Datengetriebene Prozessmodellierung in der Stanz-Biege-Technologie

• Antragsteller: Professor Dr.-Ing. Matthias Althoff; Dr.-Ing. Christoph Hartmann; Professor Dr.-Ing. Wolfram Volk
• Fachliche Zuordnung: Ur- und Umformtechnik, Additive Fertigungsverfahren ; Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 520459543

Im Rahmen der Digitalisierung und Miniaturisierung steigt der Bedarf an komplexen Elektronikbauteilen. Diese werden oft in Stanz-Biege-Prozessen produziert, welche durch viele Umformoperationen und damit einhergehende Wechselwirkungen charakterisiert sind. Die komplexen Zusammenhänge können nicht vollumfänglich durch Simulationen abgebildet werden, weshalb implizites Wissen weiterhin unverzichtbar ist. Daher ist die Entwicklung und Nutzung neuartiger Modelle notwendig, um zusätzliches Prozessverständnis generieren zu können. Vor allem datengetriebene Modellierung bietet diesbezüglich vielversprechende Potenziale, um zusätzliches Wissen aus den vorhandenen Daten zu extrahieren und so implizites Wissen zu formalisieren. Daher soll in diesem Vorhaben ein Stanz-Biege-Prozess auf Basis von unterschiedlichen numerischen und realen Daten modelliert werden. Von besonderem Interesse sind hier die definierten Qualitätskriterien, die neben geometrischer auch physikalischer Natur sein können. Durch das gezielte Einbringen und Messen von Störgrößen, wird ein umfassender Blick auf den Prozess ermöglicht. Für diesen Zweck werden Module entwickelt, die eine Beeinflussung des Prozesses erlauben. Eine Besonderheit des vorgeschlagenen Modellierungsansatzes ist die Verwendung einer mengenbasierten Erreichbarkeitsanalyse. Das heißt, das Problem wird so formuliert, dass erreichbare Zustände garantiert innerhalb einer bestimmten Menge liegen. Für Umformprozesse bedeutet das Garantien, z.B. bezüglich der Einhaltung gewisser Toleranzen. Gleichzeitig erlaubt die Größe der Menge und Verteilung an erreichbaren Zuständen eine Bewertung der Prozessstabilität. Ein weiterer Vorteil im Gegensatz zu stochastischen Methoden liegt darin, dass eindeutige Ursache-Wirkungsketten identifiziert werden können. Somit verspricht dieser Ansatz neue Möglichkeiten das Prozessverständnis zu erhöhen. Dafür müssen jedoch neue Algorithmen entwickelt werden, die eine Lösung des Problems erlauben. Nachdem das Modell aufgebaut, auf Konformanz überprüft und formal verifiziert wurde, kann die Validierung des Modells stattfinden. Dafür werden auf Basis definierter Prozessparameter erneut Bauteile gefertigt und mit den Vorhersagen des Modells verglichen. Anschließend erfolgt eine Prozessoptimierung auf Grundlage des Modells. Eine anschließende Produktion mithilfe des optimierten Prozesses erlaubt schließlich einen Vergleich zwischen den Prozessen und eine umfangreiche Bewertung der Vorhersagefähigkeit des entwickelten Modells.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2422: Datengetriebene Prozessmodellierung in der Umformtechnik