Im Rahmen unseres gemeinsamen Forschungsprojektes TWINSAX (unsere Projektpartner sind das Beckmann-Institut und die H+E Produktentwicklung GmbH) wurde ein bedeutender Meilenstein erreicht: Seit Februar 2026 steht eine funktionsfähige MVP-Infrastruktur (Minimum Viable Product) für die KI-gestützte Vorhersage von Prozessparametern beim plasmaelektrolytischen Polieren (PeP) additiv gefertigter Bauteile zur Verfügung.
Die zum Lernen dieser Struktur notwendigen Daten werden vom Beckmann-Institut, durch Testläufe an den eigenen Maschinen, ermittelt.
Die H+E Produktentwicklung GmbH stellt bedarfsgerecht additiv gefertigte Werkstücke (und diese auch als digitale 3D-Objekte) zur Verfügung bzw. wandelt vorhandene Geometrien ab, um gezielt zusätzliche Datenpunkte für die Untersuchung geometrischer Einflussfaktoren (z. B. Nuten, Bohrungen, Kavitäten, Kammstrukturen) zu erzeugen.
Ziel ist es, den bislang aufwendigen Prozess der Parameterfindung künftig zu automatisieren und die Prozessauslegung deutlich effizienter, reproduzierbarer und wirtschaftlicher zu gestalten.
Herzstück der Lösung ist die Kombination aus modernen Deep-Learning-Verfahren und einer durchgängigen digitalen Prozesskette. Ein speziell entwickelter Autoencoder analysiert komplexe 3D-Geometrien und überführt sie in eine kompakte digitale Repräsentation. Auf dieser Grundlage berechnet ein neuronales Netzwerk automatisch die optimalen Prozessparameter – darunter Spannung, Temperatur, Stromstärke und Bearbeitungsdauer – unter Berücksichtigung von Geometrie, Material und den gewünschten Oberflächeneigenschaften.
Ergänzt wird die KI-Lösung durch eine leistungsfähige Softwareplattform mit REST-API, interaktivem Web-Dashboard und integriertem Experiment-Tracking. Dadurch können Modelle kontinuierlich trainiert, validiert und miteinander verglichen werden. Über die Anbindung an die REMARC-PeP-Plattform fließen neue Messdaten direkt in den Lernprozess ein, sodass sich die Vorhersagemodelle im laufenden Betrieb stetig weiterentwickeln und an reale Produktionsbedingungen anpassen.
Da aktuell noch eine begrenzte Anzahl an Messdaten zur Verfügung steht, setzt das Projekt bewusst auf einen kontinuierlichen Lernansatz. Neue Erkenntnisse aus der Praxis werden fortlaufend in die Modelle integriert, während parallel alternative Vorhersagemethoden evaluiert werden. Damit entsteht eine intelligente End-to-End-Lösung, die den Weg für eine automatisierte und datengetriebene Prozessoptimierung in der additiven Fertigung ebnet und die industrielle Anwendung der Plasmapolitur nachhaltig voranbringt.
Das Projekt TWINSAX wird im Rahmen des Europäischen Fonds für regionale Entwicklung (EFRE) gefördert.
