Projektübersicht
|
Principle Investigators: |
Prof. Dr.-Ing. Matthias Althoff |
|
Projektteam: |
Lukas Koller, M.Sc. |
|
Forschungseinrichtungen: |
Lehrstuhl für Umformtechnik und Gießereiwesen (utg), Professur für Cyberphysische Systeme (cps), |
|
Halbzeugwerkstoff(e): |
Blech (EN-AW 5754 H22) |
|
Fertigungsprozesse: |
Stanz-Biegen |
Motivation
- Erarbeitung einer Vorgehensweise, Architektur und Algorithmen zur datengetriebenen Modellierung mehrstufiger Prozesse
- Datengetriebene Modellierung der Interaktionen in mehrstufigen Stan-Biege-Prozessen
- Optimierung der Prozessreihenfolge und -parameter mit mathematischen Garantien
Ziele
Das Ziel des Forschungsvorhabens ist es, die komplexen Interaktionen in Stanz-Biege-prozessen durch datengetriebene Modellierungsansätze zu beschreiben, zu erklären und vorherzusagen. Hierfür sollen neben realen Prozessdaten klassische, physikalisch motivierte, analytische und numerisch gelöste Simulationsmodelle herangezogen werden (siehe Abb. 1). Dabei soll der Fokus auf der Prozessfolge sowie auf der Gestaltung und Auslegung von Aktiv- und Wirkflächen liegen. Die methodische Basis des konsolidierenden, datengetriebenen Modells soll dabei eine neuartige mengenbasierte Konformität bilden. Dies ist die Grundlage für die formale Verifikation, die Untersuchung der Prozessrobustheit auf Basis von Erreichbarkeitsanalysen sowie die Übertragung impliziter Spezifikationen in eine formale Beschreibung. Hierfür wurde ein realer, stellvertretender Stanz-Biege-Prozess aufgebaut, der neben den eigentlichen Prozessmodulen auch die überwachte Einbringung von Störungen und Schwankungen sowie eine Qualitätskontrolle umfasst. Um ausreichende Daten für eine datengetriebene Modellbildung zu generieren, sind die Werkzeuge mit zusätzlicher Sensorik ausgestattet. Die analytische und numerische Simulation des Prozesses ist ein wichtiges Werkzeug, um synthetische Daten ergänzend zu erzeugen. Der Aufbau des Machine-Learning-Modells umfasst die Auswahl geeigneter Architekturen und Algorithmen zur Modellierung des mehrstufigen Prozesses. Die Konformanzüberprüfung des Machine-Learning-Modells ist der zentrale Schritt, um die Ergebnisse des Modells auf das reale System übertragen zu können und Vorhersagen erklär- und rückführbar zu machen. Die abschließende formale Verifikation belegt, dass die nach den Prozessanpassungen erreichbaren Zustände die Spezifikation erfüllen.
Arbeitsprogramm
|
Arbeitspaket |
Beschreibung |
|
AP1 |
Bauteil- und Werkzeugentwicklung (utg / csp) |
|
AP2 |
Aufbau eines virtuellen Labors (utg) |
|
AP3 |
Entwicklung von Modulen zur gezielten Einbringung von Störgrößen (utg) |
|
AP4 |
Dauerversuche und Datenerfassung (utg) |
|
AP5 |
Datengetriebene Modellierung mittels Lernverfahren (cps) |
|
AP6 |
Konformanzüberprüfung (cps) |
|
AP7 |
Formale Verifikation des Umformprozesses (cps) |
|
AP8 |
Evaluation (utg / csp) |
Erwartete Ergebnisse
Das erwartete Ergebnis besteht in der Entwicklung einer neuartigen, datengetriebenen Vorgehensweise zur Auslegung von Stanz-Biege-Prozessen mit mathematisch garantierten Fenstern für Prozessreihenfolge, Prozessparameter und Materialauswahl, um die geforderten Bauteilspezifikationen zu erfüllen. Die Modellbildung und das Training werden so gestaltet, dass mengenbasierte Repräsentationen und Algorithmen eingesetzt werden können, die auf Basis unterschiedlicher Datenquellen robuste Vorhersagen ermöglichen.
Bislang erzielte Projektergebnisse (Stand 08/2026)
Im Rahmen des Projekts wurde für die Fertigung einer Busbar-Demonstratorgeometrie die datengetriebene Modellierung anhand von analytischen, numerischen und realen Daten erfolgreich mithilfe mengenbasierter Ansätze des maschinellen Lernens umgesetzt. Es erfolgte ausgehend von den Vorhersagen des Modells die Identifikation robuster Prozessfenster sowie die inverse Bestimmung der Ursachen für Abweichungen von der vorgegebenen Bauteilspezifikation.
Ausblick auf die zweite Förderperiode:
In der zweiten Förderperiode wird der analysierte Stanz-Biege-Prozess um zusätzliche Prozessschritte erweitert, die lokale geometrische Merkmale einbringen. Die Modellierung wird damit dreidimensional. Die Generalisierungsfähigkeit der datengetriebenen Modellierungsansätze wird anhand unbekannter Werkstoffe und Bauteilgeometrien bewertet.
Kontakt
Prof. Dr.-Ing. Matthias Althoff
Technische Universität München
Lehrstuhl für Robotik, Künstliche Intelligenz und Echtzeitsysteme
Boltzmannstr. 3
85748 Garching
E-Mail: althoff@tum.de
Website: https://www.ce.cit.tum.de/air/home/
Dr.-Ing. Christoph Hartmann
Technische Universität München
Lehrstuhl für Umformtechnik und Gießereiwesen
Walther-Meißner-Straße 4
85748 Garching
E-Mail: christoph.hartmann@utg.de
Website: www.utg.mw.tum.de
Prof. Dr.-Ing. Wolfram Volk
Technische Universität München
Lehrstuhl für Umformtechnik und Gießereiwesen
Walther-Meißner-Straße 4
85748 Garching
E-Mail: wolfram.volk@utg.de
Website: https://www.mec.ed.tum.de/utg/startseitewww.utg.mw.tum.de
Lukas Koller, M.Sc.
Technische Universität München
Lehrstuhl für Robotik, Künstliche Intelligenz und Echtzeitsysteme
Boltzmannstr. 3
85748 Garching
E-Mail: lukas.koller@tum.de
Website: https://www.ce.cit.tum.de/air/home/
Lukas Martinitz, M.Sc.
Technische Universität München
Lehrstuhl für Umformtechnik und Gießereiwesen
Walther-Meißner-Straße 4
85748 Garching
E-Mail: lukas.martinitz@utg.de
Website: www.utg.mw.tum.de