AI-based prediction of the results of bulk forming simulations
Primary Shaping and Reshaping Technology, Additive Manufacturing
Final Report Abstract
Im Projekt „Prognose der Ergebnisse von Massivumformsimulationen (KImulation)“ wurde der Einsatz von KI bzw. Data Mining innerhalb der Massivumformung zur Prognose signifikanter Simulationsergebnisse am Beispiel eines einstufigen Umformprozesses untersucht. Für die Untersuchungen wurden die Anforderungen an den Umformprozess, den Parameterraum, die Prognosemethode und den Softwaredemonstrator in einem Lastenheft dokumentiert. Gemäß diesen Anforderungen wurde zunächst ein einstufiger Stauchprozess von einem zylindrischen Rohteil zu einem einfachen Flansch in einem CAD-Programm ausgelegt. Mithilfe eines Makros wurden STL-Dateien in jeder gewünschten Parameterkombination aus Rohteil- und Flanschgeometrie erzeugt und in einer Datenbank abgelegt. Zusammen weiteren Parametern und Randbedingungen wurden mithilfe eines zweiten Makros automatisiert FEM-Simulationen aufsetzt. Mit einem repräsentativen Testdatensatz an Parameterkombinationen wurde ein weiteres Makro programmiert, welches die festgelegten Zielgrößen Umformkraft und Formfüllung auslas. Das Ergebnis war eine Tabelle, welche alle relevanten Informationen an Ein- und Ausgangsgrößen zur Durchführung verschiedener Data-Mining Methoden enthielt. Um zu prüfen, welche Beschreibungsart einer Geometrie am besten durch eine KI verarbeitet werden kann, wurden drei unterschiedliche Ansätze ausgearbeitet. Der erste Ansatz war die Beschreibung durch Maße (z. B. Durchmesser), wie es auch im CAD-Programm durch den Benutzer erfolgt. Der zweite Ansatz verarbeitete die Oberflächenknoten von Rohteil- und Flanschgeometrie in einem 2D-Raster. Durch Messen der Breiten und Höhen entlang der jeweiligen Achsen konnten quantitativ die Verschiebungen vom Rohteil zum Flansch ermittelt werden. Der dritte Ansatz lud die Volumina von Rohteil und Flansch in ein 3D-Raster und prüfte für jedes Rasterelement, ob Füllung durch die Geometrien vorlag. Somit konnte letztlich die Veränderung in alle Raumrichtungen festgestellt werden. Für alle drei Ansätze wurde jeweils eine Tabelle mit Ein- und Ausgangsgrößen erstellt. Diese wurden im Folgenden durch die Durchführung vieler Simulationen zur Erzeugung einer Datenbasis erweitert. Die erweiterten Tabellen dienten anschließend als Input für die Prognose durch die Data Mining Verfahren Neuronales Netzwerk, Lineare Regression, Polynomielle Regression, Support Vector Machine und Support Vector Regression. Die Prognosegüte, welche anhand der Korrelation gemessen wurde, zeigten bei der Kombination des ersten Ansatzes der Geometriemodellierung mit dem Neuronalen Netzwerk durchschnittlich die besten Ergebnisse; R = 0,994 für die Umformkraft und R = 0,906 für die Formfüllung. Zur Prognose unbekannter Parameterkombinationen wurde anschließend ein Software-Demonstrator entwickelt. Dieser führt den Benutzer eindeutig und strukturiert durch die Eingaben und zeigt ihm nach ca. 20 Sekunden Rechenzeit die Prognosen für die Zielgrößen sowie eine graphische Darstellung der ausgewählten Geometrien. Eine Evaluation des Software-Demonstrators ergab kleinere Verbesserungspotentiale, sodass das Ergebnis für den Nutzer eine übersichtliche und intuitiv zu bedienende Maske ist, mit der zeitsparend Prognosen erzeugt werden können. Die Qualität bzw. die Belastbarkeit der Prognose von Varianten, die ähnlich zur Trainingsdatenbasis sind, ist sehr gut. Die Prognosegüte sinkt jedoch, wenn die betrachteten Parameterkombinationen sich deutlich von der Trainingsdatenbasis unterscheiden. Dies verdeutlicht weiteren Entwicklungsbedarf durch zum Beispiel Optimierung bezüglich der Wahl der Parameter oder Untersuchung von unterschiedlichen Algorithmen des Neuronalen Netzwerks. Für eine Prognose von beliebigen Geometrien, wie es das visionäre Ziel ist, sind die erlangten Erkenntnisse dennoch ein erster Schritt.
Publications
- Mit künstlicher Intelligenz Massivumformung simulieren. In: IT&Production, TeDo Verlag, 17. Jg. (2016), H. 03/2016, S. 96-67
Rasche, N.; Schirrmacher, S.
- Automatisiert FEM-Daten für Umformabläufe erzeugen. In: Umformtechnik, Massiv + Leichtbau, Meisenbach Verlag, 51. Jg. (2017), H. 06/2017, S. 26-28
Rasche, N.
- Predicting Forming Forces and Lack of Volume with Data Mining Methods for a Flange Forging Process. In: IJMO 2017 Vol.7(6): 363-369 ISSN: 2010-3697
Rasche, N.; Langner, J; Stonis, M.; Behrens, B.-A.
(See online at https://dx.doi.org/10.7763/IJMO.2017.V7.613) - KI-Prognose der Umformkraft bei Umformsimulationen - Vorhersage der Umformkraft von teils unbekannten Simulationsergebnissen durch Neuronales Netzwerk. In: wt-online 3-2018, S. 186-190
Rasche, N.; Roe, C.; Langner, J.; Stonis, M.; Behrens, B.-A.
