Vorhersage und Kompensation der nachträglichen Deformation in der roboterbasierten inkrementellen Blechumformung durch die Anwendung maschinellen Lernens

• Antragsteller: Professor Dr.-Ing. Bernd Kuhlenkötter
• Fachliche Zuordnung: Ur- und Umformtechnik, Additive Fertigungsverfahren
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 457407945

Die inkrementelle Blechumformung stellt ein flexibles, werkstückunabhängiges Verfahren für die Herstellung von Blechbauteilen in kleinen Stückzahlen dar. Eine industrielle Anwendung hat jedoch bislang aufgrund der derzeitig noch geringen Geometriegenauigkeit kaum bis gar nicht stattgefunden. Diese resultiert vorrangig aus der fehlenden Möglichkeit zur präzisen Simulation des Umformprozesses, wodurch die Anwendung von Kompensationsansätzen zum Ausgleich von Rückfederungen und nachträglicher Deformation erschwert wird. Obgleich zahlreiche FEM-basierte Simulationsansätze existieren, wird deren Einsatz durch sich aufsummierende Simulationsfehler, hervorgerufen durch die inkrementelle Natur des Verfahrens, verhindert. Innerhalb des Forschungsprojektes wird durch die Verwendung des maschinellen Lernens ein datengetriebener Simulationsansatz verfolgt, der im Gegensatz zu FEM-Simulationen keiner detaillierten Modellierung des Umformprozesses bedarf. Dies geschieht durch den Aufbau eines mehrschichtigen künstlichen neuronalen Netzes (KNN), welches die resultierende geometrische Genauigkeit eines Umformversuches anhand allgemeiner Prozessdaten, der Bauteilgeometrie und dem Verlauf der Werkzeugbahn vorhersagen soll.Um anhand der gewonnenen Daten das Training des KNN durchführen zu können, wird zunächst eine Prozessdatenbank aufgebaut. Zur Akquise eines möglichst breiten Spektrums an Prozessdaten wird dazu eine Versuchsreihe durchgeführt, in der systematisch, variierende Bauteile mit verschiedenen Prozessparametern umgeformt und vermessen werden. Auf diesem Wege wird durch den Umfang des Trainingsdatensatzes eine Generalisierbarkeit des berechneten KNN ermöglicht, wodurch dieses für beliebige Bauteile gültig ist.Um den Einfluss der Bauteilgeometrie auf die resultierende geometrische Genauigkeit abbilden zu können, wird diese in ein für das maschinelle Lernen nutzbares Format mit fester Parameteranzahl überführt. Dies geschieht durch die Entwicklung verschiedener Repräsentationsansätze, die schlussendlich anhand eines Gütekriteriums beurteilt werden, welches deren Leistungsfähigkeit anhand der Approximationsgüte und der Parameterkorrelation zwischen der Geometrierepräsentation und dem Geometrieverlauf untersucht.Anhand der aufgebauten Prozessdatenbank und der leistungsfähigsten entwickelten Geometrierepräsentation wird anschließend ein mehrschichtiges KNN trainiert, dessen Vorhersagegüte anhand eines mit Referenzumformversuchen aufgebauten Testdatensatz validiert wird. Anschließend wird das KNN genutzt, um anhand der getroffenen Vorhersage über die Geometriegenauigkeit den Werkzeugpfad eines Bauteils zu modifizieren, um diese gezielt zu erhöhen. Hierzu werden bestehende Bahnplanungsansätze erweitert, da es andernfalls möglicherweise vereinzelt auftretender großer Vorhersagefehler, hervorgerufen durch die datengetriebene Natur des Ansatzes, zur Berechnung entsprechender, fehlerbehafteter Werkzeugbahnen kommen könnte.

• DFG-Verfahren: Sachbeihilfen