Datengetriebene Modellierung von mehrstufigen Stanzbiegeprozessen

• Berücksichtigung von stufenübergreifenden und stückzahlabhängigen Effekten
• Aufbau einer hybriden, datengetriebenen Prozessmodellierung für einen mehrstufigen Richt- und Stanzbiegeprozess für Flachdraht
• Aufbau einer modellbasierten Prozessregelung

Eine Herausforderung des Richt- und Stanzbiegeprozesses hinsichtlich einer wiederholgenauen Bauteilqualität sind die stufenübergreifenden und stückzahlabhängigen Effekte, die aufgrund der Drahtherstellung und des Aufwickelns des Drahtes auf Coils dem Draht induziert werden. Das Ziel des Projekts ist die datengetriebene Modellierung eines stufenübergreifenden und stückzahlabhängigen Richt- und Stanzbiegeprozesses, um so eine modellbasierte Prozessregelung zu entwickeln. Dieser Prozess besteht aus einem Flachdrahtcoil, einem Rollenrichtapparat und einem Stanzbiegeautomat. Hinsichtlich der Prozessmodellierung wird hierbei ein hybrider Ansatz mittels Kombination von datengetriebenen Methoden und wissensbasierten Modellen verfolgt. Das so zu entwickelnde hybride Machine Learning Modul (HML-Modul) besteht aus einem digitalen Zwilling, der die Daten aus numerischen oder analytischen Modellen sowie Expertenwissen und Sensordaten des Realprozesses aufnimmt, aufbereitet und im Anschluss an das Machine Learning Modul (ML-Modul) übergibt. Ziel des ML-Moduls ist das Erlernen kompakter Repräsentationen für hochdimensionale Prozessdaten, auf Basis dessen ein Surrogatmodell trainiert werden soll. Aufgabe des Surrogatmodells ist die effiziente Abbildung komplexer und nichtlinearer Korrelationen zwischen stufenübergreifenden und stückzahlabhängigen Prozessdaten, die aktuell allenfalls approximativ durch Expertenwissen eingeschätzt werden können. Prozesskorrekturen sollen mithilfe des effizienten Surrogatmodells geschätzt und an den digitalen Zwilling zurückgesendet werden. Jener überprüft die vorgeschlagene Aktorenanpassungen und leitet diese ggf. zurück zur Aktorik der Stanzbiegestrecke.

Das erwartete Ergebnis des Forschungsvorhabens besteht in der Modellierung eines Richt- und Stanzbiegeprozesses zur Korrektur von stufenübergreifenden und stückzahlabhängigen Effekten und demzufolge zu einer Erhöhung der Produktqualität. Für den hybriden Modellierungsansatz werden analytische und numerische Ansätze sowie experimentelle Untersuchungen und Expertenwissen mit maschinellen Lernverfahren kombiniert. Hieraus bildet sich das HML-Modul bestehend aus dem digitalen Zwilling und dem ML-Modul.