WO2025157355A1 - Ki-modell zur steuerung und/oder regelung eines schmiedeprozesses - Google Patents

Ki-modell zur steuerung und/oder regelung eines schmiedeprozesses

Info

Publication number
WO2025157355A1
WO2025157355A1 PCT/DE2025/100094 DE2025100094W WO2025157355A1 WO 2025157355 A1 WO2025157355 A1 WO 2025157355A1 DE 2025100094 W DE2025100094 W DE 2025100094W WO 2025157355 A1 WO2025157355 A1 WO 2025157355A1
Authority
WO
WIPO (PCT)
Prior art keywords
workpiece
model
forging
neural network
process parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/DE2025/100094
Other languages
English (en)
French (fr)
Inventor
Stefan STERGIANOU
Martin Wolfgarten
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SMS Group GmbH
Original Assignee
SMS Group GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SMS Group GmbH filed Critical SMS Group GmbH
Publication of WO2025157355A1 publication Critical patent/WO2025157355A1/de
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32177—Computer assisted quality surveyance, caq
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35017—Finite elements analysis, finite elements method FEM

Definitions

  • the invention relates to a method for creating and applying a Kl model for a control device for controlling and/or regulating a forging process, in particular an open-die forging process, of a workpiece.
  • the invention further relates to an arrangement comprising a forging device, preferably an open-die forging press, for forging a workpiece, a handling device for conveying and aligning the workpiece, and a control device for controlling and/or regulating the forging process.
  • Forging is a non-cutting, forming process used primarily for steel, but also for some non-ferrous metals.
  • the energy required for forming is transferred into the workpiece in the form of kinetic energy. If the forming movement is not mechanically limited by a fixed abutment or other means, it is called open-die forging.
  • a rough estimate of the geometry development of components during open-die forging is made, for example, based on analytical equations for the creation of pass schedules.
  • a prediction of the strain distribution along the core fiber of the workpiece is made possible by semi-empirical models using analytical equations as well as material- and temperature-specific fitting parameters.
  • Dominik Recker (2014) “Development of fast process models and optimization options for open-die forging,” thesis IBF Aachen; Dirk Rosenstock (2018), “Fast process modeling, online i Visualization and optimization in open-die forging”, thesis IBF Aachen.
  • FEM finite element modeling
  • Prediction using FEM is very time-consuming. A simulation can take hours or even days, making it unsuitable for rapid production planning or optimizing the open-die forging process with regard to the resulting component quality.
  • the prediction of component quality and the necessary pass schedules in open-die forging has so far been primarily based on experience. This empirical knowledge is not necessarily accessible in a structured manner within the company, but rather resides with the relevant employee. This can lead to personnel-dependent fluctuations and a corresponding risk of failure.
  • a model- and computer-based prediction of strain distribution as a basis for predicting component quality during open-die forging is currently only partially feasible, i.e., with insufficient accuracy, only for the core fiber, or with a significant time expenditure, as described above.
  • Process monitoring during open-die forging is also not yet feasible in 3D.
  • An object of the present invention is to improve the control and/or regulation and/or monitoring of a forging process, in particular an open-die forging process, of a workpiece.
  • the invention relates to the forging, in particular open-die forging, of a workpiece.
  • the forging of the workpiece takes place in a Forging device, preferably designed as an open-die forging press.
  • Metallic materials particularly steel, nickel, titanium, zirconium, and aluminum, are suitable for the workpiece.
  • Forging preferably takes place at temperatures above 800 °C.
  • the desired geometries achieved by forging include, for example, round, rectangular, square, and square.
  • the method according to the invention specifically serves to create and apply a Kl model for a control device for controlling and/or regulating and/or monitoring a forging process, preferably an open-die forging process, of a workpiece.
  • a database is first created by executing at least one computer simulation, preferably a FEM simulation, of at least one fictitious forging process based on at least one set of fictitious process parameters.
  • Fictitious here means that process parameters are used for the simulation(s) that do not necessarily have to be identical to the process parameters of the (real) forging process to be controlled, regulated, or monitored.
  • a Kl model is created by training a neural network.
  • the neural network can be classified as a convolutional recurrent neural network, comprising at least one convolution layer and one pooling layer for downsampling, at least one recurrent layer for describing the temporal progression, and, if necessary, at least one transcription layer and one output layer.
  • the exact number of layers and the number of neurons in each layer can be varied and determined depending on the application.
  • the resulting Kl model is applied to the (real) forging process by inputting process parameters of the forging process into the neural network.
  • the neural network of the Kl model generates an output field that is characteristic of the workpiece.
  • the output field comprises a temperature and/or strain distribution of the workpiece.
  • the input of process parameters into the neural network can also be automated, for example by measuring instruments in the process such as a camera, distance measuring systems for the tool positions, timers, scales and the like.
  • the Kl model presented here which uses at least one neural network, allows for a very accurate prediction of characteristic material properties, such as geometry development as well as temperature and strain distribution, for forging processes within a short time. Based on this, a pass schedule calculation can be performed.
  • the fast calculation time of, for example, a few ( ⁇ 10) seconds enables optimization of the component quality and performance with regard to selected target parameters, such as a homogeneous and small grain size, maximization of pore closure or minimization of induced damage.
  • At least one material property of the workpiece is determined from the output field of the neural network of the Kl model, wherein the at least one material property comprises a local grain size distribution and/or pore closure behavior and/or damage development in the workpiece.
  • the prediction system based on the neural network enables a combination with the prediction of the grain size distribution in the material, the pore closure behavior of casting cavities and similar Defects in the material and the development of damage, as well as the formation of potential component defects during the forging process, are important considerations. These properties can be predicted in the component, and the manufacturing process can be specifically designed with these criteria in mind. A possible pass schedule calculation can thus take into account defined criteria regarding component quality and performance, allowing the process to be optimized accordingly.
  • the output field of the neural network of the Kl model and/or the determined at least one material property of the workpiece is used to control and/or regulate and/or monitor the forging process.
  • Such feedback to the plant control system enables the process to be carried out as closely as possible to the optimized process design.
  • Process monitoring can provide the plant operator with additional information about the geometry development and enables warning messages to be issued if the process deviates from the pass schedule calculation, thus creating a risk that the component will not meet the required quality and performance.
  • the database for the neural network is generated by finite element modeling by varying various fictitious process parameters and generating a multidimensional grid of the fictitious process parameters such that each point in the grid corresponds to a combination of the fictitious process parameters.
  • the fictitious process parameters include workpiece dimensions and/or tool dimensions and/or temperatures and/or pause times and/or pass reductions.
  • FEM simulations are carried out based on the defined grid, the results of which preferably include nodal displacements and/or temperatures and/or deformations, such as strains and shear stresses, and/or deformation increments and/or deformation rates.
  • the results can also include global variables such as process forces, energy consumption, required process time, etc.
  • the system also offers the option of optimizing and controlling the pass schedules optimized according to these criteria.
  • the neural network can also be trained with the results from different units (e.g., two hydraulic presses with 40 and 50 MN pressing force). This also makes it possible to output a preferred forming unit or to maintain a certain maximum force when generating a pass schedule.
  • the database for training the neural network therefore consists in particular of the multidimensional grid of process parameters including the corresponding FEM input parameters, the respective definition of the FEM model as well as the element- and node-based results of the simulation(s).
  • the neural network of the Kl model trained on the database, generates the output field for combinations of process parameters not considered during the creation of the database.
  • the neural network is able to generate an output field in the form of a temperature and strain distribution for previously unconsidered combinations of process parameters or grid points within a short time, in particular within a few ( ⁇ 10) seconds.
  • the accuracy of the prediction lies within the limits of the Grid is very high, outside the grid the predictions are less reliable.
  • the above-mentioned object is further achieved by an arrangement comprising a forging device, preferably an open-die forging press, for forging a workpiece, a handling device for conveying and aligning the workpiece and a control device for controlling and/or regulating and/or monitoring a forging process which can be carried out by the forging device and handling device, wherein the control device comprises a Kl model with a neural network which is configured to generate an output field on the basis of process parameters of the forging process which is characteristic of the workpiece, preferably comprising a temperature and deformation distribution of the workpiece.
