Modellierung von Fertigungsprozessen mit mehrdimensionalen Regressionsansätzen und Künstlichen Neuronalen Netzen

Heutige Fertigungsverfahren stehen im Spannungsfeld zwischen steigenden Qualitätsanforderungen, hoher Prozeßsicherheit, geringen Fertigungskosten und kurzen Fertigungszeiten. Um diese Forderungen erfüllen zu können, müssen die Prozeßeinstellgrößen entsprechend den Qualitätsanforderungen optimal gewählt werden. Hierfür ist es erforderlich, die Prozesse in Modellen abzubilden. Eine Möglichkeit der Prozeßmodellierung stellen Regressionsansätze dar. Aufgrund der hohen Komplexität vieler Prozesse und der großen Anzahl an Einflußgrößen stoßen diese Ansätze jedoch schnell an ihre Grenzen. Durch die Anwendung von künstlichen neuronalen Netzen zur Prozeßmodellierung können auch diese komplexen Zusammenhänge gelernt werden. Es ist damit eine Abschätzung der Prozeß- und Qualitätskenngrößen bereits vor bzw. während der Bearbeitung möglich. Durch eine Verknüpfung mit entsprechenden Kostenmodellen ist eine Prozeßoptimierung möglich. Am Beispiel des Flachprofilschleifens werden die Möglichkeiten zur Modellierung mit Regressionsansätzen und neuronalen Netzen gezeigt und einander gegenübergestellt.