KI-gestützte Prozessoptimierung in der Massivumformung

Einführung in das Gesenkschmieden und seine Prozessparameter

Beim Gesenkschmieden wird ein auf Umformtemperatur erhitztes Halbzeug durch das Schließen von Ober- und Untergesenk in eine gewünschte Form gebracht. Während des Schließvorgangs wird überschüssiges Material kontrolliert durch den sich verengenden Gratspalt in den Gratbahnbereich der Gesenkform geleitet. Die Verengung des Gratspalts sowie die begrenzte Kapazität des Gratbahnbereichs erzeugen einen Widerstand gegen das Abfließen des Materials, wodurch ein definierter Gegendruck aufgebaut wird. Der Gegendruck sorgt dafür, dass auch komplexe Bereiche der Gesenkform vollständig ausgefüllt werden, da das Material aufgrund des begrenzten Abflusses in die Vertiefungen zurückgedrückt wird [1, 6]. Dieser Effekt ist entscheidend für die Vermeidung von Formfüllungsfehlern, erfordert jedoch eine genaue Dosierung des überschüssigen Materials, da zu viel oder zu wenig Gratmaterial den Prozess negativ beeinflussen kann. Das Gratvolumen wird durch die Gratspaltgeometrie und die dort wirkenden Reibungsverhältnisse beeinflusst. Seine Entstehungsbedingungen bestimmen maßgeblich den Materialfluss im Gesenk und wirken sich erheblich auf die Energie- und Materialeffizienz eines Schmiedeprozesses aus. Das überschüssige Material wird vor der Umformung ebenfalls erwärmt und muss nach der Umformung entfernt werden, was zusätzlichen Arbeits- und Energieaufwand verursacht. Zwar hat sich die Gratbildung als verlässliche Methode zur Sicherstellung der Formfüllung bei serienschmiedetypischen Prozessschwankungen bewährt, jedoch sollte das Gratvolumen aus Effizienzgründen so klein wie möglich gehalten werden [2].

Die Reduzierung von Sicherheitszugaben in Schmiedeverfahren hängt entscheidend von den Möglichkeiten und der Qualität der Prozessüberwachung und -regelung ab. In Serienprozessen stellt insbesondere der zeitabhängige Wärmeeintrag eine besondere Herausforderung dar, da die thermische Trägheit der Materialien sowie die variierenden Wärmeleitkoeffizienten zu nichtlinearen und komplexen thermischen Verhältnissen führen. Diese Faktoren erschweren eine genaue Vorhersage und Steuerung der Temperaturverteilung und deren Einfluss auf den Materialfluss. Die hohen Werkstücktemperaturen und schmiedebedingten Verschmutzungen beispielsweise durch den Schmierstoff erschweren zudem die präzise Datenerfassung im laufenden Betrieb. Qualitätsüberprüfungen erfolgen deshalb bisher stichprobenartig und zumeist taktil, womit die erfassten Datenmengen nur lokal und sehr begrenzt sind [3].

Der Zusammenhang zwischen der Gratbildung und der Formfüllung eines Gesenkschmiedeteils lässt sich auf die Gesetzmäßigkeit der Volumenkonstanz zurückführen. Allerdings wird dieser grundlegende Prozess nicht ausschließlich durch die komplexen, lokalen Temperaturverteilungen beeinflusst, sondern auch durch die Wechselwirkungen zwischen der aufgebrachten Umformkraft und den Reibungsverhältnissen an den Kontaktflächen im Gesenk [1]. Diese und weitere Faktoren, wie z. B. auch ein Stö-ßelversatz der Umformmaschine, wirken sich auf den Materialfluss aus und bestimmen sowohl die Qualität der Formfüllung als auch das Volumen und die Geometrie des entstehenden Grats [4].