  • control device is preferably configured to determine at least one material property of the workpiece from the output field of the neural network of the Kl model, wherein the at least one material property comprises a local grain size distribution and/or a pore closure behavior and/or a damage development in the workpiece.
  • control device is preferably configured to use the output field of the neural network of the Kl model and/or the determined at least one material property of the workpiece for controlling and/or regulating and/or monitoring the forging process.
  • Figure 1 shows schematically an arrangement with a forging device and a handling device
  • Figure 2 schematically shows a process for creating and applying a Kl model, based on a neural network, for a control device of the forging device.
  • Figure 1 schematically shows an arrangement 1 with a forging device 10 for forging a workpiece 2 and a handling device 20.
  • the forging device 10 is preferably designed for open-die forging, in particular as an open-die forging press.
  • a piston force is applied to the workpiece 2, which in Figure 1 is outside the Forging device 10 is arranged to deform it in a desired manner.
  • Metallic materials particularly steel, nickel, titanium, zirconium, and aluminum, are considered for workpiece 2.
  • Forging preferably takes place at temperatures above 800 °C.
  • the geometries desired by forging include, for example, round, rectangular, square, and rectangular.
  • the handling device 20 is configured to move the workpiece 2, in particular to a desired position and into a desired orientation.
  • the handling device 20 comprises a transport section 22, for example, designed as a vehicle, in particular an autonomous vehicle, and a manipulator section 24 configured to hold, rotate, pivot, and the like the workpiece 2.
  • the manipulator section 24 preferably comprises a pair of tongs for gripping the workpiece 2.
  • the assembly 1 further comprises a control device 50, which communicates with the various devices, assemblies, and the like.
  • the control device 50 is signal-connected to the components of the assembly 1 to be controlled or regulated and/or read out, thus in particular to the forging device 10 and the handling device 20.
  • control device 50 can receive and/or transmit signals (control signals, data, etc.) accordingly, whereby both one-way and two-way signal transmission fall under the term "communication" in this context.
  • Control device 50 does not necessarily have to be implemented by a central computing device or electronic control system; rather, decentralized and/or multi-level systems, control networks, cloud systems, and the like are also included.
  • the controller can also be an integral component of a higher-level system control system or communicate with such a system.
  • Control device 50 can also communicate with lower-level system controls, i.e., with controllers assigned to the corresponding devices.
  • the control device 50 comprises or has access to a Kl model 60 ("Kl” stands for artificial intelligence) based on one or more neural networks.
  • Kl stands for artificial intelligence
  • the Kl model 60 allows the prediction of the geometric development of the workpiece 2 as well as the temperature and deformation distribution in the workpiece 2 during forging for defined forging sequences within a short time, in particular within a few seconds.
  • FEM simulations (“FEM” stands for finite element method) can be used as the database for the underlying neural network of the Kl model 60, in which the process parameters (workpiece and tool dimensions, temperatures, pause times, pass reduction, etc.) are varied.
  • a database is generated for this purpose using a suitable number of support points (combinations with different process parameters), and the neural network is trained with it.
  • the control device 50 with access to the Kl model 60, is then able to predict the temperature and deformation distribution of the workpiece 2.
  • the range is selected according to the possible and targeted range of process parameters.
  • material properties can also be predicted that are crucial for the component quality and performance, such as such as grain size distribution, pore closure behavior and damage development.
  • the grain size distribution, pore closure behavior, and damage development can be predicted using conventional models.
  • the process design can thus be optimized to ensure that defined criteria for component quality and performance are met or maintained.
  • the process design according to the above description is used to control and/or regulate and/or monitor the open-die forging process so that the component to be manufactured from workpiece 2 follows the process design as closely as possible.
  • the existing temperature and strain distribution in workpiece 2 can also be calculated in near real time (e.g., with a delay of less than 2 seconds). Based on this, the current grain size distribution, pore closure, and damage development can be determined and, if necessary, displayed. Such process monitoring can also be used to generate a warning, for example, for the operator if the process is likely to result in the workpiece not achieving the defined component quality range.
  • Figure 2 schematically shows an exemplary process for creating and applying the Kl model 60 for the control device 50.
  • the database required for training the neural network of the Kl model 60 is generated here by FEM simulations.
  • a multidimensional grid is defined for the FEM simulation(s), whereby different parameter ranges for scanning, i.e. the grid points of the multidimensional grid to be simulated, are possible.
  • geometry type for example, straight components with round or square cross-sections, multi-stage shafts, stepped shafts, curved components, twisted components, etc. as well as combinations of geometry variants can be recorded.
  • iron-based materials and steels as well as materials based on aluminum, titanium, nickel, copper, zinc and alternative formable materials with workpiece temperatures from -273 °C to 2800 °C can be considered.
  • masses from 0.1 kg to 5000 t operating weight with lengths from 10 mm to 120 m and edge lengths (or diameters for round cross-sections) from 10 mm to 25 m are included.
  • the forging device 10 can have as a forming unit one or more hammers with impact energies of 1 Nm to 125,000 kNm, screw presses with forming energies of 1 J to 250,000 kJ as well as hydraulic, servo-hydraulic or servo-mechanical presses with maximum forces of 1 kN to 10,000 MN, crank lever presses, etc.
  • the process parameters include relative pass reductions of 0.1 - 90% per stroke, bite widths of 1 mm to 10 m, if applicable, angles of rotation between each stroke or pass of 0.1 - 180°, and angles of curvature or twist per stroke of 0.1 - 75°.
  • boundary conditions can be used for scanning to create a FEM simulation model, including ambient temperatures from -100 to +900 °C and tool temperatures from -100 to +1400 °C.
  • the database required for training the neural network of the Kl model 60 is then generated in a second step S2 by FEM simulations.
  • At least one FEM simulation model is created that corresponds to the aforementioned parameters of the grid points of the multidimensional grid to be simulated.
  • Each point in this grid corresponds to a combination of process parameters, which are then calculated for at least one pass using a suitable finite element program (e.g., Simufact, Forge NxT, Deform, Q-Form, or similar).
  • a simulation can encompass a single or multiple strokes, one or more passes, or even an entire forging sequence, including intermediate heat treatments.
  • the workpiece 2 under consideration is meshed in 2D with preferably at least 4 nodes or in 3D with preferably at least 8 nodes.
  • a maximum of 10,000,000 or 1,000,000 nodes, respectively, that comprise the FEM mesh, are preferably used in each simulation.
  • the FEM simulation is started, and after the calculation is completed, the simulation result is saved.
  • the saved data includes In particular, nodal displacements, temperatures, strains (strains and shear stresses), strain increments, and strain rates are measured.
  • the simulation results generated in this way are exported, preferably automatically, as a database.
  • the sum of all input data paired with the stored simulation results forms the data basis for the neural network.
  • the database for training the neural network thus consists of the multidimensional grid of process parameters including the corresponding FEM input parameters, the respective definition of the FEM model as well as the element- and node-based results of the simulations.
  • a third step S3 the neural network of the Kl model 60 is trained. This is done in a suitable programming environment on the generated database.
  • the neural network can, for example, be classified as a convolutional recurrent neural network, consisting of at least one convolution layer and one pooling layer for downsampling, at least one recurrent layer for describing the temporal progression, and, if necessary, at least one transcription layer and one output layer.
  • the exact number of layers and the number of neurons in each layer are determined by the size of the database and, in particular, the definition of the finite element model, i.e., the number of elements and nodes.
  • an input point within the multidimensional grid can now be used, which does not need to correspond to any point of the grid.
  • the database should be chosen so that no points outside the grid are necessary for future predictions. Although results are generated for such points, the deviation from reality increases with the distance from the grid.
  • the neural network For each input point, the neural network then generates a prediction for the selected simulation results, i.e., at least nodal displacements, temperatures, strains (strains and thrusts), strain increments, and strain rates.
