Versuchsplanungsmethoden für die experimentelle Modellbildung bestehender mechatronischer Prozesse

Abstract

Bestehende mechatronische Prozesse müssen stetig verbessert werden, um aktuelle Anforderungen hinsichtlich Flexibilität, Qualität und Effizienz zu erfüllen. Hierfür werden Modelle benötigt, die das Prozessverhalten abbilden und zur Analyse und Optimierung geeignet sind. Zunehmend werden zu diesem Zweck datenbasierte Modelle verwendet, deren Güte in hohem Maße von den verfügbaren Daten abhängig ist. Daten aus dem regulären Betrieb von Prozessen sind häufig auf wenige Arbeitspunkte konzentriert und somit für eine gute Modellbildung ungeeignet. Diese Arbeit befasst sich mit der experimentellen Modellbildung, bei der die Trainingsdaten eines datenbasierten Modells gezielt in Experimenten erfasst werden. Dazu werden neue Versuchsplanungsmethoden entwickelt, die mit einem geringen Aufwand praktisch eingesetzt werden können. Aufwände werden sowohl in der Versuchsplanung als auch -durchführung reduziert, indem verfügbares Prozesswissen einbezogen und Prozesseigenschaften ausgenutzt werden. Mit der inkrementellen Modellbildung wird ein schrittweises Verfahren zur Versuchsplanung und Modellbildung vorgestellt. In jedem Schritt wird eine weitere Eingangsgröße zum Versuchsplan und Modell hinzugefügt, was durch die ansteigende Komplexität zu einem intuitiven Vorgehen führt. Indem die bedeutendsten Eingangsgrößen zuerst betrachtet werden, kann das wesentliche Prozessverhalten in wenigen Schritten abgebildet werden. Darüber hinaus wird eine neue Versuchsplanungsmethode für zusammengesetzte Einheiten beschrieben. Bei dieser Art von Prozessen sind die Werte der Eingangsgrößen durch die in den Einheiten verwendeten Komponenten festgelegt. Durch die Ermittlung von optimalen Kombinationen gegebener Komponenten werden kosteneffiziente Versuche z. B. für Montageprozesse ermöglicht. Die entwickelten Methoden werden anhand von Testprozessen mit Referenzmethoden verglichen. Hierbei werden trotz der gesteigerten praktischen Anwendbarkeit gleichwertige Modellgüten erreicht. Anhand von drei verschiedenen realen Anwendungen wird die praktische Anwendbarkeit demonstriert.

Existing mechatronic processes have to be continuously improved in order to meet current requirements for flexibility, quality and efficiency. For this purpose, models are needed that represent the process behavior and are suitable for analysis and optimization. More and more, data-based models are used for this purpose, whose quality strongly depends on the available data. Data from regular process operation are often concentrated on a few operating points and are therefore not well suited for modeling. In this work, experimental modeling is applied, in which the training data for a data-based model are systematically obtained in experiments. For this purpose, new design of experiments methods are developed that can be practically applied with little effort. Both in the design of experiments and in the execution of experiments, efforts are reduced by incorporating existing process knowledge and by exploiting process characteristics. With incremental modelling, a stepwise approach for experimental design and modelling is presented. In each step, the experimental design and the process model are extended by an additional input variable, which leads to an intuitive modeling approach due to the increasing complexity. By incorporating the most important input variables first, the main process behavior can be modeled in a few steps. Furthermore, a new experimental design method for composite units is described. In this type of processes, the values of the input variables are specified by the components used in the units. By creating optimal combinations of given components, cost-efficient experiments are enabled, e.g. for assembly processes. The developed methods are compared to reference methods using test processes. With these novel methods, equivalent model quality can be achieved even though greater practical applicability is given. The practical applicability is demonstrated by the means of three different real-world applications.