Sensorgestützte Kraftüberwachung in der Umformtechnik
-
Jonas Moske
Jonas Moske, geb. 1994, studierte Maschinenbau an der Technischen Universität Darmstadt (B. Sc. und M. Sc.). Seit dem Jahr 2022 ist er als wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen in der Abteilung „Prozessketten und Anlagen“ tätig. Im Rahmen seiner Forschungstätigkeit befasst er sich mit der Untersuchung schnelllaufender mehrstufiger Umformprozesse in Folgeverbundwerkzeugen unter besonderer Fokussierung auf die Einsatzmöglichkeiten bildverarbeitender Messmethoden im Kontext von Predictive Maintenance.
,
Markus Schumann
Markus Schumann, geb. 1988, absolvierte ein Studium des Maschinenbaus an der Technischen Universität Darmstadt, welches er mit einem Master of Science abschloss. Seit 2022 ist er als Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen in der Abteilung „Prozessketten und Anlagen“ tätig. Im Rahmen seiner Forschungstätigkeit befasst er sich mit der Akquise von synthetischen und realen Prozessdaten. Ein besonderer Schwerpunkt liegt auf der Aufbereitung und weiteren Verarbeitung dieser Daten, um die Prozesssystematik zu extrahieren und die Domain Adaptation für die Anwendung in Machine-Learning-Algorithmen zu gewährleisten.
und
Peter Groche
Prof. Dr.-Ing. Dipl.-Wirtsch.-Ing. Peter Groche, geb. 1961 leitet das Institut für Produktionstechnik und Umformmaschinen der Technischen Universität Darmstadt. 1986 schloss er ein Maschinenbaustudium an der Technischen Universität Braunschweig ab und arbeitete anschließend als Wissenschaftlicher Mitarbeiter an der Gottfried Wilhelm-Leibniz-Universität Hannover, an der er 1990 promoviert wurde. Nachdem er im Jahre 1996 mit der Otto Kienzle Medaille ausgezeichnet wurde und 1997 ein Fernstudium des Wirtschaftsingenieurwesens an der Fernuniversität Hagen absolvierte, folgte er 1999 dem Ruf zur Professur am PtU. Dort leitet er bis heute 60 Mitarbeitende und forscht an neuen Prozessen und Maschinen sowie mikroskopischen Phänomenen rund um innovative Möglichkeiten der Umformtechnik.
Abstract
Mehrstufige Blechumformprozesse in Folgeverbundwerkzeugen sind durch hohe Dynamik und komplexe Kinematiken geprägt, was die stufenspezifische Erfassung von Prozesskräften erschwert. Zur Analyse verschiedener Messstrategien wird ein sensorisch ausgestattetes Werkzeug eingesetzt, das sowohl direkte Kraftmessringe im Kraftfluss als auch indirekte Querdehnungssensoren im Nebenkraftfluss integriert. Die Ergebnisse zeigen deutliche Unterschiede in Signalform, Reproduzierbarkeit und Interpretierbarkeit. Als Hauptursache begrenzter Signalqualität indirekter Systeme wird die fehlende physikalische Bindung an reale Umformkräfte identifiziert. Durch die Kombination beider Messprinzipien kann nicht nur die Datentiefe erhöht, sondern auch die Nutzbarkeit indirekter Signale für datengetriebene Modellierungs- und Regelungskonzepte verbessert werden. Dies eröffnet neue Potenziale für den gezielten Einsatz hybrider Sensorik in adaptiven Überwachungssystemen.
Abstract
Multistage sheet-metal forming in progressive dies is characterized by high dynamics and complex kinematics, making stage-specific force acquisition challenging. To analyze different measurement strategies, a sensor-equipped tool is used that integrates both direct force rings in the force flow and indirect strain sensors in the lateral load path. The results show clear differences in signal shape, reproducibility, and interpretability. The main cause of limited signal quality in indirect systems is identified as the missing physical linkage to actual forming forces. By combining both principles, data depth can be increased and the usability of indirect signals for data-driven modeling and control concepts improved. This opens new potential for the targeted application of hybrid sensor systems in adaptive monitoring.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
Funding statement: Die Autoren bedanken sich bei der Deutschen Forschungsgemeinschaft (DFG), welche das Projekt „Datengetriebene Prozessmodellierung in der Umformtechnik“ (SPP 2422) mit der Projektnummer 500936349 ermöglicht hat.