  • the neural network is thus able to generate an output field in the form of a temperature and strain distribution for previously unconsidered combinations of process parameters (or grid points) within a short time, for example, within a few seconds ( ⁇ 10).
  • the accuracy of the prediction is very high within the boundaries of the grid; outside the grid, the predictions are less reliable.
  • the output field can be used to predict material properties that are crucial for component quality and performance using suitable models based on temperature and strain distribution. These include, among other things, the local grain size distribution, pore closure behavior, and/or damage development within the component.
  • the generated result variables can, for example, be coupled with conventional models for predicting grain sizes, damage values and/or pore closure in order to predict the performance of components and optimize them manually or automatically.
  • the optimized process design is used to control and/or regulate and/or monitor the open-die forging process (press and manipulator movements) by the control device 50. In the event of deviations from the optimized process, a recalculation and, if necessary and possible, a course correction of the further process can be performed.
  • control device 50 can issue a corresponding warning message to which an operator can then react.
  • a workpiece 2 cools below 900 °C during production, reheating is necessary.
  • a hydraulic press with a maximum press force of 25 MN is used as the forging device 10.
  • the per-pass reductions range from 3 to 15%, and the bite width is 50 to 250 mm.
  • the workpieces 2 are rotated 90° between each pass.
  • the ambient temperature is approximately 35 °C, and the tool temperature is approximately 300 °C.
  • these ranges of dimensions and process parameters, as well as the fixed boundary conditions, are simulated. For this purpose, the boundary points and 18 additional linear points within the parameter spectrum are simulated.
  • An entire process simulation takes approximately three days, so the initial effort is very significant. However, since many forging passes are very similar, the processes can be broken down into their individual passes, with each process consisting of four to 40 passes. If thermally and geometrically similar passes are combined, a total of 200,000 simulations are obtained, each requiring approximately 30 minutes of simulation time. With a total simulation time of 100,000 hours (instead of 720,000 hours for the original 10,000 simulations), whereby in principle any number of these simulations can be carried out and evaluated in parallel, all simulations can be automatically started, calculated, and evaluated within a week using a high-performance cluster with, for example, 700 processing cores. This includes saving the simulation results together with the input parameters in a database so that this can be used for the subsequent training of the neural network.
  • the generated database is then used, for example, to train a neural network in the C# programming language.
  • the network Within this parameter field, the network generates an output within a few seconds that corresponds to the result of a FEM simulation.
  • the results generated in this way can,
  • the results of the FEM simulations, as well as the results of the FEM simulations, are used to evaluate the performance of the produced components.
  • Existing models for predicting grain size, damage, and/or pore closure behavior are used for this purpose.
  • the short computing time of just a few seconds required to generate a result is used to optimize the process sequences, particularly the forging strategy involving press and manipulator movements, with a view to maximizing pore closure behavior.
  • the forging strategies optimized in this way for the entire product spectrum are used in subsequent production to control the forging device 10 and the handling device 20.
  • an adapted forging strategy is calculated within a few seconds, and the remaining process sequence is replaced by the newly calculated sequence. If the calculation shows that the required component quality can no longer be achieved at this temperature, the system operator is notified that reheating is necessary. An adapted forging strategy is then calculated for the reheated component, enabling the required component quality to be achieved, and this strategy is implemented.
  • measuring instruments can also include a timer (for deviations from break or idle times), a camera for position and geometry detection, and/or a scale if material loss becomes excessive.
  • the Kl-Model 60 presented here allows for a very accurate prediction of the geometry development as well as temperature and strain distribution for open-die forging processes within a few seconds.
  • a pass schedule calculation can be performed, which also provides a basis for predicting component quality and performance.
  • the grain size distribution, pore closure behavior, and/or damage development in the component can be predicted, and the process can be specifically designed with these criteria in mind.
  • the pass schedule calculation can thus take into account defined criteria regarding component quality and performance, and the process can be optimized accordingly.
  • a feedback to the plant control system enables the process to be carried out as close as possible to the optimized process design.
  • Process monitoring can provide the plant operator with additional information about the geometry development and enables warning messages to be issued if the process deviates from the pass schedule calculation and there is therefore a risk that the component will not meet the required quality and performance.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Forging (AREA)

Abstract

Verfahren zur Erstellung und Anwendung eines Kl-Modells (60) für eine Steuereinrichtung (50) zur Steuerung und/oder Regelung und/oder Überwachung eines Schmiedeprozesses, vorzugsweise Freiformschmiedeprozesses, eines Werkstücks (2), wobei das Verfahren aufweist: Erzeugen einer Datenbasis durch Ausführen zumindest einer Computersimulation, vorzugsweise FEM-Simulation, zumindest eines fiktiven Schmiedeprozesses basierend auf zumindest einem Satz von fiktiven Prozessparametern; Erstellen des Kl-Modells (60) durch Trainieren eines neuronalen Netzes mittels der erzeugten Datenbasis; und Anwenden des Kl-Modells (60) durch Eingeben von Prozessparametern des Schmiedeprozesses des Werkstücks (2) in das neuronale Netz, wobei das neuronale Netz des Kl-Modells (60) ein Ausgabefeld generiert, das charakteristisch für das Werkstück (2) ist, vorzugsweise eine Temperatur- und/oder Formänderungsverteilung des Werkstücks (2) umfasst.

Description

Kl-Modell zur Steuerung und/oder Regelung eines Schmiedeprozesses
Technisches Gebiet
Die Erfindung betrifft ein Verfahren zur Erstellung und Anwendung eines Kl- Modells für eine Steuereinrichtung zur Steuerung und/oder Regelung eines Schmiedeprozesses, insbesondere eines Freiformschmiedeprozesses, eines Werkstücks. Die Erfindung betrifft ferner eine Anordnung mit einer Schmiedevorrichtung, vorzugsweise Freiformschmiedepresse, zum Schmieden eines Werkstücks, einer Handhabungsvorrichtung zum Befördern und Ausrichten des Werkstücks und einer Steuereinrichtung zur Steuerung und/oder Regelung des Schmiedeprozesses.
Hintergrund der Erfindung
Das Schmieden wird als spanloses, formgebendes Verfahren vor allem für Stahl, aber auch für einige Nichteisenmetalle angewendet. Die zur Umformung notwendige Arbeit wird in Form kinetischer Energie in das Werkstück eingebracht. Wird dabei die formgebende Bewegung nicht durch ein festes Widerlager oder anderweitig mechanisch begrenzt, spricht man vom Freiformschmieden.
Eine grobe Abschätzung der Geometrieentwicklung von Bauteilen beim Freiformschmieden erfolgt etwa auf Basis analytischer Gleichungen zur Erstellung von Stichplänen. Eine Vorhersage der Formänderungsverteilung entlang der Kernfaser des Werkstücks wird durch semi-empirische Modelle unter Anwendung analytischer Gleichungen sowie Werkstoff- und temperaturspezifischer Fitting- Parameter ermöglicht. Diesbezüglich sei auf die folgenden Literaturstellen verwiesen: Dominik Recker (2014), „Entwicklung von schnellen Prozessmodellen und Optimierungsmöglichkeiten für das Freiformschmieden“, Dissertation IBF Aachen; Dirk Rosenstock (2018), „Schnelle Prozessmodellierung, Online- i Visualisierung und Optimierung beim Freiformschmieden“, Dissertation IBF Aachen.
Eine 3D-Vorhersage der Formänderungsverteilung ist bisher nur auf Basis der Finite-Elemente-Modellierung (FEM) möglich. Diese kann auch zur Vorhersage der Korngrößenverteilung, des Porenschließungsverhaltens und der Schädigungsentwicklung im Werkstoff genutzt werden. Diesbezüglich sei auf die folgenden Literaturstellen verwiesen: Wolfgarten, M., Rosenstock, D., Rudolph, F., & Hirt, G. (2019), „New approach for the optimization of pass-schedules in opendie forging“, International Journal of Material Forming, 12, Seiten 973-983; Rudolph, F., Wolfgarten, M., Keray, V., & Hirt, G. (2021 ), „Optimization of Open- Die Forging Using Fast Models for Strain, Temperature, and Grain Size in the Context of an Assistance System“, Forming the Future: Proceedings of the 13th International Conference on the Technology of Plasticity, Seiten 1145-1159, Springer International Publishing.
