Optimierung des Wirkflächendesigns schnelllaufender Folgeverbundwerkzeuge unter Nutzung maschineller und tiefer Lernalgorithmen

• Antragsteller: Professor Dr.-Ing. Peter Groche; Professor Dr. Kristian Kersting
• Fachliche Zuordnung: Ur- und Umformtechnik, Additive Fertigungsverfahren ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 520459405

Das zentrales Ziel des Kooperationsprojektes „Optimierung des Wirkflächendesigns schnelllaufender Folgeverbundwerkzeuge unter Nutzung maschineller und tiefer Lernalgorithmen“ ist die auf maschinellen oder tiefen Lernverfahren beruhende Identifikation nichtlinearer Zusammenhänge zwischen sensorisch und numerisch erfassbaren Prozess- und Qualitätsdaten einerseits und Produkt- und Prozesskenngrößen andererseits in einem mehrstufigen, schnelllaufenden Umformprozess. Basierend auf diesen datengetriebenen Modellen gilt es Zusammenhänge zwischen Veränderungen der Wirkflächen im Prozess und Produkt- sowie Prozesskenngrößen zu beschreiben und diese Korrelationen zur gezielten Optimierung des Wirkflächendesigns zu nutzen. Zur Erreichung dieses Ziels sind sowohl die Weiterentwicklung eines bestehenden, modularen Folgeverbundwerkezuges, die Integration und Qualifizierung entsprechender Sensorik, die Inbetriebnahme und umfassende Versuchsdurchführung, die simulative Abbildung des Prozesses als auch die Entwicklung entsprechender KI-Modelle zu adressieren. Bei der Entwicklung von KI-Modellen sollen erstmals multimodale Ansätze erprobt werden, bei denen heterogene, experimentelle als auch simulative Daten fusioniert und als Eingangsgrößen für maschinelle und tiefe Lernverfahren genutzt werden. Identifizierte Zusammenhänge bzw. Sensitivitäten zwischen Bauteileigenschaften und Wirkflächenparametern sollen im Anschluss genutzt werden, um Wirkflächenparameter zu optimieren. Dabei sollen sowohl Explainable Artificial Intelligence als auch Human-in-the-loop-Ansätze erprobt und genutzt werden, um einerseits domänenspezifisches Wissen in die Modellbildung einfließen zu lassen und andererseits die Plausibilität erkannter Zusammenhänge zu überprüfen und Scheinkorrelationen auszuschließen. Als Demonstratorprozesse dient ein sechsstufiges Werkzeug bestehend aus Tiefzieh-, Abstreck- und Stanzoperationen zur Herstellung eines Sensorgehäuses. Dabei sollen die Wirkflächen unter anderem durch die geometrische Gestaltung, Dimensionierung und Oberflächenstrukturierungen der Werkezeuge sowie durch die Anpassung von Temperatur- und Beölungszuständen optimiert werden.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2422: Datengetriebene Prozessmodellierung in der Umformtechnik
• Mitverantwortlich: Professor Devendra Singh Dhami