Die Erfassung bestimmter Prozessgrößen gestaltet sich jedoch als äußerst schwierig. So sind beispielsweise die lokalen Reibungsverhältnisse im Gesenk im Umformprozess nicht direkt messbar. Diese fehlende Verfügbarkeit relevanter Prozessdaten stellt eine Herausforderung für die genaue Modellierung und Optimierung des Schmiedeprozesses dar. Die komplexen Wechselwirkungen zwischen den messbaren Einflussgrößen können zudem in ihrem Umfang und ihrem zeitlichen Verlauf von einem Menschen nicht mehr verarbeitet werden. Hier kommen maschinelle Lernsysteme zum Einsatz, die durch die Erfassung und Analyse großer Datenmengen, wie etwa Kraftverläufe, Temperaturverteilungen und geometrische Merkmale, Muster erkennen und Korrelationen aufdecken können [5]. Diese KI-gestützten Systeme ermöglichen eine präzisere Prozesssteuerung und bieten durch kontinuierliches Lernen das Potenzial, bisher unbekannte Zusammenhänge zwischen Prozessparametern und Formabweichungen zu identifizieren [7].

In-line Datenerfassung und Modellerstellung

Im Rahmen des Teilprojektes im DFG-Schwerpunktprogramm 2422 wurden verschiedene Sensoren zur In-Line-Datenerfassung in einen vollautomatisierten Demonstratorschmiedeprozess an verschiedenen Messpositionen integriert. Hierzu zählen unter anderem eine Wägezelle zur Messung des Halbzeuggewichts, Kraftmesskörper an den Werkzeugaufbauten, ein Linienlasersystem zur Erfassung der Einlegeposition des Halbzeuges, ein Pyrometer am Ofenausgang sowie im Pressenraum und ein Linienlasersensor zur dreidimensionalen Bildgebung des geschmiedeten noch warmen Werkstücks am Prozessausgang. Diese Sensoren liefern kontinuierlich Daten, die mit maschinellen Lernalgorithmen ausgewertet werden. Das Ziel ist es, ein Modell des Schmiedeprozesses zu erstellen, das Zusammenhänge zwischen Prozessgrößen und Qualitätsmerkmalen abbildet. Dieses Modell mit Black-Box-Charakter kann Vorhersagen treffen, ohne dass die zugrunde liegenden Kausalzusammenhänge zunächst ersichtlich sind.

Datenaufnahme im Demonstratorschmiedeprozess

Zur In-line-Überwachung der Gratbildung am Schmiedestück wird ein Linienlasermessverfahren mit dem Micro-Epsilon LLT 010-100/BL-Sensor und der Software 3DInspect angewendet. Schmiedewarme Bauteile können mit dem Messverfahren berührungslos erfasst und deren Geometrie in-line anhand von Schwellenwerten bzw. OK-/nOk-Signalen automatisiert beurteilt werden.

Zur Veranschaulichung der geplanten Dateninfrastruktur im Projekt wurden versuchsweise 34 Bauteile geschmiedet. Die zylindrischen Halbzeuge (Höhe 40 mm, Durchmesser 30 mm) wurden induktiv erwärmt und ihre Temperatur T_Ofen wurde am Ofenausgang mit einem Pyrometer erfasst. Ein Roboter greift nur Halbzeuge, die sich im festgelegten Temperaturbereich befinden, und stellt sie auf der Wägezellenplattform ab. Dieser Temperaturbereich kann durch Einschwingphasen der Induktionsanlage oder dem kumulativen Wärmeeintrag über- oder unterschritten werden und wird dann entsprechend nachgeregelt. Nach Abwarten der Einschwingzeit des Halbzeuges auf der Wägezellenplattform und dem Abgreifen des eingependelten Massewertes greift der Roboter erneut und stellt das Halbzeug im Untergesenk im Pressenraum ab. Mit den Messdaten eines Linienlasers im Pressenraum wird der Radius des zylindrischen Halbzeuges erfasst und die exakte Einlegeposition in x- und y-Richtung dokumentiert. Während der Umformung wird die maximale Pressenkraft F_max über Dehnungsmessstreifen an den Werkzeugaufbauten erfasst. Mit einem blauen Linienlaser wird am Prozessausgang über eine sensorisch initiierte Relativbewegung zwischen Bauteil und Sensorkopf eine dreidimensionale Punktwolke erstellt, die sowohl in-line als auch im Nachhinein ausgewertet werden kann. In Tabelle 1 ist die erstellte Prozessdatenbank für fünf von insgesamt 34 gemessenen Bauteilen exemplarisch dargestellt.

