Datengetriebene Prozessmodellierung in der Umformtechnik
Deadline: 28. September 2022
Für einen effizienten Serienanlauf neuer umformtechnischer Produktionssysteme ist ein hohes Maß an Erfahrungswissen von Fachkräften für die robuste Prozessauslegung erforderlich, da trotz berechnungsintensiver Ansätze mittels der Finite-Elemente-Methode bis heute Abweichungen zwischen der simulierten und realen Bauteilqualität im Serienprozess bestehen. Mit Blick auf die hohe Komplexität von Umformsystemen sowie stochastische Wechselwirkungen und den damit einhergehenden, notwendigen Modellierungsaufwand erscheint das Verhältnis zwischen Aufwand und Nutzen einer realistischen und präzisen numerischen Prozesssimulation als nicht vertretbar.
Seit geraumer Zeit werden daher Sensoren in Prozessfolgen der Umformtechnik integriert, um physikalische Effekte im Prozessgeschehen erfassen und das sogenannte Prozessrauschen von Umformsystemgrößen nachverfolgen zu können. Die Vielzahl an erfassten Signalverläufen führt zwischenzeitlich jedoch zu großen Datenmengen mit unterlagerten Messunsicherheiten, welche nicht mehr mittels traditioneller Informationssysteme in Produktionsumgebungen ausgewertet werden können. Daher ist es für die Entwicklung datengetriebener Modelle für die Umformtechnik essentiell, numerisch gewonnene Erkenntnisse in den Kontext des menschlichen Erfahrungswissens zu setzen, um diese erklärbar und langfristig nutzbar zu machen. Bestehende generische Methoden sind zwar prinzipiell geeignet, gewonnenes Wissen hinsichtlich kausaler Zusammenhänge abzubilden, ihre Adaption für die Auslegung oder gar Optimierung von Produktionsprozessen stellt jedoch ein noch offenes Forschungsfeld dar. Eine weitere wesentliche Problemstellung der datengetriebenen Prozessmodellierung bildet die automatisierte Extraktion von Merkmalen (Features) aus heterogenen Rohdaten des Prozessgeschehens. Den zukünftigen Weg von Rohdaten hin zu Erkenntnissen in Form von erklärbaren und validen Modellen für kausale Zusammenhänge in der Umformtechnik bildet daher ein mehrstufiger, interdisziplinärer Entwicklungsprozess vom generellen Problemverständnis bis zum Einsatz in einer produktiven Umgebung.
Ziel des SPP ist die Erarbeitung neuartiger Methoden zur Nutzung des impliziten Wissens aus umformtechnischen Systemdaten in Kombination mit Expertenwissen und Lösungsräumen aus FE-Prozesssimulationen. Es wird dabei angestrebt, mittels einer Vielzahl an heterogenen, realen Umformsystemdaten aus Sensoren in Kombination mit formalisiertem Domänenwissen der Umformtechnik sowie mithilfe von existenten und zu entwickelnden Methoden der Automation und Datenwissenschaften bestehende Modellierungsansätze zu erweitern. Damit sollen bisher unberücksichtigte, komplexe und instationäre Phänomene quantifiziert, nachvollziehbar bzw. erklärbar und das dadurch entstandene neue Wissen schließlich für ein verbessertes Wirkflächendesign der Umformwerkzeuge nutzbar gemacht werden. Auf methodischer Ebene sollen die stochastischen und instationären Effekte in Umformfolgen durch direkte und indirekte Umformsystemdaten erfasst, isoliert und in Kombination mit Domänenwissen in expliziter Darstellung modelliert werden. Die übergeordnete Forschungsfrage stellt sich also konkret dahingehend, inwieweit durch eine datengetriebene Prozessmodellierung aus aufbereiteten Umformsystemdaten aus der Vergangenheit die am besten geeignete Ausgestaltung der Wirkflächen von Umformwerkzeugen für ein- und mehrstufige Umformvorgänge in konstruktiver Hinsicht abgeleitet werden kann. Dabei soll die Verkettung aus der aktuell verwendeten numerischen und analytischen Modellierung mit Funktionen aus datenbasierten Modellen erklärbar gestaltet werden.
- Forschungsschwerpunkt A: Digitale, datenbasierte Repräsentation der Umformoperation
- Forschungsschwerpunkt B: Automation informationstechnischer Methoden im Prozess
- Forschungsschwerpunkt C: Verbesserte und interpretierbare Modellierung
