MAKA: LLM-Agenten mit Kritiker für die Fertigung von Titanschaufeln
Forschende teilen einen LLM-Assistenten für die CNC-Bearbeitung in vier Agenten auf, mit einem Kritiker, der jede Zahl auf ein Werkzeug zurückführt, und testen ihn an 16 Rotorschaufeln aus Titan.
TL;DR
- MAKA teilt einen LLM-Assistenten für die CNC-Bearbeitung in vier Agenten auf; ein Kritiker prüft Zahlen, Quellen und Sicherheitsgrenzen, bevor Empfehlungen einen Menschen erreichen [^1].
- Bei mehrstufigen Werkzeugaufgaben für Rotorschaufeln aus Titan schlug die Struktur ein einzelnes Modell mit denselben Werkzeugen um bis zu 87,5 Prozentpunkte [^1].
Hintergrund
CNC-Maschinen fräsen Teile entlang von Werkzeugbahnen, die in CAM-Software geplant werden, doch das Teil weicht trotzdem vom Entwurf ab: Die Maschine folgt der Bahn nicht perfekt, das Werkzeug verschleißt, und dünne Wände biegen sich unter den Schnittkräften [^1]. Ingenieurinnen und Ingenieure korrigieren das, indem sie Offsets, Werkzeugbahnen und Parameter anpassen, oft durch Ausprobieren [^1]. Simulation, Messung und Werkstatterfahrung kommen meist nur über manuelle Auswertung zusammen, und handelsübliche LLM-Assistenten können solche mehrstufigen Rechenabläufe laut den Forschenden weder zuverlässig ausführen noch zeigen, woher ihre Zahlen stammen [^1].
Was passiert ist
Danny Hoang und Farhad Imani von der University of Connecticut haben das Paper am 5. Mai auf arXiv veröffentlicht, zusammen mit Forschenden vom Connecticut Center for Advanced Technology (CCAT), der Quinnipiac University und dem DEVCOM Ground Vehicle Systems Center der U.S. Army [^1]. Das System, Multi-Agent Knowledge Analysis (MAKA), teilt den Assistenten in vier Rollen auf. Ein Central-Agent interpretiert eine Anfrage und leitet sie weiter. Ein Analysis-Agent darf eine Zahl nur nennen, wenn ein deterministisches Werkzeug sie berechnet hat, und hält fest, welcher Werkzeugaufruf das war. Ein Knowledge-Graph-Agent antwortet aus einem Graphen, der aus Fachliteratur zur Zerspanung aufgebaut ist, und nennt die verwendeten Einträge. Ein Critic-Agent prüft die Absicht, diese Herkunftsangaben, die zitierten Belege und Sicherheitsgrenzen wie maximale Offset-Größen und nimmt die Antwort dann an, schickt sie zur Überarbeitung zurück oder eskaliert an einen Menschen [^1].
Getestet hat das Team MAKA an Rotorschaufeln. Am CCAT wurden 16 Schaufeln mit 3 Zoll (76,2 mm) Länge aus der Titanlegierung Ti-6Al-4V auf einer 4-Achs-Maschine Trak VMC10si gefertigt und mit einer GOM ATOS ScanBox an 30 Messpunkten vermessen, die paarweise auf beiden Seiten der Schaufel liegen [^1]. MAKA verbindet diese Scans mit Durchbiegungssimulationen aus ThirdWave und Vorhersagen zur Bahnabweichung aus Siemens Run MyVirtual Machine. Jede Abweichung zerlegt es in einen Bahnanteil, eine Drift über die Teile hinweg, die als Ersatzgröße für Werkzeugverschleiß dient, und einen Rest, den es als Nachgiebigkeit behandelt; ein eigenes Variabilitätsmaß markiert instabile Stellen für Vorsicht oder Eskalation [^1]. Der Wissensgraph, automatisch aus vier Arbeiten zur Bearbeitung von Ti-6Al-4V mit einem lokal betriebenen gpt-oss-120b erstellt, umfasst 2.701 Tripel [^1].
Der Benchmark bestand aus 75 Fragen, gleichmäßig aufgeteilt in Aufgaben mit einem, zwei oder drei und mehr abhängigen Werkzeugaufrufen [^1]. Sechs offene Modelle, darunter GPT-OSS-20b und Qwen3-VL-30b, erreichten bei einzelnen Aufrufen auch ohne MAKA hohe Erfolgsquoten, fielen aber bei längeren Ketten zurück, wo der Vorsprung von MAKA bis zu 87,5 Prozentpunkte erreichte [^1]. Als die Forschenden im ersten Routing-Schritt absichtlich Werkzeughinweise entfernten, hob der Kritiker den mittleren F1-Wert der Werkzeugauswahl, ein Maß dafür, ob die richtigen Werkzeuge aufgerufen werden, von 0,2919 auf 0,6697 und reparierte 61,19 Prozent der gestörten Durchläufe vollständig [^1]. Der Wissensgraph hob die mittlere Punktzahl bei 75 offenen Fragen zur Zerspanung von 0,3462 auf 0,4736, während die Zeit pro Frage von 0,7305 auf 2,6496 Sekunden stieg [^1].