Tabelle 1

Exemplarischer, verkürzter Auszug aus der Prozessdatenbank des Demonstratorprozesses

Der Demonstrator liegt rotationssysmmetrisch zur Umformrichtung und bildet eine nahezu kreisrunde, teilweise leicht ovalisierte Gratbahn aus. Die Visualisierung einer Laserpunktwolke ist in Bild 1 dargestellt. Mit der Software 3DInspect lässt sich der Radius dieser Kreispassung über die Angabe eines Kantenschwellwertes automatisiert detektieren und an die Datenbank übergeben. Die Gratdicke wird zusätzlich im Anschluss durch eine weitere seitliche, bisher noch nicht vollständig automatisierte Messung erfasst. Die Analyse der gewonnenen Prozessdaten kann bei kleinen Datensätzen mithilfe klassischer Statistikprogramme ohne den Einsatz von künstlicher Intelligenz durchgeführt werden. Zu den typischen Methoden gehören deskriptive Statistiken, Korrelations- und Regressionsanalysen sowie Varianzanalysen. Diese Ansätze sind hilfreich, um lineare Zusammenhänge, wie z. B. die Korrelationen (Bild 2), zu identifizieren. Bei höheren Einlegetemperaturen führt eine geringere Fließspannung des Werkstoffs zu einer großflächigeren Gratausbildung (Bild 2a). Eine Gegenüberstellung mit den maximalen Umformkräften zeigt wiederum eine negative Korrelation zur Gratbahnfläche (Bild 2b). Die benötigte Kraft zur Umformung bis zum Pressenanschlag wird durch die verminderte Fließspannung bzw. die erhöhte Einlegetemperatur reduziert.

Bild 1

3D-Linienlaserscan bei schmiedewarmer Bauteiltemperatur, Punktwolke des zur Umformrichtung rotationssymmetrischen Demonstrators, Detektion der Gratbahnbildung über Kreispassung an Kantenschwellwert, Ausgabe des Gratbahnradius (roter Pfeil) an Prozessdatenbank

Bild 2

Korrelationen zwischen Einlegetemperatur (T_Ofen) (a) und max. Umformkraft (b) zum Gratbahnradius und Gratdicke (c) mit Markierung des Prozessbeginns rot (r: Pearson-Korrelationskoeffizient, KI: Konfidenzintervall)

Bild 2c ist eine weniger deutliche Relation zwischen den Kraftspitzen im Umformprozess und der resultierenden Gratdicke zu entnehmen. Zu Prozessbeginn treten höhere Umformkräfte auf und an den ersten Werkstücken (im Bild rot markiert) wird ein dickerer Grat gebildet als an den Werkstücken im weiteren Prozessverlauf. Der Zusammenhang ist zu Prozessbeginn noch linear, wird aber im weiteren Prozessverlauf komplexer und verliert seine Linearität. Das resultierende Gratvolumen aus dem Gratbahnradius und der Gratdicke wird im Prozessverlauf entsprechend größer und steigt um etwa 4 Prozent des Halbzeuggewichtes an. Aufgrund der Volumenkonstanz kann das Material, welches in den Grat gedrückt wurde, nicht mehr in der Gesenkgravur vorhanden sein. Bei zu engen Prozessfenstern könnte dies zu Unterfüllungen am Werkstück führen. Maschinelle Lernverfahren erscheinen hier vielversprechend, um den mehrdimensionalen Zusammenhang zwischen Temperatur, Umformkraft und Gratbildung besser zu verstehen. Zudem können weitere Prozessgrößen einbezogen werden, deren Einfluss mit klassischen Statistikmethoden nicht identifiziert werden kann.

