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 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 der ersten Förderperiode des Forschungsprojektes wurde durch die Verwendung des maschinellen Lernens ein datengetriebener Simulationsansatz verfolgt, der im Gegensatz zu FEM-Simulationen keiner detaillierten Modellierung des Umformprozesses bedarf. Dies geschah durch den Aufbau eines mehrschichtigen künstlichen neuronalen Netzes, welches die resultierende geometrische Genauigkeit eines Umformversuches anhand allgemeiner Prozessdaten, der Bauteilgeometrie und dem Verlauf der Werkzeugbahn vorhergesagt hat. Durch eine vorhersagegestützte Anpassung der Werkzeugbahn konnte der durchschnittliche absolute Umformfehler um bis 68 Prozent reduziert werden. Auf diesen Ergebnissen wird in der zweiten Förderperiode aufgebaut, um die Genauigkeit der Vorhersage der Umformgenauigkeit weiter zu steigern. Hierzu werden zunächst durch eine Cluster Analyse Lücken in der Prozessdatenbank identifiziert. Anhand dieser werden neue Bauteile abgeleitet, umgeformt und der Prozessdatenbank hinzugefügt. Anschließend werden mehrere künstliche neuronale Netze auf Basis der in der ersten Förderperiode entwickelten Geometrierepräsentationen trainiert und deren Vorhersagen mittels Ensemble Learning zu einer gemeinsamen Vorhersage kombiniert. Die künstlichen neuronalen Netze werden ebenfalls genutzt, um die optimale Kombination der beiden einzigartigen Parameter des Roboformings, dem Nacheilwinkel und der Gegenhaltekraft, vorherzusagen und diese dynamisch während des Umformprozesses anzupassen. Dies bedingt eine Erweiterung der Prozessregelung, um Anregungen des Systems zu verhindern. Schlussendlich wird ein weiteres künstliches neuronales Netz trainiert, welches die Steigerung der Umformgenauigkeit durch eine vorhersagenbasierte Anpassung der Werkzeugbahn und eine dynamische Anpassung der Prozessparameter und somit die erzielbare Umformgenauigkeit vorhersagt. Sofern eine ausreichend große Steigerung der Umformgenauigkeit erzielt wird, soll innerhalb einer Projektverlängerung Transferlernen genutzt werden, um die Vorhersagefähigkeiten der künstlichen neuronalen Netze auf neue Kombinationen von Blechwerkstoffen und – dicken zu erweitern.

• DFG-Verfahren: Sachbeihilfen