|
7627 |
|
Wednesday, September 21, 2022, TZ 1 und TZ 2 1:00 PM Künstliche Intelligenz in der Schweißtechnik II |
|
Die statistische Versuchsplanung als Basis für KI-unterstütztes Reibschweißen |
|
Sven Jüttner / Otto-v.-Guericke-Universität Magdeburg, Deutschland Marian Winkler* / Otto-v.-Guericke-Universität Magdeburg, Deutschland Frank Trommer/ Otto-v.-Guericke-Universität Magdeburg, Deutschland Sven Jüttner/ Otto-v.-Guericke-Universität Magdeburg, Deutschland |
|
Im Rahmen der Digitalisierung der Füge- und Prozesstechnik nehmen simulative Werkzeuge für die Auslegung von Schweißprozessen eine zunehmend wichtige Rolle ein. Obwohl durch den Einsatz dieser Werkzeuge schon ein erhebliches Zeit- und Kosteneinsparpotenzial besteht, existiert darüber hinaus weiterhin Optimierungspotenzial hinsichtlich der softwarebasierten Algorithmen. Im Rahmen einer Feldstudie zur simulativen Abbildung eines Rotationsreibschweißprozesses wird daher eine Kombination aus künstlichem neuronalem Netz (KI) und Finiter-Elemente-Methode (FEM) zum Zwecke der stetigen Opti¬mie¬rung simulationsbasierter Prozesswerkzeuge in der Fügetechnik erprobt. Ziel ist dabei die Validierung des KI-Modells hinsichtlich der prädiktiven Fähigkeiten zur Vorhersage von Prozessparametern bei definierten Prozessgrößen oder umgekehrt. Aufgrund der hohen Komplexität der Wechselwirkungen und Funktionszusammenhänge beim Reibschweißen existieren größtenteils nichtlineare Korrelationen zwischen Pro¬zessparametern und -größen. Insbesondere im Bereich der Lohnfertigung, in welcher die Abläufe zwischen Prozessentwicklung und -durchführung schneller durchlaufen werden, besteht der Bedarf an schnell zur Verfügung stehenden und quantifizierenden Aussagen zu diesen Wirkzusammenhängen, um auf schnellem Wege in die Produktionszyklen eingreifen zu können. Hier sollen simulative Prozessentwicklungswerkzeuge unterstützt durch künstliche neuronale Netzwerke (KI) in Form einer datenbasierten, künstlichen Intelligenz zum Einsatz kommen. Der Fokus liegt hierbei nicht auf der Grundlage der physikalischen Wirkzusammenhänge als vielmehr auf einem KI-Modell zur quantitativen und somit schnellen Analyse zur Beschreibung etwaiger Prozessphänomene. Im Beitrag wird dargestellt, wie es mithilfe von Algorithmen für neuronale Netze im Bereich der Fügetechnik am Beispiel des Reibschweißfügeverfahrens möglich ist, zuverlässige Vorhersagen für Maschinenprozessparameter durch Eingrenzung des Prozessgrößenraumes zu ermöglichen. Darüber hinaus können diese Algorithmen auch für die Vorhersage von zu erwartenden Prozessgrößen in Abhängigkeit gewählter Prozessparameter genutzt werden. Die Methode wird als eine optimale Lösung vorgestellt, mit der effektiv ein geeigneter Parametersatz ohne zeit- und kostenaufwändige Experimente oder Simu-lationen ermittelt werden kann. |