| Thema | Künstliche Intelligenz, Umformtechnik |
|---|---|
| Projekttitel | KI-basierte Prognose der Ergebnisse von Massivumformsimulationen (KImulation) |
| Laufzeit | 01.04.2015 – 31.03.2018 |
| Download | |
| Pressemitteilung |
Software und Hardware zur FEM-Simulation von Massivumformprozessen sind weit entwickelt. Trotzdem ist der Einsatz der FEM-Simulationen zur Produkt- und Prozessentwicklung von Schmiedeteilen noch immer durch lange Berechnungszeiten gekennzeichnet. Ziel dieses Forschungsvorhabens ist daher die Entwicklung einer Prognosemethode, die eine ausreichend genaue Vorhersage der Ergebnisse von Umformsimulationen in einem für den Konstrukteur nicht als störend wahrgenommenen Zeitraum aus einer CAD-Umgebung heraus ermöglicht. So soll etwa der Korrelationskoeffizient größer als 90 Prozent und die Prognosezeit kürzer als 60 Sekunden sein. In dem beantragten Vorhaben wurden Algorithmen der Künstlichen Intelligenz (KI) zur Prognose von wichtigen Simulationsergebnissen verwendet. Die Simulationsergebnisse sind hierbei durch die benötigte Umformkraft und die Gesenkfüllung charakterisiert. Vor dem Einsatz von KI-Algorithmen musste die Geometrie durch eine geeignete Beschreibung (durch z.B. Oberflächenknoten) in eine für die Algorithmen interpretierbare Form gebracht werden. Daher wurden drei Ansätze entwickelt und getestet. Ausgewählte KI-Algorithmen wie das neuronale Netzwerk oder die lineare Regression wurden anschließend mit FEM-Simulationsergebnissen trainiert und evaluiert. Die Forschungsergebnisse zeigten die grundsätzliche Realisierbarkeit des innovativen Ansatzes, zukünftig mithilfe des neuronalen Netzes die Anzahl der Iterationen zwischen Gestaltung und zeitaufwändiger FEM-Berechnung auf ein notwendiges Minimum zu reduzieren.
Veröffentlichungen zum Projekt
Auch heutzutage ist der Entwicklungsprozess von Massivumformverfahren in der Schmiedebranche durch eine getrennte Konstruktion und Simulation gekennzeichnet. Die dadurch entstehenden Iterationsschleifen benötigen viel Zeit. Am Beispiel eines gratlosen Umformprozesses für einen Flansch wird gezeigt, dass es mithilfe der Data-Mining Methode ”Neuronales Netzwerk” möglich ist, die Umformkraft zu prognostizieren ohne zeitaufwendige Finite-Elemente-Simulation durchzuführen.
Simulation, KI, Prognose, Umformkraft
In der Umformtechnik wie auch in anderen technischen Bereichen ist es heutzutage üblich, Prozesse zuerst zu simulieren, bevor experimentelle Vorversuche durchgeführt werden. Ein iterativer Simulationsprozess ist wirtschaftlicher als Vorversuche, nimmt aber dennoch viel Zeit in Anspruch, da eine Simulation mit realistischen Parametern meist viele Stunden dauert. Hinsichtlich eines wirtschaftlichen Entwicklungsprozesses entstand die Idee, zumindest Teile des Simulationsergebnisses innerhalb weniger Minuten durch Data Mining Verfahren vorherzusagen. In diesem Paper werden die vier Data Mining Verfahren Künstliches Neuronales Netz, Support Vector Machine, Lineare Regression und Polynomielle Regression bezüglich der Eignung zur Vorhersage der Umformkraft und simulativen Volumenschwundes durch Remeshing vorhergesagt. Beide Ausgangsgrößen wurden aufgrund ihrer Signifikanz für das Simulationsergebnis ausgewählt. Bei Betrachtung der Ausgangsgrößen kann für beide Vorhersagen festgestellt werden, dass das Künstliche Neuronale Netz am geeignetsten ist.
Data Mining, Neuronales Netzwerk, Lineare und Polynomielle Regression, Support Vector Machine
Die Auslegung von Massivumformprozessen erfordert viel Zeit. Aufwendige FEM-Simulationen dienen der Vorabuntersuchung, benötigen jedoch in Abhängigkeit der Ergebnisgüte Berechnungszeiten von Stunden oder Tagen. Forscher des Instituts für Integrierte Produktion Hannover gGmbH (IPH) wollen dies beschleunigen: Ein Algorithmus soll relevante Ergebnisteile der Simulation innerhalb einer Minute vorhersagen. Die Basis zur Vorhersage sind viele Simulationen, die automatisiert aufgesetzt, durchgeführt und ausgewertet werden sollen. Der Artikel zeigt, wie man ebendiese Automatierung sinnvoll durchführen könnte.
KImulation, Simulation, Automatisierung
Die Auslegung von Massivumformprozessen erfordert viel Zeit. Aufwendige FEM-Simulationen dienen der Vorabuntersuchung, benötigen jedoch in Abhängigkeit der Ergebnisgüte Berechnungszeiten von Stunden oder Tagen. Forscher des Instituts für Integrierte Produktion Hannover (IPH) wollen dies beschleunigen: Ein Algorithmus soll relevante Ergebnisteile der Simulation innerhalb einer Minute vorhersagen.
Künstliche Intelligenz, FEM
