Datenbasierte Fügeparameterprognose beim mechanischen Fügen

Projektbeschreibung

Die Digitalisierung der Produktion ist aktuell eines der wichtigsten Handlungsfelder, um Wachstum und Beschäftigung am Standort Deutschland auch zukünftig zu sichern. Die mechanische Fügetechnik spielt dabei als verkettete Querschnittstechnologie eine wichtige Rolle und muss sich im Rahmen der Digitalisierung weiterentwickeln, um wettbewerbsfähig zu bleiben. Die Anwendung von Methoden des maschinellen Lernens haben dafür sehr großes Potenzial, um digitale Geschäftsmodelle für Systemhersteller und Anwender der mechanischen Fügetechnik zu ermöglichen.

Im hier vorgeschlagenen Projekt soll eine Methode entwickelt werden, durch deren Anwendung es möglich ist, nur anhand der Werkstoffgruppe, der allgemeinen mechanischen Eigenschaften (z. B. Zugfestigkeit, Streckgrenze, Bruchdehnung) sowie der Dicke der zu fügenden Bleche mittels datenbasierter Berechnungsmodelle des überwachten maschinellen Lernens unmittelbar eine Aussage über geeignete Fügeparameter (z. B. Niet, Matrize) sowie zu erwartende Fügepunkteigenschaften (z. B. Hinterschnitt) zu prognostizieren.

Um eine hohe Prognosequalität der Berechnungsmodelle zu erreichen, bedarf es einer großen Anzahl von Datensätzen, die das betrachtete Fügeverfahren und den Einsatzbereich ausreichend gut repräsentieren. Aufgrund der Komplexität der angestrebten Modelle und der großen Anzahl der zu variierenden Größen wird im Projekt neben der experimentellen Datenbasis eine deutlich erweiterte Datenbasis aufgebaut, die auf einer Vielzahl von FEM-Berechnungen basiert. Die im Projekt entwickelte Methode soll den Systemanbietern (KMU) der mechanischen Fügetechnik ermöglichen, ihre bestehenden Produkte durch neue, innovative Softwaresysteme bzw. digitale Geschäftsmodelle zu ergänzen.