About the authors
Jonas Moske, geb. 1994, studierte Maschinenbau an der Technischen Universität Darmstadt (B. Sc. und M. Sc.). Seit dem Jahr 2022 ist er als wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen in der Abteilung „Prozessketten und Anlagen“ tätig. Im Rahmen seiner Forschungstätigkeit befasst er sich mit der Untersuchung schnelllaufender mehrstufiger Umformprozesse in Folgeverbundwerkzeugen unter besonderer Fokussierung auf die Einsatzmöglichkeiten bildverarbeitender Messmethoden im Kontext von Predictive Maintenance.
Markus Schumann, geb. 1988, absolvierte ein Studium des Maschinenbaus an der Technischen Universität Darmstadt, welches er mit einem Master of Science abschloss. Seit 2022 ist er als Wissenschaftlicher Mitarbeiter am Institut für Produktionstechnik und Umformmaschinen in der Abteilung „Prozessketten und Anlagen“ tätig. Im Rahmen seiner Forschungstätigkeit befasst er sich mit der Akquise von synthetischen und realen Prozessdaten. Ein besonderer Schwerpunkt liegt auf der Aufbereitung und weiteren Verarbeitung dieser Daten, um die Prozesssystematik zu extrahieren und die Domain Adaptation für die Anwendung in Machine-Learning-Algorithmen zu gewährleisten.
Prof. Dr.-Ing. Dipl.-Wirtsch.-Ing. Peter Groche, geb. 1961 leitet das Institut für Produktionstechnik und Umformmaschinen der Technischen Universität Darmstadt. 1986 schloss er ein Maschinenbaustudium an der Technischen Universität Braunschweig ab und arbeitete anschließend als Wissenschaftlicher Mitarbeiter an der Gottfried Wilhelm-Leibniz-Universität Hannover, an der er 1990 promoviert wurde. Nachdem er im Jahre 1996 mit der Otto Kienzle Medaille ausgezeichnet wurde und 1997 ein Fernstudium des Wirtschaftsingenieurwesens an der Fernuniversität Hagen absolvierte, folgte er 1999 dem Ruf zur Professur am PtU. Dort leitet er bis heute 60 Mitarbeitende und forscht an neuen Prozessen und Maschinen sowie mikroskopischen Phänomenen rund um innovative Möglichkeiten der Umformtechnik.
Literatur
1 Hoffmann, H.; Neugebauer, R.; Spur, G.: Handbuch Umformen. Hanser Verlag, München 2012 DOI:10.1007/978-3-446-43004-410.1007/978-3-446-43004-4Suche in Google Scholar
2 Hellwig, W.: Spanlose Fertigung: Stanzen. Vieweg+Teubner Verlag, Wiesbaden 2009 DOI:10.1007/978-3-8348-9577-610.1007/978-3-8348-9577-6Suche in Google Scholar
3 Itasse, S.: Federn, Stanzbiegeteile und Laserteile in allen Formen und Materialien: Gutekunst auf der Hannover-Messe 2017. Online unter: https://www.maschinenmarkt.vogel.de/federn-stanzbiegeteile-und-laserteilein-allen-formen-und-materialien-a-586047/ [Zugriff am 05.08.2024]Suche in Google Scholar
4 Seifert, T.: Fertigungszeit- und Terminermittlung für Bauteilgruppen von Folgeverbundwerkzeugen. Online unter: https://monami.hs-mittweida.de/frontdoor/index/index/year/2016/docId/6625 [Zugriff am 05.08.2024]Suche in Google Scholar
5 Cao, J. Brinksmeier, E.; Fu, M. et al.: Manufacturing of Advanced Smart Tooling for Metal Forming. CIRP Annals – Manufacturing Technology 68 (2019) 2, S. 605–628 DOI:10.1016/j.cirp.2019.05.00110.1016/j.cirp.2019.05.001Suche in Google Scholar
6 Stahlmann, J.; Schnell, U.: Prozesskräfte lokal aufnehmen und bewerten. Online unter https://www.maschinenmarkt.vogel.de/prozesskraefte-lokal-aufnehmen-undbewerten-a-487757 [Zugriff am 05.08.2024]Suche in Google Scholar
