Die Ermittlung geeigneter Schmierparameter ist für die Auslegung eines effektiven Schmiedeprozesses von entscheidender Bedeutung. Derzeit erfolgt diese Ermittlung überwiegend durch Trial-and-Error zu Beginn der Produktion, wobei anschließende Anpassungen auf der Grundlage der Fachkenntnisse des Bedieners vorgenommen werden. Um den manuellen Arbeitsaufwand, die Kosten und insbesondere den Ressourcenverbrauch zu reduzieren, ist es vorteilhaft, die Auswahl geeigneter Schmierparameter im Voraus zu ermöglichen. Dies unterstützt die Industrie bei der Erreichung ihrer CO₂-Neutralitätsziele und verbessert gleichzeitig die Prozessstabilität. In diesem Beitrag werden vereinfachte Versuchsmethoden zur Bewertung der tribologischen Eigenschaften von Warmschmiedeverfahren vorgestellt; zur Ermittlung des Einflusses der Schmierschichtdicke auf das tribologische System wurde der Ringstauchversuch gewählt. Diese Studie gliederte sich in zwei Phasen: erstens eine Untersuchung des Designraums der Sprühparameter; zweitens eine Untersuchung des Reibungskoeffizienten für verschiedene Schmierschichtdicken.
Warmmassivumformung, Schmierung, Ringstauchversuch
Diese Studie befasst sich mit der Automatisierung von Konstruktionsaufgaben mithilfe generativer künstlicher Intelligenz, wobei der Schwerpunkt auf der Auslegung von Maschinenelementen und der Erstellung der entsprechenden CAD-Modelle, insbesondere von Schraubverbindungen, in der Open-Source-Software FreeCAD liegt. Es wurden drei Systemarchitekturen entwickelt und bewertet: All-in-One, Chatbot-Designbot und Chatbot-Calculator-Code Generator. Diese Frameworks integrieren große Sprachmodelle wie GPT-2 und CodeGen, die mittels parameter-effizientem Fine-Tuning und Low-Rank-Adaptation feinabgestimmt wurden. Während die All-in-One-Architektur alle Aufgaben in einem einzigen Modell zusammenfasst, zerlegen die Architekturen Chatbot-Designbot und Chatbot-Calculator-Code Generator den Prozess in spezialisierte Module für Dialoginteraktion, Parameterextraktion, Bauteilbemaßung und CAD-Code-Generierung. Die Auswertungsergebnisse zeigen, dass die Konfiguration „Chatbot-Calculator-Code Generator“ die niedrigste Gesamtfehlerquote für die vier Schritte zusammen (2 %) bei einer Gesamttrainingszeit von 63,4 Minuten erzielt. Diese Konfiguration übertrifft die Architekturen „Chatbot-Designbot“ (3,96 %, 117,7 Minuten) und „All-in-One“ (53 %, 24,2 Minuten). Diese Ergebnisse zeigen, dass kompakte, fein abgestimmte große Sprachmodelle eine genaue und effiziente Konstruktionsautomatisierung ermöglichen können, selbst bei begrenzten Datenmengen. Diese Arbeit schafft eine methodische Grundlage für skalierbare, auf generativer künstlicher Intelligenz basierende CAD-Systeme und interaktive Konstruktionsworkflows.
KI, CAD, Designautomatisierung, NLP, technische Berechnungen
Wie lassen sich Mitarbeitende in der Prozesssteuerung durch KI-generierte Einstellvorschläge von Prozessgrößen unterstützen? Dieser Frage ist das Mittelstand-Digital Zentrum Hannover zusammen mit der Firma H&T Presspart GmbH & Co. KG nachgegangen. Das Unternehmen fertigt pharmazeutische Geräte und Komponenten. Trotz automatisierter Aerosoldosen-Produktion sind Mitarbeitende weiterhin stark in die Überwachung der Prozessparameter eingebunden. Eine Lösung zur frühzeitigen Bestimmung optimaler Einstellungen soll sie entlasten.
KI, Maschinelles Lernen, Prozessoptimierung, Prozessparametereinstellung
