TR73

  • Schrift vergrößern
  • Standard-Schriftgröße
  • Schriftgröße verkleinern


B1 - Selbstlernendes Assistenzsystem



Simultane Entwicklung eines selbstlernenden Assistenzsystems

Projektstatus: abgeschlossen

Letztes Update: 12.05.2021



Mitglieder


WINWORD 7pSbjcNSkb

Die Verfahren der Blechmassivumformung, die im Rahmen des Sonderforschungsbereichs Transregio 73 (SFB/TR73) erforscht werden, bieten aufgrund ihrer gesteigerten Gestaltungsfreiheiten neue Möglichkeiten, Bauteile an erhöhte Anforderungen anzupassen. Für die Produktentwicklung ergibt sich aus der Zusammenführung von Massiv- und Blechumformung ein enormes Potential, für dessen Nutzung geeignete rechnerunterstützte Werkzeuge bereitgestellt werden müssen.

Diesem übergeordneten Ziel widmet sich das Teilprojektes B1 mit der Entwicklung eines selbstlernenden Assistenzsystems (SLASSY). SLASSY ermöglicht die wissensbasierte Unterstützung des Konstrukteurs bei der Entwicklung von blechmassivumgeformten Bauteilen mit komplexen Nebenformelementen. Das notwendige konstruktionsrelevante Fertigungswissen wird durch den Einsatz von Methoden des maschinellen Lernens zeitgleich zur Fertigungsprozessentwicklung erhoben. Anschließend wird es in der multidimensionalen Wissensbasis in Form von Meta- oder Vorhersagemodellen gespeichert. Die Architektur von SLASSY unterstützt die Synthese eines Bauteils aus Haupt- und Nebenformelementen, sowie dessen wissensbasierte Analyse.

Ein wesentliches Ziel der dritten Phase ist der Einsatz ortsaufgelöster Metamodelle zur Vorhersage von lokalen Bauteil- und Werkzeugeigenschaften. Um zum Beispiel den Umformgrad auf der Bauteiloberfläche direkt vorherzusagen.
Daneben werden Stellgrößen zur Aufweitung des Entwurfsraumes unter Berücksichtigung zweier oder mehrerer Zielgrößen erforscht und der in Phase zwei entwickelte genetische Mehrzieloptimierungsalgorithmus um entsprechende Vorhersagegrößen erweitert. So wird es möglich, dem Produktentwickler konkrete Aussagen liefern zu können, in wie weit er seine Fertigungsparameter und –maschinen einstellen bzw. abändern muss, um zum gewählten Ergebnis zu gelangen.

Zuletzt wird die mehrdimensionale Wissensbasis von SLASSY um die entsprechenden Bausteine ergänzt mit lokalen Metamodellen, neuen Mehrzieloptimierungsmethoden und dem Einfluss der Prozessabfolge der Blechmassivumformung fertig zu werden.


Arbeitskreise


Veröffentlichungen

    2021

    • Sauer, C.; Breitsprecher, T.; Küstner, C.; Schleich, B.; Wartzack, S.: Architecure and self-learning within an assistance system for design for manufacturing within sheet-bulk metal forming . In: Kenji Suzuki (Hrsg.): 21(2021)3, Basel, Suisse: MDPI AI, eingereicht
    • Hinz, L.; Metzner, S.; Müller, P.; Schulte, R.; Besserer, H.; Wackenrohr, S.; Sauer, C.; Kästner, M.; Hausotte, T.; Hübner, S.; Nürnberger, F.; Schleich, B.; Behrens, B.; Wartzack, S.; Merklein, M.; Reithmeier, E.: Fringe Projection Profilometry in Production Metrology: A Multi-Scale Comparison in Sheet-Bulk Metal Forming. In: Steve Vanlanduit (Hrsg.): 21(2021)7, Basel, Suisse: MDPI Sensors, veröffentlicht
    • Sauer, C.; Schleich, B.; Wartzack, S.: Simultaneous Development of a Self-learning Engineering Assistance System. In: Merklein M., Tekkaya A.E., Behrens BA. (Hrsg.): Lecture Notes in Production Engineering, (2021), Cham: Springer, S. 127-146