Eine grobe Abschätzung der Geometrieentwicklung durch einfache analytische Gleichungen kann zwar sehr schnell, etwa innerhalb weniger Sekunden erfolgen, sie liefert jedoch nur eine unzureichende Vorhersagequalität für die Berechnung des Materialverhaltens im Schmiedeprozess. Dies gilt auch für die Vorhersage der Formänderungsverteilung entlang der Kernfaser des Werkstücks durch semiempirische Modelle unter Anwendung analytischer Gleichungen, wobei diese Informationen insbesondere unzureichend zur Abschätzung der gesamten Bauteilqualität sind. Die Verteilung der Korngrößen und Schädigungsentwicklung bestimmt auch außerhalb der Kernfaser maßgeblich die Leistungsfähigkeit eines Bauteils.
Die Vorhersage mittels FEM, andererseits, ist sehr zeitaufwendig. Hierbei kann eine Simulation Stunden bis Tage benötigen, wodurch sie für eine schnelle Produktionsplanung oder eine Optimierung des Freiformschmiedeprozesses hinsichtlich der erzeugten Bauteilqualität nicht geeignet ist. In der Praxis erfolgt die Vorhersage der Bauteilqualität und der dazu notwendigen Stichpläne beim Freiformschmieden bisher hauptsächlich erfahrungsbasiert. Das Erfahrungswissen liegt hierbei nicht notwendigerweise strukturiert zugänglich im Unternehmen, sondern beim entsprechenden Mitarbeiter. Dies kann zu personalabhängigen Schwankungen sowie einer entsprechenden Ausfallgefahr führen.
Eine modell- und computergestützte Vorhersage der Formänderungsverteilung als Grundlage zur Vorhersage der Bauteilqualität beim Freiformschmieden ist gegenwärtig nur unzureichend realisierbar, d.h. in unzureichender Genauigkeit, nur für die Kernfaser oder unter großem Zeitaufwand, wie oben beschrieben. Somit ist es bisher nicht möglich, den Freiformschmiedeprozess als komplexen Umformprozess hinsichtlich solcher Werkstoffeigenschaften auszulegen, zu steuern oder zu optimieren, die maßgeblich die Bauteilqualität und Leistungsfähigkeit bestimmen. Auch eine Prozessüberwachung während des Freiformschmiedens ist bisher nicht in 3D durchführbar.
Darstellung der Erfindung
Eine Aufgabe der vorliegenden Erfindung besteht darin, die Steuerung und/oder Regelung und/oder Überwachung eines Schmiedeprozesses, insbesondere Freiformschmiedeprozesses, eines Werkstücks zu verbessern.
Die Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 sowie eine Anordnung mit den Merkmalen des Anspruchs 8 gelöst. Vorteilhafte Weiterbildungen folgen aus den Unteransprüchen, der folgenden Darstellung der Erfindung sowie der Beschreibung bevorzugter Ausführungsbeispiele.
Die Erfindung betrifft das Schmieden, insbesondere Freiformschmieden, eines Werkstücks. Das Schmieden des Werkstücks erfolgt in einer Schmiedevorrichtung, die vorzugsweise als Freiformschmiedepresse ausgebildet ist. Als Werkstoffe für das Werkstück kommen metallische Werkstoffe in Betracht, insbesondere Stahl, Nickel, Titan, Zirkon und Aluminium. Das Schmieden findet vorzugsweise bei Temperaturen oberhalb von 800 °C statt. Die durch das Schmieden angestrebten Geometrien umfassen beispielsweise: Rund, Rechteck, Quadrat, Vierkant.
Das Verfahren gemäß der Erfindung dient konkret der Erstellung und Anwendung eines Kl-Modells für eine Steuereinrichtung zur Steuerung und/oder Regelung und/oder Überwachung eines Schmiedeprozesses, vorzugsweise Freiformschmiedeprozesses, eines Werkstücks.
Gemäß dem Verfahren wird zunächst eine Datenbasis erzeugt, durch Ausführen zumindest einer Computersimulation, vorzugsweise FEM-Simulation, zumindest eines fiktiven Schmiedeprozesses basierend auf zumindest einem Satz von fiktiven Prozessparametern. „Fiktiv“ meint hierbei, dass Prozessparameter für die Simulation(en) herangezogen werden, die nicht notwendigerweise identisch mit den Prozessparametern des (realen) zu steuernden, zu regelnden bzw. zu überwachenden Schmiedeprozesses sein müssen.
Auf Grundlage der so generierten Datenbasis wird ein Kl-Modell durch Trainieren eines neuronalen Netzes erstellt.
Das neuronale Netz kann als Convolutional Recurrent Neural Network klassifiziert werden, umfassend jeweils zumindest ein Convolution Layer und ein Pooling Layer zum Downsampling, mindestens ein Recurrent Layer zur Beschreibung des zeitlichen Verlaufs sowie ggf. zumindest ein Transcription Layer und ein Output Layer. Die exakte Anzahl an Schichten sowie die Anzahl an Neuronen in jeder Schicht können anwendungsbedingt variiert und bestimmt werden. Das so erstellte Kl-Modell wird im Rahmen des (realen) Schmiedeprozesses angewendet, durch Eingeben von Prozessparametern des Schmiedeprozesses in das neuronale Netz, wobei das neuronale Netz des Kl-Modells ein Ausgabefeld generiert, das charakteristisch für das Werkstück ist. Vorzugsweise umfasst das Ausgabefeld eine Temperatur- und/oder Formänderungsverteilung des Werkstücks.
Die Eingabe der Prozessparameter in das neuronale Netz kann auch automatisiert erfolgen, beispielsweise durch Messinstrumente im Prozess wie etwa eine Kamera, Wegmesssysteme für die Werkzeugpositionen, Zeitmesser, Waage und dergleichen.
Das hierin dargelegte Kl-Modell unter Anwendung zumindest eines neuronalen Netzes erlaubt eine sehr genaue Vorhersage charakteristischer Werkstoffeigenschaften, wie etwa Geometrieentwicklung sowie Temperatur- und Formänderungsverteilung, für Schmiedeprozesse innerhalb kurzer Zeit. Es kann darauf aufbauend eine Stichplanberechnung erfolgen.
Die schnelle Berechnungszeit von beispielsweise wenigen (<10) Sekunden ermöglicht darauf aufbauend eine Optimierung der Bauteilqualität und - leistungsfähigkeit hinsichtlich gewählter Zielgrößen, wie etwa einer homogenen und kleinen Korngröße, einer Maximierung des Porenschlusses oder Minimierung eingebrachter Schädigungen.
Vorzugsweise wird somit aus dem Ausgabefeld des neuronalen Netzes des Kl- Modells zumindest eine Werkstoffeigenschaft des Werkstücks ermittelt, wobei die zumindest eine Werkstoffeigenschaft eine lokale Korngrößenverteilung und/oder ein Porenschließungsverhalten und/oder eine Schädigungsentwicklung im Werkstück umfasst. Das Vorhersagesystem auf Basis des neuronalen Netzes ermöglicht eine Kombination mit der Vorhersage der Korngrößenverteilung im Werkstoff, des Porenschließungsverhaltens von Gusslunkern und ähnlichen Fehlstellen im Werkstoff und der Schädigungsentwicklung sowie der Entstehung möglicher Bauteildefekte während des Schmiedeprozesses. Die genannten Eigenschaften lassen sich im Bauteil Vorhersagen, und der Fertigungsprozess kann hinsichtlich dieser Kriterien gezielt ausgelegt werden. Eine etwaige Stichplanberechnung kann somit definierte Kriterien hinsichtlich der Bauteilqualität und -leistungsfähigkeit berücksichtigen, wodurch der Prozess dahingehend optimierbar ist.
