SPP 2422 – Optimierung des Wirkflächendesigns schnelllaufender Folgeverbundwerkzeuge unter Nutzung maschineller und tiefer Lernalgorithmen
Das Ziel des Schwerpunktprogramms stellt die Erarbeitung neuartiger Methoden zur Nutzung des impliziten Wissens aus Prozessdaten in Kombination mit Expertenwissen und Lösungsräumen aus Prozesssimulationen für die Wirkflächenauslegung von Umformwerkzeugen dar. Dieses Ziel soll interdisziplinär in der Zusammenarbeit von Instituten der Umformtechnik, der Automation und Data-Science erfolgen, die auf den Gebieten der Verfahrensentwicklung, der Data-Science, der Künstlichen Intelligenz und des Machine Learning arbeiten.
Motivation
Zentrales Ziel des Kooperationsprojektes ist die auf maschinellen oder tiefen Lernverfahren beruhende Identifikation nichtlinearer Zusammenhänge zwischen sensorisch und numerisch erfassbaren Prozess- und Zustandsgrößen einerseits und Werkstückmerkmalen andererseits in einem mehrstufigen, schnelllaufenden Umformprozess und eine daraus hervorgehende Ableitung von Optimierungsmaßnahmen für deren Wirkflächen. Bei der Entwicklung von KI-Modellen sollen erstmals multimodale Ansätze erprobt werden, bei denen heterogene, experimentelle als auch simulative Daten fusioniert und als Eingangsgrößen für maschinelle und tiefe Lernverfahren genutzt werden. Identifizierte Zusammenhänge bzw. Sensitivitäten zwischen Bauteileigenschaften und Wirkflächenparametern sollen im Anschluss genutzt werden, um Wirkflächenparameter zu optimieren.
Lösungsweg
Zur Erreichung dieses Ziels sind sowohl die Weiterentwicklung eines bestehenden, modularen Folgeverbundwerkezuges, die Integration und Qualifizierung entsprechender Sensorik, die Inbetriebnahme und umfassende Versuchsdurchführung, die simulative Abbildung des Prozesses als auch die Entwicklung entsprechender KI-Modelle zu adressieren. Bei der Entwicklung von KI-Modellen sollen erstmals multimodale Ansätze erprobt werden, bei denen heterogene, experimentelle als auch simulative Daten fusioniert und als Eingangsgrößen für maschinelle und tiefe Lernverfahren genutzt werden. Identifizierte Zusammenhänge bzw. Sensitivitäten zwischen Bauteileigenschaften und Wirkflächenparametern sollen im Anschluss genutzt werden, um Wirkflächenparameter zu optimieren. Dabei sollen sowohl Explainable Artificial Intelligence als auch Human-in-the-loop-Ansätze erprobt und genutzt werden, um einerseits domänenspezifisches Wissen in die Modellbildung einfließen zu lassen und andererseits die Plausibilität erkannter Zusammenhänge zu überprüfen und Scheinkorrelationen auszuschließen. Als Demonstratorprozesse dient ein sechsstufiges Werkzeug bestehend aus Tiefzieh-, Abstreck- und Stanzoperationen zur Herstellung eines Sensorgehäuses. Dabei sollen die Wirkflächen unter anderem durch die geometrische Gestaltung, Dimensionierung und Oberflächenstrukturierungen der Werkezeuge sowie durch die Anpassung von Temperatur- und Beölungszuständen optimiert werden.
Danksagung
Das vorgestellte Forschungsprojekt wird durch die Deutsche Forschungsgemeinschaft (DFG) im Rahmen des Sonderforschungsbereiches SPP 2422: Datengetriebene Prozessmodellierung in der Umformtechnik gefördert.
Gefördert durch
Verbundpartner