7 Doege, E.; Schmidt-Jürgensen, R.; Huinink, S.; Yun, J.-W.: Development of an Optical Sensor for the Measurement of the Material Flow in Deep Drawing Processes. CIRP Annals 52 (2003) 1, S. 225–228 DOI:10.1016/S0007-8506(07)60571-X10.1016/S0007-8506(07)60571-XSuche in Google Scholar
8 Groche, P.; Hohmann, J.; Übelacker, D.: Overview and Comparison of Different Sensor Positions and Measuring Methods for the Process Force Measurement in Stamping Operations. Measurement 135 (2019), S. 122–130 DOI:10.1016/j.measurement.2018.11.05810.1016/j.measurement.2018.11.058Suche in Google Scholar
9 Zhang, Y.; Dudzic, M. S.: Online Monitoring of Steel Casting Processes Using Multivariate Statistical Technologies: From Continuous to Transitional Operations. Journal of Process Control 16 (2006) 8, S. 819–829 DOI:10.1016/j.jprocont.2006.03.00510.1016/j.jprocont.2006.03.005Suche in Google Scholar
10 Jia, Z.: Research on Sampling Inspection Method for Supply Chain Components Based on Binomial Distribution. FBEM 18 (2025) 2, S. 140–143 DOI:10.54097/fj7cmw7710.54097/fj7cmw77Suche in Google Scholar
11 Pattanayak, A. K.; Prakash, A.; Mohanty, R. P.: Risk Analysis of Estimates for Cost of Quality in Supply Chain: A Case Study. Production Planning & Control 30 (2019) 4, S. 299–314 DOI:10.1080/09537287.2018.154148810.1080/09537287.2018.1541488Suche in Google Scholar
12 Tercan, H.; Meisen, T.: Machine Learning and Deep Learning Based Predictive Quality in Manufacturing: A Systematic Review. Journal of Intelligent Manufacturing 33 (2022) 4, S. 1879–1905 DOI:10.1007/s10845-022-01963-810.1007/s10845-022-01963-8Suche in Google Scholar
13 Hassani, I. E.; Mazgualdi, C. E.; Masrour, T.: Artificial Intelligence and Machine Learning to Predict and Improve Efficiency in Manufacturing Industry. Jan. 2019. Online unter http://arxiv.org/pdf/1901.02256 [Zugriff am05.08.2024]Suche in Google Scholar
14 Hassija, V. Chamola, V.; Mahapatra, A. et al.: Interpreting Black-Box Models: A Review on Explainable Artificial Intelligence. Cogn Comput 16 (2024) 1, S. 45–74 DOI:10.1007/s12559-023-10179-810.1007/s12559-023-10179-8Suche in Google Scholar
15 Dutta, S.; Pal, S. K.; Mukhopadhyay, S.; Sen, R.: Application of Digital Image Processing in Tool Condition Monitoring: A Review. CIRP Journal of Manufacturing Science and Technology 6 (2013) 3, S. 212–232 DOI:10.1016/j.cirpj.2013.02.00510.1016/j.cirpj.2013.02.005Suche in Google Scholar
16 Bruneo, D.; de Vita, F.: Detecting Faults at the Edge via Sensor Data Fusion Echo State Networks. Sensors (Basel, Switzerland) 22 (2022) 8 DOI:10.3390/s2208285810.3390/s22082858Suche in Google Scholar PubMed PubMed Central
17 Farioli, D.; Kaya, E.; Fumagalli, A.; Cattaneo, P.; Strano, M.: A Data-Based Tool Failure Prevention Approach in Progressive Die Stamping. JMMP 7 (2023) 3, S. 92 DOI:10.3390/jmmp703009210.3390/jmmp7030092Suche in Google Scholar
18 Verein Deutscher Ingenieure (VDI) e. V.: VDI 2230 Blatt 1: Systematische Berechnung hochbeanspruchter Schraubenverbindungen – Zylindrische Einschraubenverbindungen. VDI Verlag, Düsseldorf 2015Suche in Google Scholar
