Künstliche Intelligenz bei der Herstellung von Raketenteilen
Künstliche Intelligenz (KI) verspricht in allen Bereichen zahlreiche Vorteile, und die Raketentechnik bildet da keine Ausnahme. Das Future Launchers Preparatory Programme (FLPP) der Europäischen Weltraumorganisation ESA untersucht den Einsatz von KI zur Entwicklung besserer Verfahren und sogar völlig neuer Materialformen, die in Raketen oder Raumfahrzeugen der Zukunft zum Einsatz kommen könnten.
Bild: MT Aerospace
Zusammen mit MT Aerospace in Deutschland untersucht die Agentur die Anpassung von Materialverarbeitungstechniken in der gesamten Branche.
Kugelstrahlumformen
Beim Kugelstrahlumformen wird Metall mit kleinen Kugeln beschossen, um es in die gewünschte Form zu bringen. Da die Umformung ohne Erhitzen erfolgt, bleibt die resultierende Metallform stabil und ist widerstandsfähiger gegen Metallermüdung. Es handelt sich um ein häufig verwendetes Verfahren, mit dem MT Aerospace die Kuppelköpfe der Treibstofftanks der Ariane-6-Rakete formt.
Da die Kugeln mit hoher Geschwindigkeit auf das Metall treffen, ist jeder Aufprall unvorhersehbar. Zum ersten Mal wird maschinelles Lernen eingesetzt, um vorherzusagen, wie sich das Metall als Nächstes verformen wird, wodurch eine schnelle und präzise Methode zur Erzielung der gewünschten Form mit einer Toleranz von nur zwei Millimetern bereitgestellt wird.
Reibrührschweißen
Sobald ein Metallteil hergestellt ist, muss es oft mit anderen Komponenten verbunden werden. In der Raumfahrtindustrie ersetzt das Reibrührschweißen das traditionelle Lichtbogenschweißen, das von Menschen oder Robotern durchgeführt wird. Beim Reibrührschweißen werden die Metalle durch einfaches Drehen eines Stifts mit hoher Geschwindigkeit über dem Schweißbereich erhitzt, wodurch die Materialien durch Reibung miteinander vermischt werden. Diese präzise Schweißtechnik verschmilzt Metalle und ermöglicht so stabilere Strukturen, wie sie beispielsweise für die Herstellung der Tanks für Ariane 6 verwendet werden.
Mit neuen digitalen Überwachungstechnologien für Schweißkraft, Temperaturen und andere Maschinentelemetrie hilft maschinelles Lernen nun dabei, die Maschinen schneller einzurichten, die Dokumentation zu unterstützen und die Form der endgültigen Schweißnaht automatisch zu überprüfen. Diese automatische Bewertung der Schweißnähte hat die Analysezeit im Vergleich zum herkömmlichen Verfahren um 95 Prozent reduziert.
Automatisierte Faserverlegung
Es geht jedoch nicht nur um Metall – kohlefaserverstärkter Kunststoff bietet neue Formen, die leichter und stabiler sind. Das Phoebus-Projekt untersucht den Einsatz von Kohlefasertanks für die Ariane 6, die in Schichten aufgebaut sind.
Hier integriert MT Aerospace eine neue Lasersensorik, die mithilfe von Modellen des maschinellen Lernens Fehler während des Betriebs erkennt und klassifiziert, wodurch die Produktion aufrechterhalten und die Produktionszeiten erheblich verkürzt werden.
„Künstliche Intelligenz, wie beispielsweise maschinelles Lernen, in Kombination mit neuen digitalen Technologien verändert die Herstellung von Trägerraketen“, sagt Daniel Chipping, ESA-Projektmanager für softwareorientierte und Digitalisierungsaktivitäten im Rahmen des Future Launchers Preparatory Programme im Bereich Raumtransport. „Von der Automatisierung komplexer Analyseaufgaben bis hin zur Reduzierung langwieriger Maschinenstillstände sehen wir allmählich die Vorteile in allen Material- und Formgebungsprozessen.“
Diese Projekte sind Teil des Future Launchers Preparatory Programme (FLPP) der ESA, das zur Entwicklung der Technologie für zukünftige Raumtransportsysteme beiträgt. Durch die Konzeption, Entwicklung und Investition in noch nicht existierende Technologien reduziert dieses Programm das Risiko, das mit der Entwicklung ungetesteter und unbewährter Projekte für die Raumfahrt verbunden ist.
Quelle (Englisch): https://www.esa.int/Enabling_Support/Space_Transportation/Future_space_transportation/Artificial_intelligence_in_manufacturing_rocket_parts