Optimierung des Wirkflächendesigns schnelllaufender Folgeverbundwerkzeuge unter Nutzung maschineller Lernalgorithmen

Im bisherigen Projektverlauf konnten sowohl im Bereich der Fertigungstechnik als auch auf der Seite des Maschinellen Lernens wichtige Fortschritte erzielt werden.

Fertigungstechnik und Simulation:

Auf maschinenbaulicher Seite wurde das Vorschubverhalten des Bandmaterials sowohl in FEM-Simulationen als auch in experimentellen Versuchen detailliert untersucht. Ziel war es, die Übereinstimmung zwischen simulativen und realen Daten zu validieren und relevante Einflussgrößen für nachfolgende Modellierungs- und Optimierungsaufgaben zu identifizieren. Dabei wurden erste Korrelationen zwischen Vorschubdynamik, Werkzeugauslegung und resultierenden Bauteilmerkmalen aufgezeigt. Innerhalb des Projektes wurde ein simulationsgestützter Untersuchungsansatz entwickelt, um die mechanische Eignung der Blechband Anbindung verschiedener Rondenschnitt Geometrien systematisch zu bewerten. Ziel war es, durch Variation definierter geometrischer Parameter die Auswirkung auf das strukturelle Verhalten des Bauteils zu analysieren und daraus fundierte Empfehlungen für die Konstruktion abzuleiten. Zur quantitativen Erfassung dieser Parameter wurde ein vollfaktorieller Versuchsplan umgesetzt, wodurch insgesamt 25 Geometriekombinationen simuliert und ausgewertet wurden. Auf Grundlage der in den Effekt- und Interaktionsdiagrammen erkennbaren Trends wurden drei charakteristische Geometrien mit unterschiedlichen Spannungsniveaus für weiterführende experimentelle Untersuchungen im Projekt ausgewählt. Ziel dieser Auswahl war es, die Bandbreite des geometrischen Einflusses auf das mechanische Verhalten im Detail zu analysieren und zugleich unterschiedliche Auslegungsstrategien vergleichend zu bewerten. Die Abstreckgleitziehstufe wurde für die Integration in ein bestehendes Folgeverbundwerkzeug entwickelt und dient der kontrollierten Umformung eines zuvor tiefgezogenen Napfes. Zur Prozessüberwachung und Qualitätssicherung ist die Abstreckgleitziehstufe mit umfangreicher Sensorik ausgestattet. Die Kombination aus mechanischer Konstruktion und messtechnischer Ausstattung gewährleistet eine präzise, überwachbare und prozesssichere Umformung innerhalb des Folgeverbundwerkzeugs.

Maschinelles Lernen und Explainable AI:

Zur Verbesserung der Zuverlässigkeit tiefenlernender Zeitreihenmodelle wurde das Verfahren Right on Time (RioT) entwickelt. Es adressiert gezielt das Problem sogenannter Clever-Hans-Momente, bei denen Modelle auf irreführende Korrelationen (Confounder) reagieren. Im Rahmen des Projekts wurde hierzu der realitätsnahe Datensatz P2S aus der einer laufenden Produktionslinie aufgenommen und öffentlich bereitgestellt (Link). Die Analysen zeigten, dass insbesondere die Hubgeschwindigkeit als Störfaktor wirkt und die Aufmerksamkeit der Modelle von relevanten Merkmalen in den Kraftverläufen ablenken kann. RioT begegnet dieser Problematik durch interaktive Modellsteuerung sowohl im Zeit als auch im Frequenzbereich, eine bislang einzigartige bidirektionale Rückkopplung, mit der Modelle gezielt von identifizierten Störgrößen weggelenkt werden. Die Untersuchungen zeigen, dass sich Modelle mithilfe von RioT zuverlässig auf relevante Merkmale fokussieren lassen, sowohl im P2S-Datensatz als auch auf gängigen Zeitreihen-Benchmarks. Weitere Untersuchungen zeigen deutlich, dass die Komplexität des verwendeten numerischen Modells einen entscheidenden Einfluss auf die Eignung synthetischer Datensätze für das Training von Machine-Learning-Modellen zur robusten Klassifikation realer Prozessvariationen hat. Insbesondere wird beobachtet, dass einfache Finite-Elemente-Modelle (Level 1) trotz korrekt abgebildeter Grundkraftverläufe wesentliche physikalische Effekte – wie Geometrieänderungen durch Vorprozesse, lokale Verfestigungen und Eigenspannungen – nicht berücksichtigen können. Dies führt zu einem signifikanten "Reality Gap", der sich in einer sehr niedrigen Klassifikationsgenauigkeit (ca. 8 %) der auf solchen Datensätzen trainierten Modelle äußert. Eine Erhöhung der Modellkomplexität (Level 2 und Level 3), führt zu einer deutlich realitätsnäheren Abbildung der Prozessgrößen, was die Übertragbarkeit der synthetisch erzeugten Daten auf reale Prozesse erheblich verbessert. Die Ergebnisse belegen, dass bei geringer Varianz der untersuchten Prozessgrößen eine höhere Modellkomplexität zwingend erforderlich ist, um feine reale Unterschiede robust klassifizieren zu können. Hinsichtlich der Prozessrobustheit wurde untersucht, wie Positionsabweichungen von Blechstreifen in Folgeverbundwerkzeugen beim Tiefziehen die Qualität von Bauteilen beeinflussen und wie man diese durch eine simulationsgetriebene Methode frühzeitig erkennen kann. Die synthetischen Daten wurden mit realen Prozessdaten verknüpft, um mithilfe von maschinellem Lernen Anomalien in den Kraftverläufen zu erkennen. Die Ergebnisse zeigen, dass sich systematische Zusammenhänge zwischen der Exzentrizität des Streifens und charakteristischen Merkmalen der Kraftsignale identifizieren lassen. Insgesamt bietet der Ansatz eine skalierbare, kosteneffiziente Methode zur Prozessüberwachung, die ohne Eingriffe in die laufende Produktion funktioniert und dadurch zu einer verbesserten Fehlerfrüherkennung und Prozessstabilität beiträgt.