter Modelle, datengetriebener KI und Explainable AI wählt das System automatisch Werkzeuge, Abrichtstrategien und Prozessparameter und passt diese fortlaufend an. Ein integriertes laserbasiertes Messsystem liefert hochauflösende Prozessdaten, die für Vorhersagen zu Werkstückqualität, Prozessdauer und Spindellast genutzt werden. Das System lernt aus jedem Schleifzyklus, reduziert Prozesszeiten deutlich und kompensiert fehlendes Expertenwissen. Damit entsteht eine praxisnahe Grundlage für effizientere, kostengünstigere und zunehmend autonome Schleifbearbeitung in der industriellen Fertigung.

PräziLoop – Closed-Loop Qualitätsvorhersage und Prozessoptimierung für Präzisionsschleifprozesse mittels Künstlicher Intelligenz

Das Forschungsprojekt PräziLoop beschäftigt sich mit der Entwicklung eines intelligenten, datengetriebenen Systems zur Closed-Loop-Qualitätsvorhersage in der Präzisionsfertigung, insbesondere im Schleifprozess. Ziel ist es, Sensordaten, Maschinendaten und Qualitätsmessungen mithilfe moderner Methoden des maschinellen Lernens zu analysieren, um die Werkstückqualität bereits während der Bearbeitung vorherzusagen und Prozessparameter automatisch zu optimieren. Durch die Kombination von hochfrequenten Sensordaten, Zeitreihenanalysen und multimodalen KI-Modellen entsteht ein intelligentes System, das Qualitätsabweichungen frühzeitig erkennt und eine adaptive Prozesssteuerung ermöglicht. Dadurch können aufwendige nachgelagerte Messprozesse reduziert und gleichzeitig Produktivität, Prozessstabilität und Ressourceneffizienz in der Fertigung deutlich verbessert werden.

Ziele und Ergebnisse
  • Entwicklung eines KI-basierten Systems zur Echtzeit-Vorhersage der Werkstückqualität im Schleifprozess auf Basis von Sensor-, Maschinen- und Prozessdaten.
  • Aufbau einer integrierten Dateninfrastruktur zur Synchronisierung heterogener Datenquellen (z. B. CNC-Maschinendaten, Acoustic-Emission-Signale, Kraft- und Prozessparameter) für eine ganzheitliche Prozessanalyse.
  • Entwicklung moderner Machine-Learning-Modelle zur Analyse komplexer Zeitreihendaten, einschließlich Transformer-Architekturen und LSTM-Netzwerken zur Qualitätsprognose.
  • Untersuchung von Zero-Shot- und Few-Shot-Learning-Methoden, um KI-Modelle auch bei begrenzten Trainingsdaten effizient einsetzen zu können.
  • Entwicklung eines multimodalen Grinding Foundation Models, das verschiedene Modelle und Datenquellen kombiniert und eine robuste Qualitätsvorhersage für unterschiedliche Schleifprozesse ermöglicht.
  • Integration von Explainable-AI-Methoden (XAI), um die Entscheidungen der KI transparent darzustellen und das Vertrauen der Anwender in industrielle KI-Systeme zu erhöhen.
  • Aufbau eines MLOps-basierten Systems für kontinuierliches Training, Monitoring und Deployment von KI-Modellen in Produktionsumgebungen.
  • Demonstration eines Closed-Loop-Ansatzes, bei dem Prozessparameter automatisch angepasst werden können, um Qualitätsabweichungen zu kompensieren und Ausschuss zu reduzieren.
  • Entwicklung von Benutzerinterfaces zur verständlichen Darstellung von KI-Ergebnissen, einschließlich KI-gestützter Assistenzsysteme zur Interpretation komplexer Prozessdaten.
  • Beitrag zur Entwicklung datengetriebener Fertigungssysteme, die Echtzeit-Prozessüberwachung, Qualitätsprognose und adaptive Prozessoptimierung in einer integrierten Architektur vereinen.
Publikationen
  • Toward Real-time Prediction of Surface Roughness in Grinding Process Using Industrial Edge devices, The International Journal of Advanced Manufacturing Technology, Seyyed Sajjad Ahmadpoor, Bahman Azarhoushang, 2026

Multisensorische Prozessüberwachung und Datensynchronisation auf einer Swiss-Type Drehmaschine (Hanwha XD26II-V)

Im Rahmen experimenteller Untersuchungen wurde auf einer Swiss-Type Drehmaschine (Hanwha XD26II-V) eine multisensorische Messinfrastruktur zur hochauflösenden Prozessüberwachung aufgebaut. Ziel ist die systematische Erfassung verschiedener physikalischer Prozesssignale während der Bearbeitung, um das dynamische Verhalten von Werkzeug, Spindel und Antrieb in der Präzisionszerspanung zu analysieren.

