Datenbasierte Werkzeugeinarbeitung in der Blechumformung

• Die manuelle, zeitaufwändige und körperlich anstrengende Werkzeugeinarbeitung macht in der Blechumformung 30 % der Werkzeugentwicklungskosten aus.
• Aufgrund der vielfältigen Wechselwirkungen zwischen Blech, Werkzeug und Maschine konnten die bisherigen wissenschaftlichen Bemühungen nicht zu einer Automatisierung des Werkzeugeinarbeitungsprozesses führen.
• Moderne Methoden des Maschinelles Lernens ermöglichen die Verarbeitung großer Mengen heterogener Daten und abstrakter Informationen durch das Erkennen komplexer Muster und Beziehungen.
• Neuronale Netzwerke wie z.B. Generative Adversarial Networks (GANs) oder Variational Autoencoder (VAE) können 3-dimensionale Strukturen generieren.
• Die Anwendung des Maschinellen Lernen auf die Werkzeugentwicklung verspricht eine automatisierbare Diagnose und Prognose, ein besseres Verständnis der komplexen Zusammenhänge, eine Verkürzung der tatsächlichen Einarbeitungszeit und eine gezieltere Anpassung der Aktivfläche zukünftiger Werkzeuggenerationen bereits in der Konstruktion.

Ziel des Projektes ist die Integration von Methoden des maschinellen Lernens zur Automatisierung und Optimierung der Werkzeugeinarbeitung in der Blechumformung. Generative Neuronale Netzwerke sollen eingesetzt werden, um die komplexen Wechselwirkungen zwischen Werkstück, Werkzeug und Maschine zu modellieren und den Materialabtrag bei der Werkzeugeinarbeitung auf Basis von Simulations-, Steuerungs- und optischen Daten zu berechnen. Ein weiteres Ziel ist die Vorhersage von eingearbeiteten Werkzeugaktivflächen und optimierten Maschinenparametern für zukünftige Werkzeuge.

Es wird eine robotergestützte Experimentalplattform zur automatisierten Datengenerierung für das Training von KI-basierten Einarbeitungsmethoden in der Blechumformung aufgebaut. Als Ergebnis werden geeignete neuronale Netztopologien und trainierte Modelle zur Interpretation des erforderlichen Materialabtrages auf Basis konventioneller Tuschierbilder am Beispiel eines Tiefziehwerkzeugs erwartet. Die Implementierung der Netze in eine Gesamtmethode ermöglicht die automatisierte Bahnplanung für den Materialabtrag am Werkzeug mittels Fräsroboter. Ein zweites KI-basiertes Verfahren ermöglicht die Vorhersage der eingearbeiteten Werkzeugaktivflächen und der darunter liegenden Werkzeugstruktur unter Berücksichtigung der Werkzeug-Maschinen-Interaktion und Informationen aus früheren Einarbeitungsprozessen für noch nicht gefertigte Werkzeuge.