Entwicklung eines datengetriebenen Modells zur Bewertung und Verbesserung der Prozessrobustheit bei der Wirkflächenauslegung von Tiefziehwerkzeugen

Methoden und Erkenntnisse:

Als Datenbasis wurde eine Kreuznapfgeometrie gewählt. Neben Experimenten wurden Finite Elemente (FE) Simulationen durchgeführt und dessen tabulare Daten extrahiert. Während der Erstellung verschiedener Metamodelle, stellte sich ein künstliches neuronales Netzwerk als effiziente Methode heraus, um die Inputgrößen mit dem Ziehrand als Outputgröße in einer Regression vorherzusagen. Die Hypothese wurde aufgestellt, dass die Kombination aus den idealisierten FE-Simulationsdaten und den verrauschten experimentellen Daten erschaffbar ist. Dahingehend wurde ein Transfer Learning Algorithmus, siehe Abbildung 2, für das Tiefziehverfahren angewendet und die Hypothese bestätigt. Dieser Algorithmus dient der Trendanpassung durch ein gezieltes Einfrieren von Gewichten in der Netzwerkstruktur.

Aktuell wird an einer Methode geforscht, welche das Transfer Learning um die gezielte Auswahl von informativen Datenpunkten für das Training des Algorithmus ergänzt. Zudem soll die Entscheidung des Netzwerkes erklärbar gemacht werden. Eine Publikation dafür ist bereits eingereicht.

Neben der Extraktion von Daten des Kreuznapfes, welches eine einfache Geometrie darstellt, wird an komplexen Geometrien aus getakteten Prozessen gearbeitet. Die Daten wurden extrahiert und vorverarbeitet und die Verteilungen sowie Prozessgrenzen bestimmt. Ziel ist es mit diesen Daten einen robusten Vorhersagealgorithmus zu erschaffen, welcher sowohl präzise als auch flexibel auf das Prozessrauschen reagieren kann. Hierzu werden aktuell im Bereich der probabilistischen Unsicherheitsbewertung an den robusten Algorithmen in Kombination mit der Erklärbarkeit von künstlichen neuronalen Netzwerken geforscht. Sind einzelne Datensätze mit robusten Vorhersagealgorithmen ausgelegt, so werden diese in Bezug auf ihre Zusammenführbarkeit zu einem einheitlichen Erklärungsmodell geprüft.

Erwartete Ergebnisse:

Das erwartete Ergebnis dieses Projektes ist ein einheitliches Erklärungsmodell des Prozessrauschens beim Tiefziehen, welches auf industrielle Anwendungen übertragbar ist. Grundlage ist dabei die Verwendung des Ziehrands als Qualitätsmerkmal, welcher bei der Erstellung einer Datenbasis aus Experimenten und FE-Simulationen als Outputgröße gehandhabt wird. Das erstellte Modell soll anschließend aktiv in den Prozess der Wirkflächenkonstruktion integriert werden.