Produktivitätsmaximierung durch intelligente Datenanalyse in der Blechverarbeitung 4.0 – Abgesichertes Lernen zweiter Ordnung von maximaler Produktivität
Verfasser:
M.Sc. André Kokozinski, M.Sc. Dirk Alexander Molitor, Prof. Dr.-Ing. Dipl.-Wirtsch.-Ing. Peter Groche, Institut für Produktionstechnik und Umformmaschinen, Technische Universität Darmstadt
128 Seiten - 83,00 EUR (sw, 60 teils farbige Abb., 13 Tab.)
ISBN 978-3-86776-677-7
Zusammenfassung
Dieser Abschlussbericht dient der Beschreibung einer Vorgehensweise zur datengetriebenen Produktivitätsmaximierung in schnelllaufenden Umformprozessen, die mit Folgeverbundwerkzeugen (FVW) betrieben werden.
Als Beispiel dient ein im Projekt konstruiertes, vierstufiges FVW. Die Konstruktion des FVW, die Sensorintegration und -qualifizierung sowie das Betreiben des FVW bei unter-schiedlichen Prozessparametereinstellungen werden vorgestellt. Abschließend wird ein Vorgehensmodell eingeführt, das über korrelationsbasierte Analysen und tiefe Lernalgorithmen zu Erkenntnissen führt, die der Produktivitätsmaximierung dienen.
Dabei werden die aufgenommenen Daten über intelligente Algorithmen ausgewertet und Optimierungsmaßnahmen aus diesen Erkenntnissen abgeleitet, die einer Reduktion dynamischer Effekte in FVW dienlich sind.
Neben der vorgestellten Methodik, werden im Projekt generalisierbare Aussagen über datengetriebenen Optimierungsmaßnahmen im Betrieb von FVW aufgestellt. Die multisensorielle Überwachung, die einerseits der Erfassung von Prozessgrößen, andererseits der Erfassung von Bauteileigenschaften dient, erlaubt Korrelationsanalysen zwischen Prozesszuständen und resultierenden Qualitätsmerkmalen der Bauteile und deren Schwankungen.
Die beschriebenen Methoden zur datengetriebenen Produktivitätsmaximierung sind insbesondere für die Blechverarbeitung vorteilhaft. Die Abschätzung sicher realisierbarer Hubgeschwindigkeiten erlaubt es Produzenten, das volle wirtschaftliche Potenzial, das sich aus deren Anlagen und Werkzeugen ergibt, auszunutzen und die Prozesse sicher an Prozessgrenzen zu betreiben, ohne die Funktionalität von Maschinen und Werkzeugen zu gefährden.
Weiterhin sind gewonnene Erkenntnisse hinsichtlich der Integration von Sensoren für Produzenten von Vorteil, da generalisierbare Aussagen über das Informationspotenzial unterschiedlicher (Low- und High-Cost) Sensoren abgeleitet werden können.
Förderhinweis
Das IGF-Vorhaben "Produktivitätsmaximierung durch intelligente Datenanalyse in der Blechverarbeitung 4.0 – Abgesichertes Lernen zweiter Ordnung von maximaler Produktivität" der Forschungsvereinigung EFB e.V. wurde unter der Fördernummer AiF 21572N über die Arbeitsgemeinschaft industrieller Forschungsvereinigungen (AiF) im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Klimaschutz aufgrund eines Beschlusses des Deutschen Bundestages gefördert. Der Abschlussbericht ist als EFB-Forschungsbericht Nr. 608 erschienen und bei der EFB-Geschäftsstelle und im Buchhandel erhältlich.
Summary
The purpose of this final report is to describe a procedure for data-driven productivity maximization in high-speed forming processes operated with progressive dies. A four-stage progressive die constructed in the project serves as an use-case. The construction of the progressive die, the sensor integration and qualification as well as the operation with different process parameter settings are presented.
Finally, a process model is introduced that leads to insights via correlation-based analyses and deep learning algorithms that serve to maximize the economic viability. The recorded data is evaluated using intelligent algorithms and optimization measures are derived from these findings, which are useful for reducing dynamic effects in multi-stage forming processes.
In addition to the presented methodology, generalizable statements about data-driven optimization measures in the operation of progressive dies will be derived in the project. The multi-sensor monitoring, which serves to record process variables on the one hand and product properties on the other, allows correlation analyses between process states and the resulting quality indicators of the product and their fluctuations.
The described methods for data-driven productivity maximization are particularly advan-tageous for sheet metal processing. The estimation of safely realizable stroke speeds allows manufacturers to exploit the full economic potential of their equipment and tools and to operate the processes safely at process limits without endangering the functionality of machines and tools.
Furthermore, the knowledge gained regarding the integration of sensors is advantageous for manufacturers, as generalizable statements can be derived about the information potential of different (low and high-cost) sensors.
Inhaltsverzeichnis
Zusammenfassung
Abbildungsverzeichnis
Tabellenverzeichnis
Abkürzungs- und Formelverzeichnis
1 Einleitung
2 Ausgangssituation und Motivation
3 Stand der Technik
3.1 Folgeverbundwerkzeuge
3.1.1 Scherschneiden
3.1.2 Biegen
3.2 Dynamische Effekte schnelllaufender Umformprozesse
3.3 Modelle zur Beschreibung von Prozesszuständen
3.4 KDTEA-Modell zur Entwicklung von Machine Learning Modellen
3.5 Datenerfassung
3.5.1 Klassifizierung nach Datentyp
3.5.2 Klassifizierung nach Messgröße
3.5.3 Datenvorbereitung und Datentransformation
3.5.4 Modellbildung
3.6 Sensorische Überwachung schnelllaufender Umformprozesse
3.6.1 Überwachung von Einzelprozessen
3.6.2 Überwachung von mehrstufigen Prozessen
3.7 Zusammenfassung des Kapitels
4 Motivation und Zielsetzung
4.1 Vorgehensweise
4.2 Aufbau des Abschlussberichts
5 Auslegung des multisensoriellen FVW
5.1.1 Pilotstanzung
5.1.2 Konturschnitt
5.1.3 Biegestufe
5.1.4 Trennstufe
5.2 Berücksichtigung der Sensorintegration bei Werkzeugkonstruktion
6 Sensorwahl und -integration
6.1 Informationen zum Gesamtmesssystem
6.2 Kraftsensorik
6.3 Beschleunigungssensorik
6.4 Wegsensorik
6.5 Sensorik zur Aufnahme akustischer Emissionen
6.6 Optische Sensorik
6.7 Durchführung von Vorversuchen
6.8 Zusammenfassung des Kapitels
7 Versuchsdurchführung
7.1 Beschreibung des Versuchsaufbaus
7.2 Versuchsplan und Versuchsparameter
7.2.1 Referenzversuche
7.2.2 Parameterversuche
7.2.3 Maßnahmenversuche
7.3 Ableitung eines Vorgehensmodells zur datengetriebenen Produktivitätsmaximierung
7.4 Datenanalyse
7.4.1 Dynamische Anregungen des Werkzeugs
7.4.2 Reibung zwischen Stanzstempeln und Matrizen
7.5 Ableitung von Gegenmaßnahmen zur Steigerung der Produktivität
7.5.1 Dynamische Anregungen des Werkzeugs
7.5.2 Reibung zwischen Stanzstempeln und Matrizen
7.6 Zusammenfassung des Kapitels
8 Fazit des Projekts
8.1 Wissenschaftlich-technischer und wirtschaftlicher Nutzen der Ergebnisse für KMU
9 Literaturverzeichnis