    2020

    • Küstner, C.: Assistenzsystem zur Unterstützung der datengetriebenen Produktentwicklung. In: Jörg Franke, Nico Hanenkamp, Marion Merklein, Michael Schmidt, Sandro Wartzack (Hrsg.): Dissertation, C. Küstner, 1(2020)353, Erlangen: FAU University Press, S. 219
    • Bickel, S.; Sauer, C.; Schleich, B.; Wartzack, S.: Comparing CAD part models for geometrical similarity: A concept using machine learning algorithms. In: Procedia CIRP, (2020), im Druck
    • Sauer, C.; Schleich, B.; Wartzack, S.: Meta-model based generation of solution spaces in sheet-bulk metal forming Beitrag in einer Fachzeitschrift. In: Procedia CIRP, (2020)91, S. 905-910

    2019

    • Sauer, C.; Schleich, B.; Wartzack, S.: Einsatz von Graphdatenbanken für das Produktdatenmanagement im Kontext von Industrie 4.0. In: Ralph H. Stelzer, Jens Krzywinski (Hrsg.): Entwickeln Entwerfen Erleben in Produktentwicklung und Design 2019, (2019), Dresden: Thelem Universitätsverlag & Buchhandlung GmbH & Co. KG, S. 393-406

    2018

    • Sauer, C.; Schleich, B.; Wartzack, S.: Deep learning in sheet-bulk metal forming part design. In: DS92: Proceedings of the DESIGN 2018 15th International Design Conference, (2018), S. 2999-3010
    • Sauer, C.; Kügler, P.; Kestel, P.; Graf, M.; Göbel, K.; Niessen, C.; Schleich, B.; Wartzack, S.: Ein ontologiebasierter Ansatz zur Wissensrepräsentation für die smarte Produktentwicklung. In: Rieg, F.; Brökel, K.; Scharr, G.; Grote K.; Müller, N.; Lohrengel, A.; Nagarajah, A.; Corves, B. (Hrsg.): Tagungsband 16. Gemeinsames Kolloquium Konstruktionstechnik, (2018), S. 294-305
    • Sauer, C.; Dworschak, F.; Schleich, B.; Wartzack, S.: Einsatz von Process-Mining zur Erweiterung der semantischen Produktbeschreibung. In: Krause, D.; Paetzold, K.; Wartzack S. (Hrsg.): Design for X. Beiträge zum 29. DfX-Symposium, (2018), S. 227-238
    • Breitsprecher, T.: Entwicklung eines selbstlernenden Assistenzsystems zur automatischen Akquisition von konstruktionsrelevantem Fertigungswissen. In: Dissertation, T. Breitsprecher, 1(2018)449, VDI Verlag, S. 192

    2017

    • Wartzack, S.; Sauer, C.; Küstner, C.: What does Design for Production mean? – From Design Guidelines to Self-learning Engineering Workbenches. In: Meyer A, Schirmeyer R, Vajna S (Hrsg.): Proceedings of the 11th International Workshop on Integrated Design Engineering, (2017), Magdeburg: Universität Magdeburg Lehrstuhl für Maschinenbauinformatik, S. 93-102
    • Sauer, C.; Küstner, C.; Wartzack, S.: Einsatz von Deep Learning zur ortsaufgelösten Beschreibung von Bauteileigenschaften. In: Krause, D.; Paetzold, K.; Wartzack, S. (Hrsg.): Design for X. Beiträge zum 28. DfX-Symposium, (2017), Hamburg: TuTech Verlag, S. 49-60

    Vorträge

      2020

      • 05.05.2020: Sauer, C.: Meta-model based generation of solution spaces in sheet-bulk metal forming, Skukuza Rest Camp

      2019

      • 28.06.2019: Sauer, C.: Einsatz von Graphdatenbanken für das Produktdatenmanagement im Kontext von Industrie 4.0, Dresden

      2018

      • 24.05.2018: Sauer, C.: Deep learning in sheet-bulk metal forming part design, Dubrovnik
      • 26.09.2018: Sauer, C.: Einsatz von Process-Mining zur Erweiterung der semantischen Produktbeschreibung, Tutzing
      • 11.10.2018: Sauer, C.: Ein ontologiebasierter Ansatz zur Wissensrepräsentation für die smarte Produktentwicklung, Bayreuth

      2017

      • 07.04.2017: Wartzack, S.: What does Design for Production mean? – From Design Guidelines to Self-learning Engineering Workbenches, Magdeburg
      • 04.10.2017: Sauer, C.: Einsatz von Deep Learning zur ortsaufgelösten Beschreibung von Bauteileigenschaften, Bamberg