Prozessanalyse und der Einsatz von KI beim Demonstratorschmiedeprozess

Klassische statistische Ansätze stoßen an ihre Grenze, wenn die Daten komplexere, nichtlineare Beziehungen oder multidimensionale Abhängigkeiten aufweisen. Ein weiterer Nachteil ist, dass diese Methoden oft von bestimmten Annahmen, wie der Normalverteilung der Daten ausgehen, was in realen Prozessen nicht immer gegeben ist. Wenn mehrere Variablen miteinander interagieren, wird die Anwendung und Interpretation der Ergebnisse mit herkömmlichen Methoden zunehmend schwieriger. KI-gestützte Vorhersagemodelle können verwendet werden, um zukünftige Prozesszustände, wie die maximale Pressenkraft, auf Basis der Eingangsparameter vorherzusagen. Darüber hinaus können Verfahren wie Clustering und Anomalieerkennung dazu beitragen, untypische Prozessparameter oder Qualitätsabweichungen automatisch zu erkennen und so die Prozessqualität zu verbessern.

Im Rahmen des Demonstratorschmiedeprozesses wird aufgrund der geringen Datenbasis die Lasso-Regression (Least Absolute Shrinkage and Selection Operator), ein einfaches lineares KI-Modell, eingesetzt. Dieses Verfahren basiert auf linearer Regression und nutzt einen Strafterm, um die Anzahl der Koeffizienten zu minimieren. Dadurch wird die Komplexität des Modells reduziert, was unter anderem die Interpretierbarkeit verbessert. Das Modell wird gemäß des Kreuzvalidierungsprinzips trainiert und getestet. Die Modellabweichung wird mittels des Root Mean Squared Errors (RMSE) über 10 Splits hinsichtlich der Kreuzvalidierung gemittelt und mit der Standardabweichung angegeben. Zusätzlich werden die Fehler auf den Wertebereich der Zielgröße normiert und prozentual angegeben. Die Ergebnisse der Fits bezüglich der beiden Zielgrößen Gratbahnradius und Gratdicke finden sich in Tabelle 2. Es können demnach Qualitätsmerkmale bereits mit moderaten Genauigkeiten durch lineare Modelle vorhergesagt werden. Die identifizierten Parameter der Lasso-Regression, die hier nicht aufgeführt werden, spiegeln die bereits in Bild 2a und 2b optisch erkennbaren Korrelationen (positive Korrelation für die Einlegetemperatur und negative Korrelation für die maximale Umformkraft in Bezug auf den Gratbahnradius) wider.

Eine alternative Möglichkeit bietet die Betrachtung als Klassifikationsproblem. Hierzu eignet sich ein Entscheidungsbaum. Dieser Algorithmus segmentiert mithilfe von Wenn-Dann-Regeln Datenpunkte, sodass in den Blattknoten, die das Ende einer Verkettung von Entscheidungen repräsentieren, reine Klassen vorliegen. Hierzu können die Zielgrößen äquidistant diskretisiert und in Klassen eingeteilt werden. Der Klassifikator des Entscheidungsbaumes wird ebenfalls nach dem Kreuzvalidierungsprinzip trainiert und evaluiert. Hinsichtlich der Zielgröße des Gratbahnradius liegt der Anteil der korrekt klassifizierten Datenpunkte für Testdaten bei 79,04 Prozent mit einer Standardabweichung von 8,34 Prozent. Exemplarisch ist ein Entscheidungsbaum in Bezug auf Trainingsdaten in Bild 3 zur Klassifikation des Gratbahnradius dargestellt. An diesem Modell können bereits einfache Zusammenhänge zwischen Prozessgrößen und Qualitätsmerkmalen abgelesen und interpretiert werden. Bei erfüllten Bedingungen des jeweiligen Knotens wird im linken Ast fortgefahren, ansonsten im rechten Ast. Diese beiden Modelle zeigen, dass bereits durch den Einsatz einfacher, weniger komplexer KI-Algorithmen Muster in den Prozessdaten identifiziert werden können. So wird durch das Modell beispielsweise die Korrelation zwischen steigender Einlegetemperatur und vergrößerter Gratbildung ersichtlich, da eine geringere Fließspannung im Material zu einem erhöhten Materialfluss führt.

