DynaCut: Mit KI gezielter experimentieren, Hochschule für Wirtschaft FHNW

Präzisionswerkzeuge erzielen ihre maximale Leistungsfähigkeit nur mit optimal abgestimmten Schnittparametern. Die Bestimmung dieser Parameter ist jedoch aufwendig und basiert heute häufig auf einer grossen Anzahl physischer Versuche. Gemeinsam entwickeln FRAISA und die FHNW im Projekt DynaCut ein intelligentes Machine-Learning-System, das die Entwicklung von Schnittdaten effizienter, datengetriebener und kostengünstiger macht.

Grundlage

DynaCut nutzt historische Versuchsdaten, um zu lernen, welche Kombinationen aus Schnittparametern, Werkzeuggeometrien, Werkstoffen und Anwendungsszenarien zu erfolgreichen Bearbeitungsergebnissen führen. Herzstück des Systems ist ein sogenannter Gaussian Process, der nicht nur Vorhersagen trifft, sondern auch die Unsicherheit seiner eigenen Prognosen quantifiziert.

Auf dieser Grundlage bestimmt ein Verfahren zur Stepwise Uncertainty Reduction jeweils den informativsten nächsten Versuch. Nach jedem Experiment wird der weitere Versuchsplan automatisch angepasst und priorisiert. Dadurch können Entwicklungsteams gezielt dort testen, wo der grösste Erkenntnisgewinn zu erwarten ist.

Ziel

Das Projekt verfolgt das Ziel, den Aufwand für physische Versuche um durchschnittlich rund 30 Prozent zu reduzieren. Gleichzeitig sollen technische Beratungsressourcen effizienter eingesetzt und Kunden mit noch präziseren Schnittdaten unterstützt werden. Langfristig trägt DynaCut dazu bei, innovations- und wissensintensive Entwicklungs- und Beratungsleistungen nachhaltig in der Schweiz zu stärken.