Transparente KI-gestützte Prozessmodellierung im Gesenkschmieden

• Antragsteller: Dr.-Ing. Kai Brunotte; Professor Dr.-Ing. Marco Huber
• Fachliche Zuordnung: Ur- und Umformtechnik, Additive Fertigungsverfahren ; Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 520195047

Das Ziel des Forschungsvorhabens besteht in der Verbesserung von Qualitätsmerkmalen in Ge-senkschmiedeprozessen durch eine Steigerung des Verständnisses im komplexen Kollektiv an Wechselwirkungen. Dabei sollen datenbasierte Modelle in Kombination mit globalen Erklärbarkeitsverfahren helfen, bislang unverstandene Korrelationen und Prozessschwankungen zu identi-fizieren, sodass Ansätze entwickelt werden können, die durch angepasstes Wirkflächendesign in künftigen Generationen auch mit geringeren Sicherheitsfaktoren wie Grat oder Aufmaße eine Prozessstabilisierung erlauben. Das bereits bekannte Domänenwissen hinsichtlich der Zusammenhänge von Prozess- und Ziel-größen in der Warmmassivumformung, wird in Form einer Korrelationsmatrix zusammengetragen, strukturiert und bewertet. Zur Erzeugung von Prozessdaten in ausreichendem Umfang erfolgt die Digitalisierung einer bestehenden Serienschmiedepresse durch eine Datenverarbeitungs- und Datenbankinfrastruktur. In dieses System werden Sensoren integriert, um eine Erfassung, Verarbeitung und den Austausch von allen Prozessdaten zu ermöglichen. Da die Bauteilgeometrie eine wichtige Optimierungsgröße darstellt und diese auch von einem KI-Modell prädizierbar sein muss, wird ein automatisiertes Bildverarbeitungsverfahren die relevanten Geometriedaten aus 2D-Bilddaten extrahieren. In Serienschmiedeversuchen und unterstützenden numerischen Prozesssimulationen werden Referenzdatensätze für den betrachteten Prozess erzeugt. Diese werden mit weiteren Versuchsserien unter Einbringung und Eliminierung von Störgrößen sowie mit variierten Stellgrößen ergänzt. Parallel werden FE-Simulationen der einzelnen Prozesse durchgeführt und mit in die Datensammlung eingepflegt, um die Erkennung von Wechselwirkungen allgemein durch per Definition rauschfreien Daten zu unterstützen. Da im ML diverse Methoden existieren, die für eine Qualitätsmerkmalsprognose infrage kommen, werden im Projekt mehrere Lernalgorithmen getestet und gegeneinander verglichen. Das Ziel besteht darin den Algorithmus zu identifizieren, der sowohl eine hohe Prädiktionsgüte unterschiedlicher Gütekriterien erlaubt, als auch eine spätere Interpretierbarkeit der Ergebnisse erleichtert. Auf Basis dieses Modells können neueste Algorithmen zur Surrogaterstellung angewandt werden, sodass ein White-Box-Modell entsteht, welches zur Identifikation der für die Prädiktion verantwortlichen Eingangsgrößen herangezogen wird. Dabei werden diverse Erklärbarkeitsalgorithmen untereinander verglichen. Das Ziel besteht im Erhalt eines erklärbaren White-Box-Modells, das eine maximal hohe Wiedergabetreue zum Originalmodell aufweist. Abschließend erfolgt durch Abgleich mit dem zusammengetragenen Domänenwissen eine Bewertung der ermittelten Zusammenhänge hinsichtlich ihrer Plausibilität und Neuheit. Des Weiteren wird anhand von Versuchen mit einer abgeleiteten neuen Werkzeuggeneration mit modifizierten Wirkflächen das Modell validiert und das Potential zur Prozessoptimierung evaluiert.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2422: Datengetriebene Prozessmodellierung in der Umformtechnik
• Mitverantwortlich: Professor Dr.-Ing. Bernd-Arno Behrens