Intelligente Werkstoffprüfung mit automatisierter Versuchsplanung und Modellidentifikation
Verfasser:
Dr.-Ing. Johannes Buhl, Fachgebiet Hybride Fertigung, Brandenburgische Technische Universität Cottbus-Senftenberg - Dr.-Ing. Alexander Butz, M. Sc. Lukas Morand, M. Sc. Alexander Wessel, Fraunhofer-Institut für Werkstoffmechanik Freiburg
98 Seiten - 79,00 EUR (sw, 56 teils farbige Abb., 5 Tab.)
ISBN 978-3-86776-639-5
Zusammenfassung
In diesem Projekt wurde eine Vorgehensweise entwickelt, welche die derzeitige industrielle Versuchsplanung und -auswertung verbessern soll. Dies wird durch Automatisierung der Versuchsplanung erreicht. Die Versuchsparameter werden nach Wissensgewinn, Zeit und Kosten optimiert.
Ein Projektziel besteht darin, die Parameter von industriell verbreiteten Materialmodellen mit überschaubarem Aufwand für Werkstoffe mit unbekanntem Fließverhalten zu bestimmen und dabei eine Kriterienbasierte Modellauswahl aus einer Reihe vorhandener Modelle zu treffen.
Nach erfolgreichem Aufbau der Routinen und Optimierungsschleifen war es möglich, die Auswahl von Materialmodellen und deren Parametrisierung automatisch vorzunehmen. Es konnten auch verschiedene Kriterien zur Auswahl der optimalen Versuchsbedingungen aufgebaut, verglichen und über Gewichtungen miteinander gekoppelt werden.
In dem Projekt wurde der experimentelle Fokus auf den komplexen Werkstoff AA7075 gelegt und Fließkurven bis nahe zur Schmelztemperatur aufgenommen. Da es derzeit keine Werkstoffgesetze gibt, die in einem solch großen Parameterraum gültig sind, wurde eine datenbasierte Erweiterung von Werkstoffmodellen über neuronale Netze vorgenommen.
Neben der automatischen iterativen Versuchsplanung und Parameteridentifikation von Materialkarten konnten die entstehenden Versuchskosten modelliert werden. Durch den erwarteten Modellgütegewinn und die Kostenfunktion kann der Maschinenbediener selbst entscheiden, wo er den nächsten Versuch im Prüffenster platziert, beziehungsweise sich optimale Versuchsparameter ausgeben lassen.
Ein weiterer Schwerpunkt des Vorhabens lag auf der Entwicklung geeigneter Workflows und Datenhaltungskonzepten für das Datenhandling zwischen der Versuchsdurchführung und der iterativen Versuchsplanung. Es wurde demonstriert, dass ein automatisierter Workflow für die intelligente Versuchsplanung realisiert werden kann, bei dem die aktuellen Entwicklungen im Bereich der Digitalisierung von Werkstoffen bereits mitberücksichtigt wurden.
Zusammenfassend kann festgestellt werden, dass die aus dem Stand der Forschung und Entwicklung abgeleiteten Wissenslücken in der umformtechnischen Materialprüfung verkleinert werden konnten und industrierelevante Ergebnisse und neue Perspektiven aus dem Vorhaben klar darstellbar sind.
Förderhinweis
Das IGF-Vorhaben „Intelligente Werkstoffprüfung mit automatisierter Versuchsplanung und Modellidentifikation" der Forschungsvereinigung EFB e.V. wurde unter der Fördernummer AiF 20637BG 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. 581 erschienen und bei der EFB-Geschäftsstelle und im Buchhandel erhältlich.
Summary
This project completely redesigns industrial test planning and evaluation by automating test planning by calculating time- and cost-optimal test parameters. One of the project goals was to determine the parameters of industrially used material models with reasonable effort for materials with unknown flow behavior, as well as to select a suitable model from existing models based on certain selection criteria. After successfully establishing the routines and optimisation loops, it was possible to automatically select and parameterize material models.