Hierfür wurden mehrere Sensoren integriert, darunter ein Stromsensor zur Messung des Hauptspindelantriebsstroms, ein Beschleunigungssensor am Werkzeughalter zur Erfassung von Schwingungen sowie ein Acoustic-Emission-Sensor (AE) an der Spindel zur Detektion hochfrequenter Prozesssignale. Da Maschinendaten der Steuerung nicht direkt zugänglich sind, wurde eine eigene Synchronisationslösung entwickelt, welche die verschiedenen Sensordatenströme zeitlich ausrichtet und eine konsistente Analyse der Prozesssignale ermöglicht. Die erfassten Daten bilden die Grundlage für datengetriebene Methoden zur Prozessanalyse, Zustandsüberwachung und Modellierung in der Präzisionsbearbeitung.

Ziele und Ergebnisse
  • Aufbau einer multisensorischen Messinfrastruktur auf einer Swiss-Type Drehmaschine zur Erfassung von Strom-, Vibrations- und Acoustic-Emission-Signalen während der Bearbeitung.
  • Entwicklung einer eigenen Synchronisationslösung zur zeitlichen Ausrichtung der verschiedenen Sensordatenströme, da keine direkte Maschinendatenschnittstelle verfügbar ist.
  • Integration und Fusion verschiedener Sensordatenquellen zur ganzheitlichen Analyse des Bearbeitungsprozesses.
  • Entwicklung datengetriebener Methoden zur Prozessanomalieerkennung, um instabile oder fehlerhafte Bearbeitungszustände frühzeitig zu identifizieren.
  • Entwicklung von Modellen zur Qualitätsprognose auf Basis der fusionierten Sensordaten während des Bearbeitungsprozesses.
  • Untersuchung von Werkzeugzustandsüberwachung (Tool Condition Monitoring) durch Analyse von Strom-, Vibrations- und Acoustic-Emission-Signalen.
  • Experimentelle Validierung der entwickelten Mess- und Datenerfassungsinfrastruktur unter realen Bearbeitungsbedingungen auf der Swiss-Type Drehmaschine Hanwha XD26II-V.

Abgeschlossene Projekte

Invest-BW: KiBoOpt – Optimierung von Bohrwerkzeugen mit Methoden der KI

Das Projekt KiBoOpt beschäftigt sich mit der Optimierung von Mikrobohrprozessen durch den Einsatz von Methoden der Künstlichen Intelligenz. Ziel war die Entwicklung eines praxisnahen Systems zur Überwachung des Werkzeugzustands, das prozessnahe Sensordaten, datengetriebene Modelle und Verschleißanalysen kombiniert, um Werkzeugverschleiß frühzeitig zu erkennen und Produktionsprozesse stabiler und effizienter zu gestalten.

Ziele und Ergebnisse
  • Entwicklung eines KI-gestützten Systems zur Werkzeugzustandsüberwachung (Tool Condition Monitoring) für Mikrobohrprozesse.
  • Aufbau einer strukturierten Datenerfassung mit Kraft- und Körperschallsignalen sowie Verschleißmessungen für verschiedene Werkzeuggeometrien und Beschichtungen.
  • Definition von VBmax (maximaler Flankenverschleiß) als zentraler Indikator zur Bewertung des Werkzeugzustands.
  • Entwicklung und Bewertung datengetriebener Modelle (z. B. XGBoost und Random Forest) zur Vorhersage des Werkzeugverschleißes.
  • Umsetzung einer modularen Systemarchitektur für Signalverarbeitung, Feature-Extraktion und Modellierung.
  • Implementierung einer anwenderfreundlichen Softwarelösung zur Visualisierung des Werkzeugzustands und zur Abschätzung der verbleibenden Werkzeugstandzeit.
Publikationen
  • S. Fattahi, B. Azarhoushang, M. Paknejad, and H. Kitzig-Frank, AI-Driven Tool Wear Prediction Under Severe Data Scarcity with SHAP-Guided Feature Selection and Fold-Safe Augmentation: A Case Study of Titanium Microdrilling, Machines, vol. 14, no. 2, p. 196, 2026, doi: 10.3390/machines14020196.
  • S. Fattahi, B. Azarhoushang, M. Paknejad, and H. Kitzig-Frank, Praxisnahe Implementierung eines KI-gestützten Werkzeugzustandsüberwachungs-Systems (Tool Condition Monitoring) am Beispiel des Mikrobohrens, (in de) Diamond Business, vol. 96.2026, no. 1, pp. 36–39, 2026.
Carl Zeiss Stiftung: DQ-Meister

Das Projekt DQ-Meister verfolgt das Ziel, ein datengetriebenes System zu entwickeln, das die Prozessplanung, Qualitätsüberwachung und Entscheidungsfindung im Schleifprozess unterstützt. Durch die Kombination von Sensordaten, maschinellen Lernmethoden und wissensbasierten Modellen wurde ein intelligentes Assistenzsystem entwickelt, das Prozesszustände analysiert, Qualitätsabweichungen frühzeitig erkennt und eine optimierte Prozesssteuerung ermöglicht