Warum es wichtig ist
Das Design nimmt dem Sprachmodell die Zahlen aus der Hand. Fertigungskritische Größen stammen aus deterministischen Werkzeugen und nachvollziehbarer Suche statt aus freier Textgenerierung, was die Forschenden als Grundlage für einen verantwortbaren Betrieb sehen [^1]. Die Tests der Forschenden stützen die Aussage, dass die zusätzlichen Agenten Zuverlässigkeitsmechanismen sind und keine optionalen Extras: bei längeren Ketten scheiterten Einzelmodelle an falscher Aufrufreihenfolge, ungültigen Argumenten und verlorenen Zwischenergebnissen, genau den Fehlern, auf die die Struktur von MAKA zielt [^1]. Die gesamte Schleife läuft in 4,3 Sekunden, was die Forschenden neben Bearbeitungszeiten von Minuten bis Stunden für Rotorschaufeln vernachlässigbar nennen; sie könnte also zwischen Bearbeitungsschritten laufen [^1].
Die Ergebnisse enden allerdings in der Simulation. In einem digitalen Zwilling senkten die gestuften Kompensationen von MAKA die vorhergesagte Oberflächenabweichung von der Größenordnung 10⁻² Zoll auf etwa ±0,001 Zoll über den größten Teil der Schaufel; die Forschenden verstehen das als Ausgangsbasis vor dem Einsatz, ausdrücklich nicht als physische Korrektur im geschlossenen Regelkreis [^1]. Simulation und Scans stimmen darin überein, wo sich Fehler häufen, an der Schaufelspitze und der Vorderkante; eine Übereinstimmung Punkt für Punkt war nicht das Ziel [^1]. Die Tests umfassen ein Schaufeldesign, eine Maschine und einen Graphen aus vier Arbeiten; für ein anderes Bauteil müsste laut den Forschenden nur die Werkzeugschicht ersetzt werden, ohne die Agenten neu zu trainieren [^1].
Ein Beispiel aus der Praxis
Angenommen, Dana plant die Fertigungsprozesse bei einem kleinen Luftfahrtzulieferer, der Rotorschaufeln aus Titan fräst. Nach der letzten Charge zeigen die Scans Abweichungen, die von Schaufel zu Schaufel wachsen, und Dana tippt eine Anfrage wie die im Paper: die zusammengefasste Messdatei laden und die Kompensation für die Teile 4 bis 16 ausgeben [^1].
Der Central-Agent macht daraus eine strukturierte Anweisung für den Analysis-Agenten [^1]. Dieser verkettet Werkzeuge: Er bildet Paare aus den Messungen beider Schaufelseiten, zieht die von der virtuellen Maschine vorhergesagte Bahnabweichung ab, passt eine Drift über die Teile an und rechnet die gewählte Korrektur in Längen- und Radius-Offsets für ein um 25 Grad geneigtes Werkzeug um [^1]. Jede Zahl trägt die Kennung der Werkzeugausgabe, aus der sie stammt [^1].
Genau hier rutscht ein einzelnes Modell gern aus. Mit denselben Werkzeugen ruft es sie öfter in falscher Reihenfolge auf, übergibt ein ungültiges Argument oder verliert ein Zwischenergebnis [^1]. Bei MAKA prüft der Kritiker, dass jede Zahl auf eine Werkzeugausgabe zurückgeht und die Offsets innerhalb der Grenzen aus Wissensgraph und Werkstattvorgaben bleiben [^1]. An einem Messpunktpaar streuen die Scans stark von Schaufel zu Schaufel, also markiert das Variabilitätsmaß die Stelle als unsicher, und der Kritiker verlangt dort einen vorsichtigen Offset oder überlässt Dana die Entscheidung [^1].
Dana erhält eine Tabelle mit Offsets samt Prüfpfad, kontrolliert das vorhergesagte Ergebnis im digitalen Zwilling und entscheidet, ob die Änderung ins CAM-Programm übernommen wird [^1].
Passende Produkte
Wir empfehlen dieses Buch, weil es erklärt, wie CNC-Programme Werkzeuglängenkorrektur und Fräserradiuskorrektur anwenden, also genau die Art von Korrekturen, die MAKA berechnet.