It was also possible to create and compare various criteria for selecting the best test conditions, and finally to combine them using weightings. The complex material AA7075 was the focus in experimental tests, and flow curves were recorded up to near melting temperature. Because there are currently no material laws that are valid in such a vast parameter space, a data-driven extension of material models using neural networks was attempted.
The resulting test costs were modelled in addition to the automatic iterative test planning and parameter identification of material maps. The machine operator can decide where to place the next test in the test window or have the optimal test parameters displayed due to the expected model quality gain and the cost function.
Furthermore, new workflows were designed and developed to organise the data handling between the experiments and the intelligent testing procedure. It was demonstrated that it is possible to realize an automatic workflow for this purpose. The workflow and data handling concept considers recent developments in the field of digitalization of materials.
In summary, the current state of research and development has significantly expanded the knowledge gaps in forming material testing, and industry-relevant results and new perspectives have been identified.
Inhaltverzeichnis
Zusammenfassung
Abbildungsverzeichnis
Tabellenverzeichnis
1 Einleitung
1.1 Ausgangssituation
1.1.1 Konstitutive Modelle
1.1.2 Umformung von Aluminium
1.1.3 Konstitutive Gleichungen für die Fließspannungsmodellierung bei Warmumformung
1.1.4 Ausgewählte Modelle zur Beschreibung des Fließverhaltens von Aluminium
1.1.5 Parameteridentifikation umformtechnischer konstitutiver Gleichungen
1.1.6 Statistische Versuchsplanung
1.1.7 Modellidentifikation
1.1.8 Nutzen von Prozess-Modellen in der Prüfmaschinenregelung
1.2 Zielsetzung
2 Durchgeführte Arbeiten und Ergebnisse
2.1 Auswahl von Werkstoffen und der zu untersuchenden Modelle (AP1, IWM + KuF)
2.2 Aufbau eines geeigneten Datenraumes zur Datenablage und Datenaufbereitung (AP3, IWM)
2.3 Entwicklung eines Algorithmus für die Modellidentifikation und iterative Versuchsplanung – „intelligente Werkstoffprüfung" (AP4, KuF)
2.3.1 Überblick über die Teilaspekte der Versuchsplanung
2.3.2 Konzept der intelligenten iterativen Versuchsplanung
2.3.3 Initialisierung der iterativen Versuchsplanung
2.3.4 Erkundung des Prüffensters und Auswahl der Initialversuchsbedingungen
2.3.5 Materialmodellspezifische Initialversuche
2.3.6 Berechnung der Wichtigkeit schon getesteter Versuchsbedingungen
2.3.7 Berechnung der nächsten Versuchsbedingung
2.3.8 Evaluierung des Konfidenzintervalls
2.3.9 Gewichtung von Kriterien zum Aufbau der Verlustkarte
2.3.10 Auswertung auf Basis der statistischen Versuchsplanung (LH)
2.3.11 Auswertung des Gebiets-Zerteilungsmethode
2.3.12 Kombinierte Kriterien
2.3.13 Datenbasierte Erweiterung von Werkstoffmodellen
2.3.14 Modelleignung und Abbruchkriterium der iterativen Versuchsplanung
2.3.15 Iterative Versuchsplanung mittels intelligentem Sampling (IWM)
2.4 Einbindung des Kosten-Nutzen-Verhältnisses in die Versuchsplanung (AP5, KuF)
2.4.1 Kosten-Modelle von Prüfmaschinen
2.4.2 Evaluierung der Kostenmodelle an einer Zwick 250
2.4.3 Kostenreduktion bei optimierter Versuchsreihenfolge
2.4.4 Entwicklung von Konzepten zur Übertragung der entwickelten Methode auf andere konstitutive Modelle (AP6, KuF + IWM)
2.4.5 Grafische Benutzeroberfläche (GUI) und Schnittstellen der Module (AP7, IWM)
2.4.6 Anwendung und Validierung der entwickelten Methode (AP8, IWM + KuF)
3 Bewertung der Ergebnisse
3.1 Wissenschaftlich-technischer und wirtschaftlicher Nutzen für KMU
4 Literaturverzeichnis