Ziele und Ergebnisse
  • Entwicklung eines hybriden Expertensystems (KSF Grindingexpert) zur Unterstützung von Prozessplanung, Entscheidungsfindung und Optimierung im Schleifprozess.
  • Aufbau eines Systems zur Integration und Synchronisierung von Sensordaten und Maschinendaten aus mehreren Quellen für eine kontinuierliche Prozessüberwachung (ARTHUR).
  • Entwicklung eines modularen KI-basierten Systems zur prädiktiven Qualitätsbewertung, das Qualitätsabweichungen und Anomalien im Schleifprozess frühzeitig erkennt.
  • Integration von Echtzeit-Sensordaten und Maschinendaten zur datengetriebenen Prozessüberwachung und Qualitätskontrolle.
  • Implementierung von Explainable AI (XAI) Methoden, um Transparenz und Nachvollziehbarkeit bei KI-gestützten Qualitätsprognosen sicherzustellen.
  • Experimentelle Validierung der entwickelten Systeme, wobei eine hohe Vorhersagegenauigkeit und robuste Leistung im realen Schleifprozess demonstriert wurden.
Publikationen
  • S. Fattahi, B. Azarhoushang, and H. Kitzig-Frank, Knowledge-Based Adaptive Design of Experiments (KADoE) for Grinding Process Optimization Using an Expert System in the Context of Industry 4.0, JMMP, vol. 9, no. 2, p. 62, 2025, doi: 10.3390/jmmp9020062.
  • S. Fattahi, B. Azarhoushang, and H. Kitzig-Frank, A Hybrid Machine Learning and Multi-Objective Optimization Framework for Enhancing the Grinding Expert System in Smart Manufacturing, in 19th CIRP Conference on Intelligent Computation in Manufacturing Engineering (CIRP ICME ’25), 16-18 July 2025, Ischia, Italy, 2025, p. 6.
  • B. Azarhoushang, H. Kitzig-Frank, and S. Fattahi, Ein selbstlernendes innovatives Expertensystem für die moderne Schleifprozessplanung – GrindingExpert, in Moderne Schleiftechnologie und Feinstbearbeitung : Neue Entwicklungen und Trends aus Forschung und Praxis; 15.Seminar 2025, 2025, 3a-1 ‐ 3a-13.
  • B. Azarhoushang and S. Ahmadpoor, KI auf dem Prüfstand : KI-gestützte Erkennung von Anomalien und Oberflächenvorhersage, in Moderne Schleiftechnologie und Feinstbearbeitung : Neue Entwicklungen und Trends aus Forschung und Praxis; 15.Seminar 2025, 2025, 3b-1 ‐ 3b-9.

KInCNC – Optimierung von Fräsprozessen mit Methoden der Künstlichen Intelligenz

Das Projekt KInCNC widmet sich der Entwicklung eines intelligenten Assistenzsystems zur Optimierung von Fräsprozessen, insbesondere bei schwer zerspanbaren Materialien wie Titanlegierungen. Durch die Verknüpfung von hochfrequenten Prozessdaten aus der CNC-Steuerung mit Deep-Learning-Modellen wird eine Echtzeit-Überwachung realisiert, die Werkzeugverschleiß und Oberflächengüte präzise vorhersagt.

Ziele und Ergebnisse
  • Entwicklung eines KI-basierten Überwachungssystems zur frühzeitigen Erkennung von Werkzeugbruch und zur Sicherstellung der Oberflächenqualität (Surface Roughness).
  • Hochfrequente Datenerfassung direkt aus der CNC-Steuerung (z. B. Siemens SINUMERIK Edge), um Spindellasten, Achsströme und Drehmomente ohne zusätzliche externe Sensorik zu analysieren.
  • Einsatz innovativer Datenverarbeitung durch „Time Series Imaging“ (Gramian Angular Field), wodurch komplexe Zeitreihensignale in Bilder umgewandelt und mittels Convolutional Neural Networks (CNN) effizient ausgewertet werden.
  • Steigerung der Prozesseffizienz durch die Reduzierung von Ausschuss und die optimale Ausnutzung der Werkzeugstandzeiten bei der Bearbeitung anspruchsvoller Bauteile.
  • Transfer in die industrielle Praxis durch die Bereitstellung von Modellen, die auch bei ungleichmäßigen Datensätzen (seltene Fehlerereignisse) eine hohe Vorhersagegenauigkeit von über 90 % erreichen.
  • Erhöhung der Prozessstabilität und Transparenz im Sinne einer digitalen Fertigung (Industrie 4.0).
Publikationen
  • F. Hojati, B. Azarhoushang, A. Daneshi, and R. Hajyaghaee Khiabani, Prediction of Machining Condition Using Time Series Imaging and Deep Learning in Slot Milling of Titanium Alloy, JMMP, vol. 6, no. 6, p. 145, 2022, doi: 10.3390/jmmp6060145.
  • F. Hojati and B. Azarhoushang, Predicting critical machining conditions using time-series imaging and deep learning in slot milling of titanium alloy, The Upper-Rhine Artificial Intelligence Symposium UR-AI 2022: AI Applications in Medicine and Manufacturing, 19 October 2022, Villingen-Schwenningen, Germany, pp. 57–63, 2022, doi: 10.3390/jmmp6060145.