Vorzugsweise wird das Ausgabefeld des neuronalen Netzes des Kl-Modells und/oder die ermittelte zumindest eine Werkstoffeigenschaft des Werkstücks zur Steuerung und/oder Regelung und/oder Überwachung des Schmiedeprozesses herangezogen. Eine solche Rückführung in die Anlagensteuerung ermöglicht eine Durchführung des Prozesses möglichst nahe an der optimierten Prozessauslegung. Eine Prozessüberwachung kann dem Anlagenbediener weitere Informationen über die Geometrieentwicklung liefern und ermöglicht das Ausgeben von Warnmeldungen, falls der Prozess von der Stichplanberechnung abweicht und somit die Gefahr besteht, dass das Bauteil nicht der geforderten Qualität und Leistungsfähigkeit entspricht.
Vorzugsweise wird die Datenbasis für das neuronale Netz durch Finite-Elemente- Modellierung erzeugt, indem verschiedene fiktive Prozessparameter variiert und ein multidimensionales Raster der fiktiven Prozessparameter erzeugt werden, so dass jeder Punkt in dem Raster einer Kombination der fiktiven Prozessparameter entspricht.
Vorzugsweise umfassen die fiktiven Prozessparameter Werkstückabmessungen und/oder Werkzeugabmessungen und/oder Temperaturen und/oder Pausenzeiten und/oder Stichabnahmen.
Es sind verschiedene Parameterbereiche zur Abrasterung mittels FEM möglich, betreffend den Geometrietyp, den Werkstoff, die Abmessungen, Prozessparameter usw., die in der Beschreibung von Ausführungsformen weiter unten beispielhaft angegeben sind.
Vorzugsweise werden auf der Grundlage des definierten Rasters FEM- Simulationen durchgeführt, deren Ergebnisse vorzugsweise Knotenverschiebungen und/oder Temperaturen und/oder Formänderungen, wie etwa Dehnungen und Schiebungen, und/oder Formänderungsinkremente und/oder Formänderungsgeschwindigkeiten umfassen. Zu den Ergebnissen können zusätzlich oder alternativ zu den hier genannten lokalen Größen im Werkstoff auch globale Größen, wie etwa Prozesskräfte, Energieverbrauch, benötigte Prozesszeit usw. zählen. Auch dahingehend bietet das System die Möglichkeit einer Optimierung und Regelung der nach diesen Kriterien optimierten Stichpläne. Das Neuronale Netz kann weiterhin mit den Ergebnissen aus unterschiedlichen Aggregaten (beisipelsweise 2 hydraulische Pressen mit 40 und 50 MN Presskraft) trainiert werden. Dann ist auch die Ausgabe eines präferierten Umformaggregats oder die Einhaltung einer gewissen Maximalkraft bei der Erzeugung eines Stichplans möglich.
Die Datenbasis für das Training des neuronalen Netzes besteht somit insbesondere aus dem multidimensionalen Raster der Prozessparameter inklusive der zugehörigen FEM-Inputparameter, der jeweiligen Definition des FEM-Modells sowie der element- und knotenbasierten Ergebnisse der Simulation(en).
Vorzugsweise generiert das auf die Datenbasis trainierte neuronale Netz des Kl- Modells das Ausgabefeld für bei der Erstellung der Datenbasis nicht berücksichtigte Kombinationen von Prozessparametern. In anderen Worten, durch das Training anhand der Datenbasis ist das neuronale Netz in der Lage, für bisher nicht berücksichtigte Kombinationen von Prozessparametern bzw. Rasterpunkten innerhalb kurzer Zeit, insbesondere innerhalb weniger (<10) Sekunden, ein Ausgabefeld in Form einer Temperatur- und Formänderungsverteilung zu generieren. Die Genauigkeit der Vorhersage liegt innerhalb der Grenzen des Rasters sehr hoch, außerhalb des Rasters sind die Vorhersagen weniger zuverlässig.
Die oben genannte Aufgabe wird ferner durch eine Anordnung mit einer Schmiedevorrichtung, vorzugsweise Freiformschmiedepresse, zum Schmieden eines Werkstücks, einer Handhabungsvorrichtung zum Befördern und Ausrichten des Werkstücks und einer Steuereinrichtung zur Steuerung und/oder Regelung und/oder Überwachung eines Schmiedeprozesses, der von der Schmiedevorrichtung und Handhabungsvorrichtung durchführbar ist, gelöst, wobei die Steuereinrichtung ein Kl-Modell mit einem neuronalen Netz umfasst, das eingerichtet ist, um auf Basis von Prozessparametern des Schmiedeprozesses ein Ausgabefeld zu generieren, das charakteristisch für das Werkstück ist, vorzugsweise eine Temperatur- und Formänderungsverteilung des Werkstücks umfasst.
Die Merkmale, technischen Wirkungen, Vorteile sowie Ausführungsbeispiele, die in Bezug auf das Verfahren beschrieben wurden, gelten analog für die Anordnung.
So ist die Steuereinrichtung aus den oben genannten Gründen vorzugsweise eingerichtet, um aus dem Ausgabefeld des neuronalen Netzes des Kl-Modells zumindest eine Werkstoffeigenschaft des Werkstücks zu ermitteln, wobei die zumindest eine Werkstoffeigenschaft eine lokale Korngrößenverteilung und/oder ein Porenschließungsverhalten und/oder eine Schädigungsentwicklung im Werkstück umfasst.
Vorzugsweise ist die Steuereinrichtung aus den oben genannten Gründen eingerichtet, um das Ausgabefeld des neuronalen Netzes des Kl-Modells und/oder die ermittelte zumindest eine Werkstoffeigenschaft des Werkstücks zur Steuerung und/oder Regelung und/oder Überwachung des Schmiedeprozesses heranzuziehen. Weitere Vorteile und Merkmale der vorliegenden Erfindung sind aus der folgenden Beschreibung bevorzugter Ausführungsbeispiele ersichtlich. Die darin beschriebenen Merkmale können alleinstehend oder in Kombination mit einem oder mehreren der oben dargelegten Merkmale umgesetzt werden, sofern sich die Merkmale nicht widersprechen. Die folgende Beschreibung bevorzugter Ausführungsbeispiele erfolgt dabei mit Bezug auf die begleitenden Zeichnungen.
Kurze Beschreibung der Figuren
Bevorzugte weitere Ausführungsformen der Erfindung werden durch die nachfolgende Beschreibung der Figuren näher erläutert. Dabei zeigen:
Figur 1 schematisch eine Anordnung mit einer Schmiedevorrichtung und einer Handhabungsvorrichtung; und
Figur 2 schematisch einen Prozess zur Erstellung sowie Anwendung eines Kl- Modells, basierend auf einem neuronalen Netz, für eine Steuereinrichtung der Schmiedevorrichtung.
Detaillierte Beschreibung bevorzugter Ausführungsbeispiele
Im Folgenden werden bevorzugte Ausführungsbeispiele anhand der Figuren beschrieben.
Die Figur 1 zeigt schematisch eine Anordnung 1 mit einer Schmiedevorrichtung 10 zum Schmieden eines Werkstücks 2 und einer Handhabungsvorrichtung 20.
Die Schmiedevorrichtung 10 ist vorzugsweise für das Freiformschmieden konzipiert, insbesondere als Freiformschmiedepresse ausgebildet. Mittels eines Kolben-Zylinder-Systems und einem Schmiedewerkzeug wird in diesem Fall eine Kolbenkraft auf das Werkstück 2, das in der Figur 1 außerhalb der Schmiedevorrichtung 10 angeordnet ist, ausgeübt, um es auf eine gewünschte Weise zu verformen.
Als Werkstoffe für das Werkstück 2 kommen metallische Werkstoffe in Betracht, insbesondere Stahl, Nickel, Titan, Zirkon und Aluminium. Das Schmieden findet vorzugsweise bei Temperaturen oberhalb von 800 °C statt. Die durch das Schmieden angestrebten Geometrien umfassen beispielsweise: Rund, Rechteck, Quadrat, Vierkant.
