Detailseite
Projekt
Datenbasierte Werkzeugeinarbeitung in der Blechumformung
Fachliche Zuordnung
Produktionsautomatisierung und Montagetechnik
Ur- und Umformtechnik, Additive Fertigungsverfahren
Ur- und Umformtechnik, Additive Fertigungsverfahren
Förderung
Förderung seit 2023
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 520460697
30 % der Entwicklungskosten eines Werkzeuges (WZ) in der Blechumformung fallen auf die WZ-Einarbeitung. Ursachen sind Fertigungsungenauigkeiten, elastische Deformationen aller im Kraftfluss befindlichen Elemente und die Blechdickenänderung während der Umformung. Da es nicht realistisch ist alle Einflüsse und Unsicherheiten in Simulationsmodellen zu berücksichtigen, sind deren Auswirkungen erst am realen Werkzeug korrigierbar. Die Einarbeitung umfasst das Eintuschieren und die mechanische Bearbeitung der Aktivflächen, um ein Gutteil auf Basis eines gleichmäßigen Tuschierbildes und eines definierten Werkstoffflusses zu produzieren. Die WZ-Einarbeitung ist manuelle, zeitaufwändige und erfahrungsbasierte Arbeit mit starker körperlicher Belastung. Es müssen heterogener Daten und abstrakte Informationen verarbeitet und Wechselwirkung mit Folgeprozessen berücksichtigt werden. Der Fachkräftemangel zwingt die Wissenschaft Grundlagen zur Automatisierung der WZ-Einarbeitung schaffen. Es wurde keine Methode zur Korrelation zwischen Tuschierbild und der Abtragmenge gefunden. Es ist keine mathematische Formalisierung einer Einarbeitungsstrategie beschrieben. Es konnten keine automatisierten Lösungen zur Werkzeugeinarbeitung identifiziert werden. Letztlich wurde keine Übertragung des eingearbeiteten Werkzeugzustandes auf Folgegenerationen von WZen dokumentiert. Vielversprechende Methoden zur automatisierbaren WZ-Einarbeitung werden in der Kombination verschiedener KI-Ansätze gesehen. Folgende Forschungsfragen (FF) müssen beantwortet und Hypothesen (H) überprüft werden: FF 1: Welche Art von NN mit welcher Netztopologie eignet sich zur automatisierten Generierung der Aktivflächen der Umformwerkzeuge unter Berücksichtigung der WZ-Maschine-Interaktion? H 1.1: NNs mit der Fähigkeit räumliche Daten zu verarbeiten, können das o.g. Designproblem lösen. H 1.2: Representation Learning oder symbolische KI-Algorithmen stellen weitere Lösungen dar. H 1.3: Vortraining mit Simulationen steigert die Robustheit der ML-Modelle trotz geringer Datenmengen. FF 2: Welche Art und Topologie von NN eignet sich zum Erlernen der Designfunktion in Bezug auf Maschinenparameter wie Kraft- und Geschwindigkeitsverläufe? H 2.1: Die Designfunktion identifiziert Parameter anhand von Beschreibungen des Umformproblems und der Maschine. Für beide muss eine formale Beschreibung definiert werden. Auch hier könnte das Vortrainieren von NNs auf Simulationsdaten eine Lösung darstellen. FF 3: Wie kann die Aufgabe der Werkzeugeinarbeitung automatisiert werden? H 3.1: Ein kamerabasiertes System erfasst und analysiert Tuschierbilder der Aktivflächen und 2D-Bilder des umgeformten Bauteils zur Bestimmung der notwendigen Abtragmenge. H 3.2: Optimierte Maschinen- und Prozessparameter können auf Basis früherer Daten und Simulationen berechnet werden. H 3.3: Erfahrungen aus dem Erlernen der Funktion g (WZ-Einarbeitung) können genutzt werden, um die Funktion f (Werkzeugdesign) zu verbessern.
DFG-Verfahren
Schwerpunktprogramme
