guest ::
DFG project G:(GEPRIS)520194818
Prozessdatengetriebene Modellierung zur Robustifizierung von Scherschneid-Kragenzieh-Prozessen mittels effektiver Werkzeugwirkflächengestaltung unter Berücksichtigung der Kantenrissempfindlichkeit
| Coordinator | Professorin Dr. Agnes Koschmider ; Professorin Dr.-Ing. Verena Kräusel |
| Grant period | 2023 - |
| Funding body | Deutsche Forschungsgemeinschaft |
| DFG | |
| Identifier | G:(GEPRIS)520194818 |
⇧ SPP 2422: Datengetriebene Prozessmodellierung in der Umformtechnik ⇧
Note: Das Kragenziehen ist ein etabliertes Umformverfahren in der Blechverarbeitung zur Erzeugung von Formelementen an Bauteilen, die der Versteifung, Distanzierung oder Fixierung sowie dem Fügen dienen. Das für diesen Prozess größtenteils notwendige Vorloch wird in der Regel durch einen vorgelagerten Scherschneidprozess eingebracht. Die daraus resultierende Schnittkante an den Bauteilen stellt neben der Verfestigung im Bereich der Schnittfläche eine der Hauptursachen für Kantenrisse beim späteren Kragenziehen dar. Trotz des umfangreichen Erfahrungswissens und des Einsatzes numerischer Simulationsmethoden bei der Auslegung der Prozesskette aus Scherschneiden und Kragenziehen kann das häufig stochastische Auftreten dieser Kantenrisse zumeist nicht vorhergesagt und erklärt werden. Dies gilt insbesondere im Hinblick auf Chargenschwankungen der verwendeten Blechwerkstoffe oder auf Verschleißerscheinungen an den Werkzeug-Aktivteilen. Im geplanten Forschungsprojekt sollen deshalb durch das interdisziplinäre Zusammenwirken von Umformtechnik und Datenwissenschaften die Entstehung von Kantenrissen sowie die effektive Werkzeugwirkflächenauslegung durch eine digitale Repräsentation der Prozesskette aus Scherschneiden und Kragenziehen untersucht werden. Zur Erfassung der notwendigen Datenbasis für eine datengetriebene Prozessmodellierung werden in einem Folgeverbundwerkzeug entlang der betrachteten Prozesskette sowohl die relevanten Material-, Prozess- und Anlagenparameter als auch das resultierende Qualitätsmerkmal ‚Breite des Kantenrisses‘ in Dauerversuchsreihen erfasst und in einem entsprechenden Datenmodell abgebildet. Durch eine Analyse dieser Rohdaten sowie von aggregierten Daten mittels Process Analytics und der Anwendung von maschinellen Lernverfahren wie Deep Learning (DL) lässt sich frühzeitig die Datenqualität berücksichtigen und erhöhen. Die spätere Kombination von Prozessdaten mit dem Domänenwissen (u. a. bestehend aus Expertenwissen sowie Ergebnissen der FE-Simulationen) im Rahmen der hybriden Modellierung führt letztlich zur erwarteten Transparenz, zur Interpretierbarkeit und Erklärbarkeit des wissensbasierten Modelles und damit der gefundenen Zusammenhänge zwischen den Eigenschaften der Halbzeuge, den Scherschneid- und Kragenziehparametern sowie der Bauteilqualität. Im Ergebnis soll ein übertragbares Systemwissen geschaffen werden, dass unter Berücksichtigung der Kantenrissempfindlichkeit eine effektive Gestaltung der Werkzeugwirkflächen bei der Prozessauslegung ermöglicht und somit zu einer Robustifizierung von Scherschneid-Kragenzieh-Prozessen beiträgt.
Recent Publications
There are no publications
Record created 2023-04-28, last modified 2024-09-28