30 % der Entwicklungskosten eines Werkzeugs in der Blechumformung fallen auf die manuelle Werkzeugeinarbeitung. Diese Einarbeitung ist komplex und eine sehr zeitaufwendige Arbeit mit starker körperlicher Belastung. Sie stellt aufgrund
komplexer Wechselwirkungen und hoher Unsicherheiten eine herausfordernde Aufgabenstellung dar und erfordert eine individuelle Vorgehensweise für jedes Werkzeug.
Im Wesentlichen können zwei Arten von Freiheitsgraden beeinflusst werden: (i) die Beschaffenheit der Aktivflächen des Umformwerkzeugs und (ii) die einstellbaren Parameter des Systems “Werkzeug-Maschine”. Ausgehend von einer formalen Beschreibung des zu fertigenden Endproduktes wird das Umformwerkzeug entwickelt. Ideale Werte der Werkzeugaktivflächen und Maschinenparameter werden während der Werkzeugentwicklung definiert (Designfunktion f). Die Werkzeuginbetriebnahme inkl. der mechanischen Einarbeitung erfolgt dann auf einer Tryout-Presse. Eine erfolgreiche Optimierung der Freiheitsgrade durch das
Werkstattpersonal (Verbesserungsfunktion g) ermöglicht die Freigabe für die Produktionspresse.
Derzeit werden die Funktionen f und g manuell von menschlichen Experten implementiert, sie verlassen sich stark auf Erfahrungs- und heuristisches Wissen. Dies führt zu nicht deterministischen Ergebnissen, zu verlängerten Anlaufphasen und zu suboptimalen Produkten. In diesem Projekt werden Verfahren des maschinellen Lernens entwickelt, welche f und g aus Daten erlernen, um sowohl die Einarbeitung zu automatisieren als auch die Gestaltung der Werkzeugaktivfläche schon im Werkzeugentwicklungsprozess an die komplexen Wechselwirkungen des realen Systems anpassen zu können. Auf dieser Basis werden in diesem Projekt die folgenden drei Forschungsfragen bearbeitet:
- Welche Art von neuronalen Netzwerken mit welcher Netztopologie eignen sich zur automatisierten Generierung der Aktivflächen der Umformwerkzeuge unter Berücksichtigung der Werkzeug-Maschine-Interaktion, d.h. wie kann f für das Designproblem der Aktivflächen unter Voraussetzung einer zunächst geringen Datenmenge erlernt werden?
- Welche Art und Topologie von neuronalen Netzwerken eignet sich für das Erlernen der Funktion f in Bezug auf Maschinenparameter wie Kraft- und Geschwindigkeitsverläufe?
- Wie kann der menschliche Bediener bei der Aufgabe der Werkzeugeinarbeitung auf der Tryout-Presse unterstützt bzw. diese Tätigkeit automatisiert werden? D.h. können wir Daten und technisches Know-how verwenden, um die Funktion g zu berechnen und die Tätigkeit zu automatisieren?
Laufzeit: 1.7.2023 bis 1.7.2026 (nur Phase I)
Dieses Projekt wird im Rahmen des DFG-Schwerpunktprogramms „Datengetriebene Prozessmodellierung in der Umformtechnik“ (SPP 2422) gefördert.
Letzte Änderung: 15. März 2023