Robuste Wirkflächenauslegung für mehrstufige Blechumformprozesse auf Basis einer daten- und berechnungsbasierten Ersatzmodellierung der Bauteilrückfederung

• Aufbau des virtuellen Prozessumfeldes für das Tiefziehen
• Bestimmung der Einflüsse von Werkstoff- und Prozessparametern auf die Rückfederung und Maßabweichungen von komplexen Ziehteilen
• Optimierung des Wirkflächen Designs 2-stufiger Umformprozesse

Das Ziel dieses Projektes ist die Entwicklung einer neuartigen Auslegungsmethode für Wirkflächen von Tiefziehwerkzeugen auf Basis eines daten- und berechnungsbasierten Surrogate-Modells. Das Surrogate-Modell wird mittels Generative Adversarial Networks oder Denoising Diffusion Probabilistic Models aufgebaut und soll so die Zusammenhänge zwischen Bauteilgeometrie, den vorliegenden Prozess­parametern und der Bauteilrückfederung erlernen und abbilden. Es wird zusätzlich eine Delta-Modellierung ausgehend von der Surrogate-Modellierung aufgebaut, welche zudem die Abweichungen zwischen der FE-Simulation und dem realem Umformprozess erlernen soll. Die Daten des realen Umformprozesses werden in systematischen Dauerlaufversuchen gewonnen und berück­sichtigen damit viele weitere – in der Simulation nur begrenzt berücksichtigte – Prozessparameter und Störeffekte. Durch die FE-Simulation werden somit zunächst bekannte und modellierbare Zusammenhänge maschinell erlernt und diese anschließend durch experimentelle Prozessdaten erweitert. Die Surrogate- und Deltamodellierung bildet schließlich die Ausgangsbasis für einen Wirkflächengenerator, der auf der Basis der rückgefederten Bauteilgeometrien, z. B. durch ein Gradientenverfahren, eine verbesserte Modellierung der Wirkflächen generieren kann, welche die in der Realität zu erwartenden Rückfederungen bereits einbezieht.

Das erwartete Ergebnis des Forschungsvorhabens besteht in der Entwicklung einer neuartigen datengetriebenen Methode zur Optimierung der Rückfederungsproblematik eines zweistufigen Fertigungsprozesses (Tiefziehen & Beschneiden). Die grundlegende Idee dieser Methode besteht darin, dass maschinelle Lernverfahren derart angelernt werden können, sodass eine verbesserte Rückfederungskompensation möglich ist. Für den Anlernprozess der maschinellen Lernverfahren werden sowohl numerische als auch experimentelle Daten herangezogen.