Die Handhabungsvorrichtung 20 ist eingerichtet, um das Werkstück 2 zu bewegen, insbesondere an eine gewünschte Position und in eine gewünschte Ausrichtung zu bringen. Zu diesem Zweck umfasst die Handhabungsvorrichtung 20 einen Transportabschnitt 22, beispielsweise als Fahrzeug, insbesondere autonomes Fahrzeug ausgeführt, und einen Manipulatorabschnitt 24, der eingerichtet ist, um das Werkstück 2 zu halten, zu drehen, zu schwenken und dergleichen. Der Manipulatorabschnitt 24 umfasst vorzugsweise eine Zange zum Greifen des Werkstücks 2.
Die Anordnung 1 umfasst ferner eine Steuereinrichtung 50, die mit den verschiedenen Einrichtungen, Baugruppen und dergleichen in Kommunikation steht. Die Steuereinrichtung 50 ist mit den zu steuernden bzw. zu regelnden und/oder auszulesenden Komponenten der Anordnung 1 signaltechnisch verbunden, somit insbesondere mit der Schmiedevorrichtung 10 und der Handhabungsvorrichtung 20.
Die Kommunikation zwischen der Steuereinrichtung 50 und den zu steuernden bzw. zu regelnden und/oder auszulesenden Komponenten kann drahtgebunden oder drahtlos, digital oder analog erfolgen. Die Steuereinrichtung 50 kann entsprechend Signale (Steuersignale, Daten usw.) empfangen und/oder senden, wobei sowohl ein Signaltransport in einer Richtung als auch in beiden Richtungen in diesem Zusammenhang unter den Begriff „Kommunikation“ fällt. Die Steuereinrichtung 50 muss hierbei nicht unbedingt durch eine zentrale Recheneinrichtung oder elektronische Regelung realisiert sein, sondern es sind dezentrale und/oder mehrstufige Systeme, Regelungsnetzwerke, Cloud-Systeme und dergleichen umfasst. Die Steuerung kann zudem integraler Bestandteil einer übergeordneten Anlagensteuerung sein oder mit einer solchen kommunizieren. Die Steuereinrichtung 50 kann auch mit Anlagensteuerungen unterer Ebenen, d.h. den entsprechenden Einrichtungen zugeordneten Steuerungen kommunizieren.
Die Steuereinrichtung 50 umfasst oder hat Zugriff auf ein Kl-Modell 60 („Kl“ steht hierbei für künstliche Intelligenz) auf Basis eines oder mehrerer neuronaler Netze. Das Kl-Modell 60 erlaubt die Vorhersage der Geometrieentwicklung des Werkstücks 2 sowie der Temperatur- und Formänderungsverteilung im Werkstück 2 beim Schmieden für definierte Schmiedefolgen innerhalb kurzer Zeit, insbesondere innerhalb weniger Sekunden.
Als Datenbasis für das zugrundeliegende neuronale Netz des Kl-Modells 60 können FEM-Simulationen („FEM“ steht hierbei für Finite-Elemente-Methode) genutzt werden, in denen die Prozessparameter (Werkstück- und Werkzeugabmessungen, Temperaturen, Pausenzeiten, Stichabnahme usw.) variiert werden. Durch eine geeignete Anzahl an Stützstellen (Kombinationen mit unterschiedlichen Prozessparametern) wird dazu eine Datenbasis erzeugt und das neuronale Netz damit trainiert. Zumindest innerhalb dieses gewählten Bereichs ist dann die Steuereinrichtung 50 mit Zugriff auf das Kl-Modell 60 in der Lage, die Temperatur- und Formänderungsverteilung des Werkstücks 2 vorherzusagen. Der Bereich wird entsprechend des möglichen und anvisierten Spektrums an Prozessparametern gewählt.
Auf Basis der Vorhersage der Temperatur- und Formänderungsverteilung des Werkstücks 2 können zusätzlich solche Werkstoffeigenschaften vorhergesagt werden, die maßgeblich für die Bauteilqualität und -leistungsfähigkeit sind, wie etwa die Korngrößenverteilung, das Porenschließungsverhalten und die Schädigungsentwicklung.
Dies ermöglicht eine Prozessauslegung und Stichplanberechnung innerhalb weniger Sekunden von einer Startgeometrie hin zu einer Endgeometrie durch das Kl-Modell 60 basierend auf zumindest einem neuronale Netz.
Zusätzlich können durch die Vorhersage der Temperatur- und Formänderungsverteilung basierend auf dem Kl-Modell 60 die Korngrößenverteilung, das Porenschließungsverhalten sowie die Schädigungsentwicklung etwa mittels herkömmlicher Modelle vorhergesagt werden. Die Prozessauslegung kann somit dahingehend optimiert werden, dass definierte Kriterien für die Bauteilqualität und -leistungsfähigkeit erreicht oder eingehalten werden.
Die Prozessauslegung gemäß der obigen Beschreibung wird zur Steuerung und/oder Regelung und/oder Überwachung des Freiformschmiedeprozesses verwendet, sodass das aus dem Werkstück 2 herzustellende Bauteil möglichst exakt der Prozessauslegung folgt.
Ebenfalls kann während des Prozesses die vorliegende Temperatur- und Formänderungsverteilung im Werkstück 2 nahezu in Echtzeit (beispielsweise mit weniger als 2 Sekunden Verzögerung) berechnet werden, und darauf aufbauend kann auch die aktuelle Korngrößenverteilung, der Porenschluss und die Schädigungsentwicklung bestimmt und gegebenenfalls angezeigt werden. Eine solche Prozessüberwachung kann weiterhin dazu verwendet werden, eine Warnung etwa für den Bediener zu erzeugen, sofern der Prozess voraussichtlich dazu führt, dass das Werkstück den definierten Bereich der Bauteilqualität nicht erreicht. Die Figur 2 zeigt schematisch einen beispielhaften Prozess zur Erstellung sowie Anwendung des Kl-Modells 60 für die Steuereinrichtung 50. Die für das Training des neuronalen Netzes des Kl-Modells 60 notwenige Datenbasis wird hier durch FEM-Simulationen erzeugt.
In einem ersten Schritt S1 erfolgt eine Definition eines multidimensionalen Rasters für die FEM-Simulation(en), wobei hierbei unterschiedliche Parameterbereiche zur Abrasterung, d.h. der zu simulierenden Rasterpunkte des multidimensionalen Gitters möglich sind.
So können hinsichtlich des Geometrietyps beispielsweise gerade Bauteile mit rundem oder eckigem Querschnitt, mehrstufige Wellen, abgesetzte Wellen, gekrümmte Bauteile, tordierte Bauteile usw. sowie Kombinationen aus Geometrievarianten erfasst werden.
Im Hinblick auf den Werkstoff des Werkstücks 2 können Eisenbasiswerkstoffe und Stähle sowie Werkstoffe auf Basis von Aluminium, Titan, Nickel, Kupfer, Zink sowie alternative umformbare Werkstoffe mit Werkstücktemperaturen von -273 °C bis 2800 °C berücksichtigt werden.
In Bezug auf Masse und Abmessung des Bauteiles sind Massen von 0,1 kg bis 5000 t Einsatzgewicht mit Längen von 10 mm bis 120 m und Kantenlängen (bzw. Durchmessern bei runden Querschnitten) von 10 mm bis 25 m umfasst.
Die Schmiedevorrichtung 10 kann als Umformaggregat einen oder mehrere Hämmer mit Schlagenergien von 1 Nm bis 125.000 kNm, Spindelpressen mit Umformenergien von 1 J bis 250.000 kJ sowie hydraulische, servohydraulische oder servomechanische Pressen mit Maximalkräften von 1 kN bis 10.000 MN, Kurbelhebelpressen usw. aufweisen. Als Prozessparameter sind bezogene Stichabnahmen von 0,1 - 90 % pro Hub, Bissbreiten von 1 mm bis 10 m, ggf. Drehwinkel zwischen jedem Hub oder Stich von 0,1 - 180°, Krümmungs- oder Verdrehungswinkel pro Hub von 0,1 - 75° umfasst.
