Transparente KI-gestützte Prozessmodellierung im Gesenkschmieden

• Aufbau des virtuellen Prozessumfeldes für das Gesenkschmieden
• Bestimmung der Einflüsse von Werkstoff- und Prozessparametern auf die Geometrie Merkmale und somit auf die Teilequalität
• Optimierung des Wirkflächen Designs 2-stufiger Umformprozesse

Das Ziel des Forschungsvorhabens besteht in der Verbesserung von Qualitätsmerkmalen in Gesenkschmiedeprozessen durch eine Steigerung des Verständnisses im komplexen Kollektiv an Wechselwirkungen. Dabei sollen datenbasierte Modelle in Kombination mit globalen Erklärbarkeitsverfahren helfen, bislang unverstandene Korrelationen und Prozessschwankungen zu identifizieren, sodass Ansätze entwickelt werden können, die durch angepasstes Wirkflächendesign in künftigen Generationen auch mit geringeren Sicherheitsfaktoren wie Grat oder Aufmaße eine Prozessstabilisierung erlauben. Dabei soll zunächst das bekannte Domänenwissen hinsichtlich der Zusammenhänge von Prozess- und Zielgrößen in der Warmmassivumformung konsolidiert und kondensiert werden. Diese dient zur Bewertung der Modellgüte und zur Ableitung der Erklärbarkeit der entwickelten Modelle. Zur Erzeugung von Prozessdaten in ausreichendem Umfang werden in eine inlinefähige Datenverarbeitungs- und Datenbankinfrastruktur neue und bestehende Sensoren integriert, um eine Erfassung, Verarbeitung und den Austausch von allen relevanten Prozessdaten zu ermöglichen. Die Bauteilgeometrie als Optimierungsgröße wird durch ein automatisiertes Bildverarbeitungsverfahren aus 2D-Bilddaten extrahiert. Anschließend werden in Serienschmiedeversuchen und unterstützenden numerischen Prozesssimulationen umfangreiche Referenzdatensätze unter gezielter Einbringung und Eliminierung von Störgrößen sowie mit variierten Stellgrößen für den betrachteten Prozess erzeugt. Mit diesen Daten wird ein Ersatzmodel mithilfe von Verfahren des maschinellen Lernens erzeugt, das anhand von Prozessdaten Qualitätsmerkmale vorhersagt. Da im ML diverse verschiedene Methoden existieren, die für eine Qualitätsmerkmalsprognose infrage kommen, müssen im Projekt mehrere Lernalgorithmen getestet und gegeneinander verglichen werden, sodass derjenige Algorithmus identifiziert wird, der sowohl eine möglichst hohe Prädiktionsgüte unterschiedlicher Gütekriterien auf Basis der Prozessgrößen erlaubt, als auch eine spätere Interpretierbarkeit der Ergebnisse erleichtert. Anschließend wird ein White-Box-Modell zur Identifikation von Prozessgrößen, die die Bauteilqualität beeinflussen, erzeugt. Dabei müssen diverse Erklärbarkeitsalgorithmen untereinander verglichen werden. Das Ziel besteht im Erhalt eines erklärbaren White-Box-Modells, das eine maximal hohe Wiedergabetreue zum Originalmodell aufweist und mithilfe dessen Wirkzusammenhänge zwischen Prozessparametern und Geometriemerkmalen aufgedeckt werden können.

Das erwartete Ergebnis des Forschungsvorhabens besteht in der Entwicklung einer neuartigen datengetriebenen Methode zur Optimierung der Qualitätsmerkmale im zweistufigen Gesenkschmiedeprozess. Die grundlegende Idee dieser Methode besteht darin, dass maschinelle Lernverfahren derart angelernt werden können, sodass ein präziseres Treffen der optimalen Werkzeuggeometrien möglich ist. Für den Anlernprozess der maschinellen Lernverfahren werden sowohl numerische als auch experimentelle Daten herangezogen.