Datengestützte Bestimmung und Prognose des Wirkflächenzustandes und –eingriffs bei Fließprozessen vom Band

Im Rahmen des Projekts wurden zunächst experimentelle und simulative Voraussetzungen zur Untersuchung des Rückwärtsfließpressprozesses (RFP) einer rotationssymmetrischen Geometrie vom Band geschaffen. Dafür wurde zunächst der Werkstoff charakterisiert sowie der Prozess numerisch ausgelegt. Dauerlaufuntersuchungen an der Schnellläuferpresse ermöglichen die Analyse von Prozesskraft-, Temperatur- und Wegsignalen sowie die Identifikation des auftretenden Prozessrauschens. In einer in- und offline Erfassung der Prozess‑, Werkzeug- und Werkstückdaten sowie deren Synthese mit numerisch ermittelten Ergebnissen wurden diese Daten analysiert. Das Datenerfassungssystem besteht aus Sensoren, die in das Werkzeug integriert werden sowie State-of-the-Art Kamerasystemen. Letztere erheben Bauteilbilddaten aus mehreren Perspektiven im laufenden Prozess und ermöglichen damit unmittelbare Informationen über die Produktqualität. In der bildbasierten Datenerfassung und -analyse wurden Modelle der YOLO-Familie erfolgreich eingesetzt, um beispielsweise Werkstückradien automatisiert zu bestimmen. Das Training von Auto-Encoder Modellen erlaubt ebenfalls eine Identifikation von Werkstücken mit Qualitätsabweichungen.

Zur Strukturierung und Dokumentation von Expertenwissen sowie zur Identifikation kausaler Zusammenhänge im Prozessverlauf wurde ein RDF-basierter Wissensgraph entwickelt. Durch eine Web-basierte, interaktive Visualisierung ist diese Wissensbasis allen Projektbeteiligten einfach zugänglich. Im Rahmen mehrerer Workshops wurde der Wissensgraph im Austausch mit Domänenexperten erhoben und liefert nun einen wichtigen Rahmen für die Erforschung von ML-Modellen, die Prozesscharakteristika quantifizieren. Hierdurch konnte ein erklärbares Prozessmodell erstellt werden, das frühzeitig die Interpretation der Erkenntnisse aus der Prozessdatenanalyse unterstützt.

Damit wurde die versuchstechnische Voraussetzung für den vollständigen Aufbau einer Datenpipeline aus umformtechnischer und automatisierungstechnischer Sicht geschaffen. Auf Basis des Wissensgraphen wurde ein als Ontologie formalisiertes Informationsmodell geschaffen. Die erfassten Sensor- und Bilddaten können so in Echtzeit als Prozessinformationen gespeichert werden, was in einer cloudbasierten Datenhaltung in HDF5 erfolgt. Als gemeinsames Beschreibungsmittel für die Datenpipeline wurde zur vereinfachten Kommunikation zwischen Umformtechnik und Automation und als Schnittstelle zum Data Mining/Machine Learning die Domain Specific Language (DSL4DPiFS) eingeführt.

In den Dauerlaufprozessen wurden Verschleiß, aber auch Ermüdung als dominierendes Versagenskriterium auf Grundlage des Stempelwerkstoffes ASP2023 und C45 identifiziert und deren Entstehungsursache analysiert. Abbildung 2 stellt die Kombination aus Simulation und dem experimentellen Dauerlaufprozess in einem Wissensgraphen/CEG dar.

Ausblick auf die zweite Förderperiode:

Basierend auf dem in FÖP1 erarbeiteten Wissensgraphen sollen diese Bausteine in der zweiten Förderperiode zu einer erweiterten Kausalgraph-Modellstruktur sowie einem erklärbaren Assistenzsystem mit integriertem Frühwarnsystem weiterentwickelt werden. Hierfür wird eine zweistufige Prozesskette, bestehend aus einem Rückwärtsfließpressen und einem Scherschneidprozess mit nicht‑rotationssymmetrischer Geometrie verwendet. Ziel ist es, zentrale Herausforderungen der datengetriebenen Umformtechnik, wie Prozessrauschen, Transferierbarkeit und die Vorhersage von Wirkflächenzuständen zu adressieren sowie einen Informationsrückfluss zu integrieren. Durch Transfer-Learning-Ansätze werden Modelle auf neue, komplizierte Geometrien übertragen. Zudem werden experimentelle Ermüdungsversuche durchgeführt, um die Werkzeuglebensdauer zu analysieren und diese zusätzlichen Daten in den Wissensgraphen zu integrieren. Durch die Kopplung der datengetriebenen Verfahren mit Simulationsmodellen und experimentellen Ergebnissen soll das Assistenzsystem den Verschleiß und die Ermüdung nicht nur frühzeitig erkennen, sondern auch konkrete Maßnahmen zu deren Prävention ableiten.