Datenbasierte Fügeparameterprognose beim mechanischen Fügen
Verfasser:
Dr.-Ing. Mathias Jäckel, Dipl. Math. Tobias Falk, Prof. Dr.-Ing. Welf-Guntram Drossel, Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik Dresden
82 Seiten - 66,00 EUR (sw, 34 teils farbige Abb., 4 Tab.)
ISBN 978-3-86776-595-4
Zusammenfassung
Eine zentrale Herausforderung beim Einsatz von Algorithmen des maschinellen Lernens im industriellen Umfeld besteht darin, umfassende, geeignete Daten zu generieren, die die Material- und Prozesseigenschaften korrekt abbilden. Im hier beschriebenen Forschungsprojekt wurde eine Methodik entwickelt, wie eine relativ kleine experimentelle Datenbasis mittels numerischer Sensitivitätsanalysen zu einer umfassenden Datenbasis erweitert werden kann.
Die Validierung und Automatisierung der Simulationsmodelle spielt bei der numerischen Datengenerierung eine zentrale Rolle. Der Vergleich verschiedener Lernalgorithmen zeigt den Einfluss unterschiedlich großer Datenmengen auf die jeweilige Prognosegüte, wobei sich herausstellt, dass die Verfügbarkeit größerer valider Datenmengen zu einer signifikanten Steigerung der Prognosegüte bei der Verwendung komplexerer Modelle führt.
Dies ermöglicht, bei dem im Projekt betrachteten Fügeverfahren Halbhohlstanznieten, eine genaue datenbasierte Vorhersage von Fügeergebnissen für neue Materialkombinationen, die bisher weder experimentell noch numerisch berücksichtigt wurden, wodurch der Aufwand für die Auslegung von Halbhohlstanznietverbindungen deutlich reduziert wird.
Als zentrales Ergebnis im Projekt entstand eine Prognosesoftware, mit der sehr flexibel eine Vielzahl von Regressionsmodellen verglichen und für die Prognose von Verfahrensparametern beim mechanischen Fügen verwendet werden kann.
Die Projektziele wurden erreicht.
Förderhinweis
Das IGF-Vorhaben „Datenbasierte Fügeparameterprognose beim mechanischen Fügen" der Forschungsvereinigung EFB e.V. wurde unter der Fördernummer AiF 19853BR über die Arbeitsgemeinschaft industrieller Forschungsvereinigungen (AiF) im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des Deutschen Bundestages gefördert. Der Abschlussbericht ist als EFB-Forschungsbericht Nr. 539 erschienen und bei der EFB-Geschäftsstelle und im Buchhandel erhältlich.
Summary
The major challenge in the application of machine learning algorithms in an industrial environment is to generate comprehensive, suitable data that describe material and process properties well. In the research project described here a methodology was developed how a relatively small experimental database can be extended to a compre-hensive database by means of numerical sensitivity analyses.
The validation and automation of the simulation models plays a central role in the numerical data generation. The comparison of different learning algorithms shows the influence of different amounts of data on the respective forecast quality. It turns out that the availability of larger valid data sets leads to a significant increase of the forecast quality when using more complex models.
This enables an exact data-based prediction of joining results for new material combina-tions, which have not been considered experimentally or numerically so far, which significantly reduces the effort for the design of semi-tubular self-pierce riveting joints.
As a central result of the project, a prognosis software was developed which can be used very flexibly to compare a large number of regression models to predict process parameters for mechanical joining.
The project objectives were achieved.
Inhaltsverzeichnis
Zusammenfassung
Abkürzungsverzeichnis und Formelzeichen
Abbildungsverzeichnis
1 Einleitung
2 Stand der Technik
2.1 Verfahrensprinzip Halbhohlstanznieten
2.2 Anwendung des Halbhohlstanznietens zum Fügen von Aluminium- und Stahlblechstrukturen
2.3 Numerische Beschreibung des Halbhohlstanznietprozesses von Aluminium- und Stahlblechstrukturen
2.4 Überwachtes maschinelles Lernen mit Bezug zur mechanischen Fügetechnik
3 Technologische Vorbetrachtungen
3.1 Werkstoffe
3.2 Fügeeinrichtung
3.3 Fügeprozessparameter
4 Ermittlung der experimentellen Datenbasis
4.1 Durchführung und Auswertung der Fügeversuche
4.2 Bewertung der Ergebnisse
5 Aufbau und Validierung der Simulationsmodelle
5.1 Aufbau der Simulationsmodelle
5.2 Validierung der Simulationsmodelle
6 Berechnung der numerischen Datenbasis
6.1 Statistische Versuchsplanung
6.2 Vorbereitung und Durchführung der Berechnungen
7 Analyse der ermittelten Datenbasen
7.1 Technologische Bewertung der numerischen Datenbasis
7.2 Korrelationsanalysen
8 Gegenüberstellung der Lernalgorithmen
8.1 Lineare Modelle
8.1.1 Lineare Regression, kleinste Fehlerquadrate
8.1.2 Ridge Regression
8.1.3 Lasso Regression
8.1.4 LARS Lasso Regression
8.1.5 Elastic Net
8.1.6 Bayesian Regression
8.1.7 Stochastic Gradient Descent
8.1.8 Passive Aggressive Regression
8.1.9 Polynomiale Regression
8.2 Robuste lineare Regression
8.2.1 RANdom SAmple Consensus – RANSAC
8.2.2 Theil-Sen Schätzer
8.2.3 Huber Regression
8.3 Support Vector Regression
8.4 K-Nearest-Neighbor Regression
8.5 Entscheidungsbäume
8.5.1 Decision Tree Regression
8.5.2 Gradient Boosting Decision Tree
8.6 Multi-Layer Perceptron (überwachtes neuronales Netz)
8.7 Bewertungskriterien
8.7.1 Bestimmtheitsmaß
8.7.2 Prozentuale Abweichung
8.7.3 Rechenzeiten
8.8 Bewertung der Prognoseergebnisse
9 Softwaretool zur Fügeparameterprognose
10 Ergebnisse und Ausblick
10.1 Wissenschaftlich-technischer und wirtschaftlicher Nutzen der erzielten Ergebnisse insbesondere für KMU, innovativer Beitrag und industrielle Anwendungsmöglichkeit
11 Literaturverzeichnis
