Machine learning Modell für die Abtragsvorhersage in der Roboter-Glaskeramik-Politur

Im 21. Jahrhundert gehören optische Systeme zu den Schlüsseltechnologien und spielen eine entscheidende Rolle im technischen Fortschritt. Hochgenaue optische Linsen finden sich u. a. in Astrospiegeln, Lasergyroskopen oder Lithographie-Linsen und die Anforderungen an Stückzahl und Qualität steigen kontinuierlich. Einer der letzten Prozessschritte in der Fertigungskette von Glas Hochleistungsoptiken ist in der Regel die Politur. Von diesem Prozessschritt hängt maßgeblich die Bauteilqualität ab.

Trotz langer Tradition und Verwendung in der Industrie herrscht immer noch kein umfassendes Prozessverständnis. Zwar sind empirische Parametersätze vorhanden, jedoch gibt es keine Erkenntnis, inwiefern sich eine Änderung einzelner Parameter auf den Materialabtrag auswirkt. Während zahlreiche Untersuchungen empirische Prozessmodelle betrachteten, blieb der Einsatz von datengetriebenen Poliermodellen bislang weitgehend unbeachtet.

Ziel dieser Arbeit ist daher die Entwicklung eines datengetriebenen Poliermodells für die Robotergestützte-Politur von Optiken. Durch den Einsatz von Sensoren am Bearbeitungskopf werden alle relevanten Prozessparameter aufgezeichnet. Durch Datenanalyse können Anomalien und Muster im Prozess detektiert und darauf reagiert bzw. für weitere Analysen genutzt werden. Des Weiteren wird auf Grundlage der Daten ein maschinenlernendes Modell zur Vorhersage von Materialabtrag auf gekrümmten Flächen erstellt und validiert.

Das vorliegende Machine learning Modell bildet den betrachteten Polierprozess ab und Einflüsse auf diesen werden durch den Sensoreinsatz abgebildet. Das Modell erreicht eine Vorhersagengenauigkeit des Abtrages von 99,22 % (R²-Wert), welches bei Prozessvorhersagen als sehr gut bewertet wird.

In the 21st century, optical systems are part of key technologies and play a decisive role in technical progress. High-precision optical lenses are found in astro-mirrors, laser gyroscopes or lithography lenses, among others, and requirements in terms of quantity and quality are continuously increasing. One of the last process steps in the production chain of high-performance glass optics is usually polishing. Thus, their component quality depends significantly on this process step.

Despite a long tradition and use in industry, there is still no comprehensive understanding of the process. Although empirical parameter sets are available, there is no understanding of how changing individual parameters affect material removal. While numerous studies have investigated empirical process models, the use of data-driven polishing models has so far remained unaddressed.

The aim of this work is therefore to develop a data-driven polishing model for the robot-assisted polishing of optics. By using sensors on the processing head, all relevant process parameters are recorded. Through data analysis, anomalies and patterns in the process can be detected and reacted to or used for further analysis. Furthermore, a machine learning model for predicting material removal on curved surfaces is created and validated on the basis of the data.

This machine learning model represents the polishing process under consideration and influences on this are mapped by the use of sensors. The model has a material removal prediction accuracy of 99.22% (R² Value), which means a good value in process predictions.