Optimierung des Wirkflächendesigns schnelllaufender Folgeverbundwerkzeuge unter Nutzung maschineller Lernalgorithmen

• Identifikation von Korrelationen zwischen FEM- und realen Prozessdaten
• Entwicklung von Explainable AI als auch Human-In-The-Loop Ansätzen
• Optimierung des Wirkflächen-Designs schnelllaufender Folgeverbundwerkzeuge

Zentrales Ziel des Kooperationsprojektes ist die auf maschinellen und tiefen Lernverfahren beruhende Identifikation nichtlinearer Zusammenhänge zwischen sensorisch und numerisch erfassbaren Prozess- und Zustandsgrößen einerseits und Werkstückmerkmalen andererseits in einem mehrstufigen, schnelllaufenden Umformprozess und eine daraus hervorgehende Ableitung von Optimierungsmaßnahmen für deren Wirkflächen. Bei der Entwicklung von KI-Modellen sollen erstmals multimodale Ansätze erprobt werden, bei denen heterogene, experimentelle als auch simulative Daten fusioniert und als Eingangsgrößen für maschinelle und tiefe Lernverfahren genutzt werden. Identifizierte Zusammenhänge bzw. Sensitivitäten zwischen Bauteileigenschaften und Wirkflächenparametern sollen
im Anschluss genutzt werden, um Wirkflächenparameter zu optimieren. Dabei sollen sowohl XAI- als auch HITL-Ansätze erprobt und genutzt werden, um einerseits domänenspezifisches Wissen in die Modellbildung einfließen zu lassen und
andererseits die Plausibilität erkannter Zusammenhänge zu überprüfen und Scheinkorrelationen auszuschließen. Als mögliche Optimierungsmöglichkeiten hinsichtlich der Wirkflächen werden dabei unter anderem die geometrische Gestalt und Dimensionen des Schneidstempels und der -matrize, die Nutzung verschiedener Dimensionierungen der Blechhaltergeometrie, lokal gehärtete Stempel sowie das Design des tribologischen Systems angesehen.

Das erwartete Ergebnis des Forschungsvorhabens ist die Entwicklung einer auf multimodalen Lernalgorithmen basierenden Identifikation von Korrelationen zwischen sensorisch und numerisch erfassten Prozess- und Zustandsgrößen sowie Produktmerkmalen, die Einführung eines Verfahrens zur Rückkopplung von Wissen aus den ML-Modellen mittels interaktiver Lerntechniken und die darauf aufbauende Optimierung der Wirkflächengestaltung von schnelllaufenden Folgeverbundwerkzeugen.