Bild 3

Entscheidungsbaum zur Klassifikation der Größe des Gratbahnradius. „Value“ zeigt die Verteilung der Datenpunkte auf die Kategorien des Gratbahnradius (siehe Legende), „Class“ gibt die am häufigsten vorkommende Kategorie im Knoten an und stellt die Vorhersage des Entscheidungsbaums dar. Die Farbe des Kastens entspricht dieser Kategorie. „Samples“ zeigt den Anteil der Datenpunkte, die in diesem Zweig des Entscheidungsbaums liegen. T_Gesenk bezeichnet die Temperaturmessdaten eines zusätzlichen Pyrometers im Pressenraum, die nicht auf Plausibilität geprüft wurden und hier nur zur Veranschaulichung dienen

Zudem werden Zusammenhänge zwischen der maximalen Umformkraft und der Geometrie des entstehenden Grats sichtbar. Dies ermöglicht die zuverlässige Prädiktion von Qualitätsmerkmalen oder auch die Veranschaulichung gefundener Zusammenhänge in Form von Wenn-Dann-Regeln. Ähnliche Experimente mit Entscheidungsbäumen, die zur Klassifikation der Gratdicke trainiert wurden, konnten Genauigkeiten von ca. 40 Prozent erreichen, was sich mit den Ergebnissen der Lasso-Regression deckt, für die ebenfalls höhere Ungenauigkeiten in Bezug auf die Gratdicke auftraten. Dies unterstreicht die Notwendigkeit zum Einsatz komplexerer Modelle, wie neuronaler Netze, die in der Lage sind, vielseitigere Zusammenhänge zu modellieren, womit sich die Zielgrößen genauer prädizieren lassen. Dies lässt sich allerdings erst mit einer größeren Datenbasis im weiteren Projektverlauf umsetzen. Derartige Modelle erreichen eine höhere Genauigkeit und Zuverlässigkeit und können zudem noch in einen Entscheidungsbaum überführt werden, wodurch ähnlich zu Bild 1 Zusammenhänge visualisiert werden können. Die höhere Genauigkeit des neuronalen Netzes bleibt dabei erhalten, sodass man hohe Genauigkeit und Interpretierbarkeit zugleich erreichen kann. Präzise Vorhersagen können nachvollziehbar dargelegt werden. Die Interpretierbarkeit des Modells sorgt dafür, dass die Wirkzusammenhänge zwischen verschiedenen Parametern und den daraus resultierenden Qualitätsmerkmalen wie Bauteilgeometrie und Gratbildung transparent dargestellt werden. Dadurch können Prozessverantwortliche genau nachvollziehen, welche Faktoren die Modellentscheidungen beeinflusst haben, und diese Erkenntnisse gezielt für Prozessverbesserungen nutzen.

Zusammenfassung und Ausblick

Die Integration von KI in die Prozessoptimierung der Massivumformung bietet Potenziale zur Effizienzsteigerung und Ressourcenschonung. Durch den Einsatz von erklärbaren KI-Modellen lassen sich komplexe Zusammenhänge zwischen Prozessparametern analysieren und für die Optimierung der Prozess- und Werkzeuggestaltung nutzen. Die kontinuierliche Datenerfassung durch Sensorik und deren Auswertung mit maschinellen Lernverfahren ermöglichen eine präzise Prozessüberwachung und vorausschauende Steuerung. Vorhersagen zu Prozesszuständen und die automatische Erkennung von Anomalien tragen zur Steigerung der Produktionsqualität bei und senken gleichzeitig den Material- und Energieverbrauch.

Die Ergebnisse dieser Untersuchung, die aus einer begrenzten Datenmenge gewonnen wurden, dienen vorrangig der Veranschaulichung der Potenziale, die KI für die Prozessoptimierung im Schmieden bietet. Die Prognosegüte des Entscheidungsbaumes beträgt 79 Prozent und demonstriert die Fähigkeit der KI, Wechselwirkungen zwischen geometrischen Merkmalen und Prozessparametern vorherzusagen. Diese Genauigkeit ist jedoch angesichts der geringen Datenbasis als moderat einzuschätzen und deutet darauf hin, dass die Prognosegenauigkeit durch eine umfassendere Datenbasis weiter gesteigert werden könnte.