19 Kraus, M.; Steinmann, D.; Wüst, A.; Kokozinski, A.; Kersting, K.: Right on Time: Revising Time Series Models by Constraining their Explanations. In Proceedings of the AAAI Conference on Artificial Intelligence, 38 (2024) 5, S. 6606–6613 DOI:10.48550/arXiv.1708.0829610.48550/arXiv.1708.08296Suche in Google Scholar
20 Samek, W.; Wiegand, T.; Müller, K.-R.: Explainable Artificial Intelligence: Understanding, Visualizing and Interpreting Deep Learning Models (2017). arXiv preprint arXiv:2402.12921 DOI:10.48550/arXiv.2402.1292110.48550/arXiv.2402.12921Suche in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany
Artikel in diesem Heft
- Inhalt
- Editorial
- Automatisierung mit den Menschen
- Interview
- Innovationen in der Elektronikfertigung
- Nachhaltige Transformation
- Kompetenzmodell „Green Skills“ und Wesentlichkeitsanalyse
- Menschzentrierte Robotik
- Kompetenzen für die menschzentrierte Robotik in der Kleinserienfertigung
- Wertstromerfassung
- Digitaler Schatten aller Wertströme
- Digitale Assistenzsysteme
- Erweiterte Werkerassistenz durch kamerabasierte Kontexterkennung und Bauteilprojektionen
- Sensorintegration
- Sensorgestützte Kraftüberwachung in der Umformtechnik
- Antriebssysteme
- Vom Frameless-Servomotor zum kompletten Antriebssystem
- Refabrikation
- Entscheidungshilfe im Batterie-Remanufacturing
- Dekarbonisierung
- Softsensorische Bestimmung der Membranfeuchte
- Bauteilreinigung
- Höchste Sauberkeit – nicht nur ein Reinigungsprozess
- Personalprozesse
- Mit Jobprofilen fit für die Zukunft
- Competency Assessment
- Competency Skill Intervention
- Employee Performance
- Exploring Spiritual Intelligence in the Workplace
- Künstliche Intelligenz
- Vertrauen in KI kalibrieren
- KI-Training durch Simulation statt Annotation
- EU AI Act fordert Sicherstellung von KI-Kompetenz
- Digitale Zwillinge
- Asset Administration Shell
- Virtuelle Anlagenentwicklung und SPS-Programmierung
- Vorschau
- Vorschau
Artikel in diesem Heft
- Inhalt
- Editorial
- Automatisierung mit den Menschen
- Interview
- Innovationen in der Elektronikfertigung
- Nachhaltige Transformation
- Kompetenzmodell „Green Skills“ und Wesentlichkeitsanalyse
- Menschzentrierte Robotik
- Kompetenzen für die menschzentrierte Robotik in der Kleinserienfertigung
- Wertstromerfassung
- Digitaler Schatten aller Wertströme
- Digitale Assistenzsysteme
- Erweiterte Werkerassistenz durch kamerabasierte Kontexterkennung und Bauteilprojektionen
- Sensorintegration
- Sensorgestützte Kraftüberwachung in der Umformtechnik
- Antriebssysteme
- Vom Frameless-Servomotor zum kompletten Antriebssystem
- Refabrikation
- Entscheidungshilfe im Batterie-Remanufacturing
- Dekarbonisierung
- Softsensorische Bestimmung der Membranfeuchte
- Bauteilreinigung
- Höchste Sauberkeit – nicht nur ein Reinigungsprozess
- Personalprozesse
- Mit Jobprofilen fit für die Zukunft
- Competency Assessment
- Competency Skill Intervention
- Employee Performance
- Exploring Spiritual Intelligence in the Workplace
- Künstliche Intelligenz
- Vertrauen in KI kalibrieren
- KI-Training durch Simulation statt Annotation
- EU AI Act fordert Sicherstellung von KI-Kompetenz
- Digitale Zwillinge
- Asset Administration Shell
- Virtuelle Anlagenentwicklung und SPS-Programmierung
- Vorschau
- Vorschau