Weiterhin können für die Abrasterung zur Erstellung eines FEM- Simulationsmodells verschiedene Randbedingungen herangezogen werden, umfassend Umgebungstemperaturen von -100 bis +900 °C und Werkzeugtemperaturen von -100 bis +1400 °C.
Die für das Training des neuronalen Netzes des Kl-Modells 60 notwenige Datenbasis wird dann in einem zweiten Schritt S2 durch FEM-Simulationen erzeugt.
Diesbezüglich wird zumindest ein FEM-Simulationsmodell aufgestellt, das den oben genannten Parametern der zu simulierenden Rasterpunkte des multidimensionalen Gitters entspricht. Jeder Punkt in diesem Raster entspricht einer Kombination aus Prozessparametern, die dann mithilfe eines geeigneten Finite-Elemente-Programms (z.B. Simufact, Forge NxT, Deform, Q-Form, o.ä.) für mindestens einen Stich berechnet werden. Eine Simulation kann dabei einen einzelnen oder mehrere Hübe, einen oder mehrere Stiche bis hin zu einer gesamten Schmiedefolge inkl. zwischengeschalteter Wärmebehandlungen umfassen.
Das betrachtete Werkstück 2 wird dabei in 2D mit vorzugsweise mindestens 4 oder in 3D mit vorzugsweise mindestens 8 Knotenpunkten vernetzt. Maximal werden vorzugsweise 10.000.000 bzw. 1.000.000 Knotenpunkte, aus denen das FEM-Gitter besteht, in jeder Simulation verwendet.
Die FEM-Simulation wird gestartet, und nach abgeschlossener Berechnung wird das Simulationsergebnis gespeichert. Die gespeicherten Daten beinhalten insbesondere die Knotenverschiebungen, Temperaturen, Formänderungen (Dehnungen und Schiebungen), Formänderungsinkremente und Formänderungsgeschwindigkeiten. Die so erzeugten Simulationsergebnisse werden, bevorzugt automatisiert, als Datenbank exportiert.
Die Summe aus allen Eingabedaten gepaart mit den jeweils gespeicherten Simulationsergebnissen bildet die Datenbasis für das neuronale Netz.
Hilfreich ist dabei, wenn die Definition der einzelnen FEM-Simulationen derart erfolgt, dass die Anzahl an Elementen und damit die Anzahl an Stützstellen im Modell für alle Simulationen einer Datenbasis möglichst gleich groß sind. Dies ist jedoch nicht zwingend erforderlich.
Die Datenbasis zum Training des neuronalen Netzes besteht somit aus dem multidimensionalen Raster der Prozessparameter inklusive der zugehörigen FEM- Inputparameter, der jeweiligen Definition des FEM-Modells sowie der element- und knotenbasierten Ergebnisse der Simulationen.
In einem dritten Schritt S3 wird das neuronale Netz des Kl-Modells 60 trainiert. Dies erfolgt in einer geeigneten Programmierumgebung auf die erzeugte Datenbasis.
Das neuronale Netz kann beispielsweise als Convolutional Recurrent Neural Network klassifiziert werden, bestehend aus jeweils zumindest einem Convolution Layer und einem Pooling Layer zum Downsampling, mindestens einem Recurrent Layer zur Beschreibung des zeitlichen Verlaufs sowie ggf. zumindest einem Transcription Layer und einem Output Layer. Die exakte Anzahl an Schichten sowie die Anzahl an Neuronen in jeder Schicht werden durch die Größe der Datenbasis und insbesondere die Definition des Finite-Elemente-Modells, d.h. die Anzahl an Elementen und Knoten, bestimmt. Bei der Anwendung des so trainierten neuronalen Netzes, Schritt S4, kann nun ein Eingabepunkt innerhalb des multidimensionalen Gitters verwendet werden, der keinem Rasterpunkt des Gitters entsprechen muss. Zu beachten ist, dass die Datenbasis so gewählt werden sollte, dass keine Punkte außerhalb des Gitters für zukünftige Vorhersagen notwendig sind. Ergebnisse werden zwar auch für solche Punkte erzeugt, die Abweichung zur Realität steigt jedoch mit dem Abstand zum Gitter.
Für jeden Eingabepunkt erzeugt das neuronale Netz anschließend eine Vorhersage für die gewählten Simulationsergebnisse, d.h. zumindest Knotenverschiebungen, Temperaturen, Formänderungen (Dehnungen und Schiebungen), Formänderungsinkremente und Formänderungsgeschwindigkeiten.
Durch das Training anhand der Datenbasis ist das neuronale Netz somit in der Lage, für bisher nicht berücksichtigte Kombinationen von Prozessparametern (bzw. Rasterpunkten) innerhalb kurzer Zeit, beispielsweise innerhalb weniger (<10) Sekunden, ein Ausgabefeld in Form einer Temperatur- und Formänderungsverteilung zu generieren. Die Genauigkeit der Vorhersage liegt innerhalb der Grenzen des Rasters sehr hoch, außerhalb des Rasters sind die Vorhersagen weniger zuverlässig.
Das Ausgabefeld kann genutzt werden, um mithilfe geeigneter Modelle auf Basis der Temperatur- und Formänderungsverteilung Werkstoffeigenschaften vorherzusagen, die maßgeblich für die Bauteilqualität und -leistungsfähigkeit sind. Diese betreffen u.a. die lokale Korngrößenverteilung, das Porenschließungsverhalten und/oder die Schädigungsentwicklung im Bauteil.
Die erzeugten Ergebnisgrößen können beispielsweise mit herkömmlichen Modellen zur Vorhersage von Korngrößen, Schädigungswerten und/oder Porenschluss gekoppelt werden, um so die Leistungsfähigkeit von Bauteilen vorherzusagen und händisch oder automatisiert zu optimieren. Die optimierte Prozessauslegung wird zur Steuerung und/oder Regelung und/oder Überwachung des Freiformschmiedeprozesses (Pressen- und Manipulatorbewegungen) durch die Steuereinrichtung 50 verwendet. Bei Abweichungen vom optimierten Prozess kann eine Neuberechnung und, soweit erforderlich und möglich, eine Kurskorrektur des weiteren Prozesses erfolgen.
Weicht der Prozess so stark von der Vorgabe ab, dass die geforderte Bauteilqualität nicht mehr erreicht werden kann, oder wird eine Wiedererwärmung erforderlich, so kann von der Steuereinrichtung 50 eine entsprechende Warnmeldung ausgegeben werden, auf die eine Bedienperson dann reagieren kann.
Im Weiteren wird ein konkretes Beispiel zur Nachvollziehbarkeit des obigen Prozesses zur Erstellung und Anwendung des Kl-Modells 60 dargelegt:
Es seien geschmiedete, quaderförmige Werkstücke 2 mit Stückgewichten von 100 kg bis 25 t aus Baustählen, einer Startgeometrie im Bereich von 320 mm x 320 mm x 125 mm und 1265 mm x 1265 mm x 2.000 mm sowie fertigen Abmessungen von 160 mm x 160 mm x 500 mm bis 632,5 mm x 632,5 mm x 8.000 mm angenommen, die bei einer Starttemperatur von 1250 °C hergestellt werden.
Kühlt ein Werkstück 2 während der Herstellung auf unter 900 °C ab, ist eine Wiedererwärmung notwendig. Für das Freiformschmieden wird als Schmiedevorrichtung 10 eine hydraulische Presse mit einer maximalen Presskraft von 25 MN angewendet. Die bezogenen Stichabnahmen liegen im Bereich von 3 bis 15 %, und die Bissbreite beträgt 50 bis 250 mm. Die Werkstücke 2 werden zwischen jedem Stich um 90° gedreht. Die Umgebungstemperatur liegt bei ca. 35 °C, und die Werkzeugtemperatur liegt bei ca. 300 °C. Zur Erzeugung der Datenbasis gemäß Schritt S2 werden diese Bereiche der Abmessungen und Prozessparameter sowie die festen Randbedingungen simuliert. Dazu werden jeweils die Randpunkte und 18 weitere, lineare Punkte innerhalb des Parameterspektrums simuliert. Mit jeweils 20 Simulationen pro Variable und als Variable „Startgeometrie“, „Endgeometrie“, „bezogene Stichabnahme“ und „Bissbreite“ ergeben sich 20x20x20x20 = 16.000 Simulationen. Durch physikalisch sinnvolle Eingrenzungen von Start- und Endgeometrie (aus der größten Startgeometrie lässt sich nicht die kleinste Endgeometrie herstellen) und der Bissbreite (die nicht länger als die Gesamtbauteillänge sein kann) lässt sich diese Anzahl auf 10.000 Simulationen reduzieren.
