Der textile Markt steht aufgrund von Themen wie Nachhaltigkeit, Ökobilanz, Funktionalisierung und Digitalisierung vor enormen Herausforderungen. Der Einsatz und die Entwicklung neuer hochfunktioneller und gleichzeitig nachhaltig produzierter Materialien nimmt rasant zu. Um einer steigenden Anzahl an Materialvarianten und einer steigenden Komplexität der textilen Produkte, durch z. B. die Integration funktioneller Bestandteile, gerecht zu werden, müssen Produktionsprozesse deutlich effizienter ausgelegt werden.

Dabei von mitentscheidender Bedeutung ist der Einstellungsprozess von textilen Produktionsmaschinen. Garnmaterialien/-eigenschaften, Prozessparameter sowie Produkteigenschaften beinhalten eine Vielzahl von Variablen, die die maschinenführende Person durch ein hohes Maß an Know-how und Anpassungsversuchen mittels der richtigen Maschineneinstellung aufeinander abstimmen muss. Aktuell ist dieser Prozess daher durch eine Vielzahl an Iterationsschleifen geprägt. Hierbei ergibt sich durch die Vereinfachung des Einstellprozesses der Maschine ein enormes Potenzial Kosten, Zeit und Material einzusparen. Forschungsansatz ist eine neue Möglichkeit der Parameterkorrelation, auf Grundlage eines künstlichen neuronalen Netzes (siehe Abb. 1).

Lösungsansatz: Künstliches neuronales Netz

Für die effizientere Gestaltung des Einstellungsprozesses textiler Produktionsmaschinen bietet das Feld der künstlichen Intelligenz eine Vielzahl von Ansatzmöglichkeiten. Ziel ist es, ein System zu entwickeln, welches bestmöglich auf den speziellen Anwendungsbereich ausgelegt ist. Eine wesentliche Aufgabe bei der Auslegung und Entwicklung eines solchen Systems ist es daher, die richtigen Komponenten miteinander zu verknüpfen.

Wir befinden uns bei diesem Anwendungsfall im Bereich der schwachen künstlichen Intelligenz. Maschinelles Lernen ist ein Teilbereich davon und kann der Datenanalyse zugeordnet werden. Innerhalb des maschinellen Lernens gibt es unterschiedliche Lernmethoden. Durch konkrete Zahlenwerte, die die Produkteigenschaften beschreiben, fällt die Wahl auf das „überwachte Lernen“. Das Ziel ist eine Vorhersage der notwendigen Maschinenparameter und wird durch eine Regression umgesetzt. Künstliche neuronale Netze können dabei unterschiedlich aufgebaut sein. Aufgrund der komplexen Zusammenhänge der Produktionsparameter wird ein künstliches neuronales Feedforward-Netz verwendet. Das künstliche neuronale Netz wird mit der Backpropagation-Methode trainiert.

Das so beschriebene künstliche System ist in der Lage, auf der Basis von Materialparametern und vorher definierten Produkteigenschaften die notwendigen und vorher unbekannten Maschinenparameter vorherzusagen.

Die Vision: Einstellprozesse von Maschinen vereinfachen

 Ziel und Vision der Forschung ist die Entwicklung eines Systems auf Grundlage eines KNNs zur Vereinfachung des Einstellprozesses textiler Produktionsmaschinen. Dieses System ist für das maschinenführende Personal, z. B. mittels einer Anwendung für Tablets, leicht zugänglich sowie unmittelbar an der Maschine nutzbar. Mit Hilfe der Anwendung ist es möglich, zum einen die notwendigen Maschinenparameter zu berechnen und zum anderen die berechneten Werte direkt an der Maschine abzurufen und auszulesen. Außerdem können kontinuierlich neue Daten eingepflegt werden, wodurch eine Expertendatenbank und damit eine personalisierte Unternehmensanwendung entsteht.

Lesen Sie den vollständigen Artikel in textile network Ausgabe 2/2022 und nutzen Sie unsere verschiedenen Abonnement-Optionen.

 Für die Durchführung der Forschungsarbeiten ist die Hochschule Niederrhein offen für eine Zusammenarbeit mit interessierten Partnern aus der Industrie.

Kontaktdaten:

Lennart Hellweg

Tel.: +49 2161 – 186 6159

lennart.hellweg@hs-niederrhein.de