Komplementäre Datenbasiserzeugung für das maschinelle Lernen zur Qualitätsprognose am Beispiel des Ringwalzens

• Antragsteller: Professor Dr.-Ing. Alexander Brosius; Professor Dr.-Ing. Bernd Kuhlenkötter
• Fachliche Zuordnung: Ur- und Umformtechnik, Additive Fertigungsverfahren
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 499350001

Das vorliegende Forschungsvorhaben soll die zentrale Forschungsfrage einer Verwendbarkeit von maschinellen Lernverfahren (ML) mittels synthetisch erzeugter Trainingsdaten für das Ringwalzen behandeln. Für eine Verwendung von ML für Fertigungsprozesse wie dem Radial-axial Ringwalzen (RAW) müssen Datenbestände von Gut- und Ausschussteilen aufgenommen werden. Hierbei sind ausgeglichene Datensätze hinsichtlich des Verhältnisses von Gut- zu Ausschussteilen notwendig. Dies ist bei industriellen Daten jedoch nicht der Fall, weshalb innerhalb dieses Forschungsvorhabens die Methode der Datenvermehrung durch synthetische Daten via Simulation verwendet wird.Innerhalb des Bereichs der RAW gibt es keine schnelle, analytische Simulation, durch welche eine hinreichend große Anzahl an synthetisch hergestellten Datensätzen mit „form- oder prozessfehlerbehafteten Walzungen“ erzeugt werden kann. Aus diesem Grund wird der Forschungsfrage nachgegangen, inwiefern ein artgleicher Prozess für den Transfer zum RAW untersucht werden kann. Hier bietet sich das Kaltringwalzen an. Der Vorteil dieses Verfahrens liegt in der Reduktion der Komplexität durch die ausschließlich radiale Umformung, statt der im RAW gleichzeitig stattfindenden Deformation in radialer und axialer Richtung, und des reduzierten Temperatureinflusses beim Kaltringwalzen. Ein zentraler Vorteil für das Forschungsvorhaben ist die durch die Professur für Formgebende Fertigungsverfahren (FF) entwickelte halbanalytische Abbildung des Kaltwalzprozesses. Durch diesen Berechnungsansatz ist es möglich, den Kaltwalzprozess schnell und präzise zu simulieren und Prozessdaten zu generieren. Dieser Vorteil soll genutzt werden, um in der ersten Phase zu eruieren, ob und in welchem Maß synthetisch hergestellte Datensätze für das Training von ML verwendet werden können. Diese Ergebnisse sollen für den Ringwalzprozess generalisiert und in Form einer Experimentalumgebung für ML in der Ringwalztechnik definiert werden. Dabei soll der Lernalgorithmus durch die Integration von Domänenwissen unterstützt werden, um die Prozessvorhersage zu beschleunigen bzw. entsprechend prozessspezifischer Grenzen einzuschränken. Eine zentrale Fragestellung ist dabei die erforderliche Datenqualität der realen und synthetischen Daten und wie sich Unterschiede in der Datenqualität in der Prozessvorhersage niederschlagen. In der zweiten Phase werden die Erkenntnisse auf den Warmwalzprozess transferiert.Durch die Kooperation der Professur für Formgebende Fertigungsverfahren (FF) und dem Lehrstuhl für Produktionssysteme (LPS) werden neue Forschungsfragen an der Schnittstelle von klassischen Simulationsansätzen und Methoden des maschinellen Lernens adressiert. Dabei bildet die Verknüpfung der Halbanalytik zur Simulation des Kaltringwalzens und deren Erweiterung auf RAW (FF) mit den Forschungsarbeiten im Bereich des RAW und der Auswertung von Fehlern mittels datengetriebener Methoden (LPS) den Ansatz für eine neue Methode des maschinellen Lernens.

• DFG-Verfahren: Sachbeihilfen