Die Analyse zeigt jedoch, dass das KI-Modell bereits mit dieser eingeschränkten Datenbasis in der Lage ist, Muster zwischen wesentlichen Prozessparametern, wie der Einlegetemperatur und Umformkraft, sowie der resultierenden Gratbildung zu erkennen. Dabei stellt die zeitliche Abhängigkeit der thermischen Belastung im Schmiedeprozess eine besondere Herausforderung dar. Der kumulative Wärmeeintrag verringert die Fließspannung im Material zunehmend und verstärkt die Gratbildung im Prozessverlauf. Eine präzise Steuerung der Einlegetemperatur und eine Anpassung an die thermische Belastung während der Produktion hoher Stückzahlen sind daher wesentlich, um eine gleichmäßige Prozessqualität zu sichern und Materialverluste und Formfüllungsfehler durch übermäßige Gratbildung zu vermeiden.

Mithilfe der KI-gestützten Analyse kann die zeitliche Dimension der Wechselwirkungen analysiert werden. Der Einsatz von neuronalen Netzen, wie Fully Connected Neural Networks (FCNNs), kann dabei in weiteren Untersuchungen eine leistungsstärkere Möglichkeit bieten die nichtlinearen Zusammenhänge im Schmiedeprozess zu modellieren als die hier verwendeten Algorithmen. Zeitabhängige Zusammenhänge zwischen den Prozessparametern wie Kraft, Temperatur und Gratbildung können durch Recurrent Neural Networks (RNNs) und Temporal Convolutional Networks (TCNs) erfasst werden. In einem nächsten Schritt kann ein White-Box-Modell erstellt werden, das eine erklärbare Darstellung der Prozesszusammenhänge bietet. Ein Beispiel hierfür ist die Transformation eines neuronalen Netzes in einen Entscheidungsbaum, der die wichtigsten Einflussgrößen, wie Umformkraft, Temperatur und Gratbahnfläche, in Form von Wenn-Dann-Regeln nachvollziehbar visualisiert.

Im Rahmen des Teilprojekts „Transparente KI-gestützte Prozessmodellierung im Gesenkschmieden“ des DFG SPP 2422 werden diese erklärbare KI-Modelle entwickelt und zunächst zur Optimierung der Vorformgebung in einem zweistufigen Schmiedeprozess eingesetzt. Hierzu erfolgt ein schrittweises Modelltraining durch die Aufnahme von Referenzdatensätzen, die den Standardprozess ohne spezifische Anpassungen abbilden und eine zuverlässige Basis für die Analyse bieten. Zur effizienten Verwaltung der großen Datenmengen, die im Verlauf der Schmiedeprozesse erfasst werden, wird InfluxDB, eine auf Zeitreihen spezialisierte Datenbank, genutzt. Diese ermöglicht die Speicherung und Analyse der zeitabhängigen Prozessdaten wie Temperatur- und Kraftverläufe in Echtzeit [8]. Im Anschluss daran wird die Vorformgeometrie sowohl simulativ als auch experimentell gezielt variiert oder einzelne Einflussgrößen werden systematisch angepasst. Diese methodische Variation liefert Datensätze, die eine differenzierte Analyse der Auswirkungen jeder Einflussgröße auf die Prozess- und Bauteilqualität ermöglichen. Durch den Vergleich der variierten Datensätze mit den Referenzdaten kann das Modell lernen, wie spezifische Veränderungen die Geometrie und Prozessparameter beeinflussen. Diese Datenbasis erlaubt es den KI-Modellen, Korrelationen zwischen den Einflussfaktoren und den daraus resultierenden geometrischen Merkmalen zu erfassen und auf dieser Grundlage gezielte Optimierungsvorschläge zu generieren. Aufbauend auf diesen Erkenntnissen sollen die entwickelten KI-Modelle zukünftig weiter hinsichtlich der Prognosegüte sowie der Robustheit und Qualität der Datenaufnahme verfeinert und anschließend für die Anwendung in umfangreicheren Serienschmiedeversuchen validiert werden.