Detailseite
Projekt
Ableitung von Wirkzusammenhängen zur Wirkflächenauslegung auf Basis einer datengetriebenen Prozessmodellierung für das Feinschneiden (WidProFe)
Antragsteller
Professor Dr.-Ing. Thomas Bergs; Professor Dr. Peer Kröger; Professor Dr. Sebastian Trimpe
Fachliche Zuordnung
Ur- und Umformtechnik, Additive Fertigungsverfahren
Förderung
Förderung seit 2023
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 520460745
Das hochproduktive Präzisionsverfahren Feinschneiden ermöglicht die wirtschaftliche Fertigung von Blechwerkstücken mit erhöhten Anforderungen an die Schnittflächenqualität hinsichtlich des Traganteils und der Rechtwinkligkeit der Fläche, wie z.B. bei maß- und formgenauen Zahnflanken. Feingeschnittene Teile finden Anwendung in Produkten von der Medizintechnik bis in die Elektromobilität. Eine optimale Schnittteilgestaltung sowie Abstimmung der Werkzeugparameter ist anwendungsabhängig und basiert in der Regel auf einer Kombination aus empirischem sowie formalisiertem Prozesswissen (z. B. in Form von FE-Simulationen, Richtwerttabellen). Trotz dieses Prozesswissens sind Abweichungen zwischen der erwarteten und realen Schnittteilqualität zu beobachten. Diese oft zusammenfassend als “Prozessrauschen” bezeichneten Unsicherheiten sind mit berechnungsintensiven Methoden wie FE-Simulationen nicht wirtschaftlich modellierbar. Eine systematische Unterscheidung der verschiedenen Phänomene im Prozessrauschen ist notwendig, um dieses durch geeignete datenbasierte umformtechnische Repräsentationen und Lernverfahren erklär- und nutzbar zu machen. Nicht oder nicht ausreichend erklärbare Einflussgrößen beinhalten u. a. (i) unbekannte physikalische Effekte; (ii) physikalische Effekte, deren Existenz zwar bekannt ist, die sich aber dennoch nur schwer modellieren lassen; (iii) Kausalzusammenhänge entlang der Prozesskette; (iv) Störgrößen, die aber prinzipiell bestimmbar sind; (v) verbleibende Stochastizität, die sich ggf. nicht erklären lässt. Das übergeordnete Ziel des Antrages ist es, dass in den Prozesssignalen enthaltene Prozessrauschen in Teilen erklär- und vorhersagbar zu machen. Hierzu werden in diesem Vorhaben die Domänen Empirisches und Formalisiertes Prozesswissen, Physik-orientierte KI sowie Daten-zentrierte KI in Form einer so genannten „Data-to-Knowledge“-Pipeline miteinander verschränkt. Mit FE-Simulationen, vorhandenen und experimentell zu erhebenden Prozesssignalen sowie Schnittflächenmerkmalen werden Wirkzusammenhänge der als Wirkflächen zu verstehenden Größen Schneidspalt, Fasengeometrie und Schnittflächenqualität digital abgebildet. Mit diesen digitalen Abbildungen werden überwachte Lernverfahren trainiert und durch Explainable AI (XAI) Techniken interpretiert und untersucht. Überdies werden durch unüberwachte Lernverfahren in den Daten enthaltene komplexe Korrelationen und Muster erfasst und in Form von effizienten Repräsentationen kondensiert (Representation Learning). Diese Repräsentationen und die mittels XAI extrahierten Hypothesen über die Wirkzusammenhänge der Systemparameter werden durch kausale Tests (Causal Inference) untersucht und daraus gesicherte Erkenntnisse abgeleitet. Die Hypothesen werden ferner mittels empirischem und formalisiertem Wissen auf ihre Plausibilität hin untersucht. Die Erkenntnisse aus der Data-to-Knowledge-Pipeline bilden die Grundlage für eine optimierte Auslegung der Wirkflächen in der zweiten Projektphase.
DFG-Verfahren
Schwerpunktprogramme