Eine gesamte Prozesssimulation dauert beispielsweise ca. 3 Tage, sodass der Aufwand zunächst sehr groß ist. Da sich jedoch viele Schmiedestiche stark ähneln, lassen sich die Prozesse in ihre einzelnen Stiche zerlegen, wobei jeder Prozess aus 4 bis 40 Stichen besteht. Werden thermisch und geometrisch ähnliche Stiche zusammengefasst, erhält man eine Anzahl von 200.000 Simulationen, die jeweils ca. 30 Minuten Simulationszeit benötigen. Mit einer Gesamtsimulationszeit von 100.000 Stunden (statt 720.0000 Stunden für die ursprünglichen 10.000 Simulationen), wobei prinzipiell beliebig viele dieser Simulationen parallel durchführbar und auswertbar sind, können unter Anwendung eines High Performance Clusters mit beispielsweise 700 Rechenkernen alle Simulationen innerhalb einer Woche automatisch gestartet, berechnet und ausgewertet werden, umfassend das Speichern der Simulationsergebnisse zusammen mit den Eingabeparametern in einer Datenbank derart, dass diese für das anschließende Training des neuronalen Netzes verwendet werden kann.
Die erzeugte Datenbasis wird nun verwendet, um beispielsweise in der Programmiersprache C# ein neuronales Netz zu trainieren, das innerhalb dieses Parameterfeldes innerhalb weniger Sekunden eine Ausgabe erzeugt, die dem Ergebnis einer FEM-Simulation entspricht. Die so generierten Ergebnisse können, wie auch die Ergebnisse der FEM-Simulationen, dazu genutzt werden, die Leistungsfähigkeit der erzeugten Bauteile zu bewerten. Dazu werden bereits existierende Modelle zur Vorhersage der Korngröße, der Schädigung und/oder des Porenschließungsverhaltens genutzt, wobei die geringe Rechenzeit von wenigen Sekunden zur Erzeugung eines Ergebnisses dazu genutzt wird, die Prozessfolgen, insbesondere die Schmiedestrategie aus Pressen- und Manipulatorbewegungen, hinsichtlich einer Maximierung des Porenschließungsverhaltens zu optimieren.
Die auf diese Weise für das gesamte Produktspektrum optimierten Schmiedestrategien werden in der weiteren Produktion zur Steuerung der Schmiedevorrichtung 10 und der Handhabungsvorrichtung 20 verwendet. Bei gelegentlich auftretenden Abweichungen von der Prozessstrategie wird weiterhin innerhalb weniger Sekunden eine angepasste Schmiedestrategie berechnet und die verbleibende Prozessabfolge durch die neu berechnete Abfolge ersetzt. Ergibt die Berechnung, dass die geforderte Bauteilqualität in dieser Hitze nicht mehr erreicht werden kann, wird dem Anlagenbediener der Hinweis gegeben, dass eine Wiedererwärmung erforderlich ist. Für das wiedererwärmte Bauteil wird dann eine wiederum angepasst Schmiedestrategie berechnet, die ein Erreichen der geforderten Bauteilqualität ermöglicht und diese umgesetzt.
Werden Abweichungen von der Prozessstrategie von den vorhandenen Messinstrumenten erfasst, kann eine Anpassung der Schmiedestrategie auch automatisch erfolgen. Messinstrumente können neben den Werkzeugpositionen u.a. auch ein Zeitmesser (für Abweichungen von Pausen- oder Nebenzeiten), eine Kamera zur Positions- und Geometrieerkennung und/oder auch eine Waage sein, falls der Materialverlust zu hoch wird.
In einer Weiterentwicklung des hierin dargelegten Konzepts kann eine Software zur automatischen Erzeugung der Datenbasis (Erstellung, Berechnung und Auswertung der Simulationen) in einem geeigneten Simulationsprogramm entwickelt werden.
Ferner kann ein System zur vereinfachten Erzeugung/Vorhersage und ggf. automatischen Optimierung der Formänderungsverteilungen durch das neuronale Netz (ggf. hinsichtlich eines Ziels, beispielsweise hinsichtlich eines definierten Korngrößenbereichs, einer Maximierung des Porenschlusses oder einer Minimierung der Schädigung) entwickelt werden.
Das hierin dargelegte Kl-Modell 60 unter Anwendung zumindest eines neuronalen Netzes erlaubt eine sehr genaue Vorhersage der Geometrieentwicklung sowie Temperatur- und Formänderungsverteilung für Freiformschmiedeprozesse innerhalb weniger Sekunden. Es kann eine Stichplanberechnung erfolgen, die ebenfalls eine Grundlage zur Vorhersage der Bauteilqualität und - leistungsfähigkeit liefert.
Darauf aufbauend lassen sich u.a. die Korngrößenverteilung, das Porenschließungsverhalten und/oder die Schädigungsentwicklung im Bauteil Vorhersagen und der Prozess hinsichtlich dieser Kriterien gezielt auslegen. Die Stichplanberechnung kann somit definierte Kriterien hinsichtlich der Bauteilqualität und -leistungsfähigkeit berücksichtigen und der Prozess dahingehend optimiert werden.
Eine Rückführung in die Anlagensteuerung ermöglicht eine Durchführung des Prozesses möglichst nahe an der optimierten Prozessauslegung.
Eine Prozessüberwachung kann dem Anlagenbediener weitere Informationen über die Geometrieentwicklung liefern und ermöglicht das Ausgeben von Warnmeldungen, falls der Prozess von der Stichplanberechnung abweicht und somit die Gefahr besteht, dass das Bauteil nicht der geforderten Qualität und Leistungsfähigkeit entspricht. Soweit anwendbar können alle einzelnen Merkmale, die in den Ausführungsbeispielen dargestellt sind, miteinander kombiniert und/oder ausgetauscht werden, ohne den Bereich der Erfindung zu verlassen.
Bezugszeichenliste
1 Anordnung mit Schmiedevorrichtung und Handhabungsvorrichtung
2 Werkstück 10 Schmiedevorrichtung
20 Handhabungsvorrichtung
22 Transportabschnitt
24 Manipulatorabschnitt 50 Steuereinrichtung
60 Kl-Modell

Claims

Patentansprüche
1. Verfahren zur Erstellung und Anwendung eines Kl-Modells (60) für eine Steuereinrichtung (50) zur Steuerung und/oder Regelung und/oder Überwachung eines Schmiedeprozesses, vorzugsweise Freiformschmiedeprozesses, eines Werkstücks (2), wobei das Verfahren aufweist:
Erzeugen einer Datenbasis durch Ausführen zumindest einer Computersimulation, vorzugsweise FEM-Simulation, zumindest eines fiktiven Schmiedeprozesses basierend auf zumindest einem Satz von fiktiven Prozessparametern;
Erstellen des Kl-Modells (60) durch Trainieren eines neuronalen Netzes mittels der erzeugten Datenbasis; und
Anwenden des Kl-Modells (60) durch Eingeben von Prozessparametern des Schmiedeprozesses des Werkstücks (2) in das neuronale Netz, wobei das neuronale Netz des Kl-Modells (60) ein Ausgabefeld generiert, das charakteristisch für das Werkstück (2) ist, vorzugsweise eine Temperatur- und/oder Formänderungsverteilung des Werkstücks (2) umfasst.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass aus dem Ausgabefeld des neuronalen Netzes des Kl-Modells (60) zumindest eine Werkstoffeigenschaft des Werkstücks (2) ermittelt wird, wobei die zumindest eine Werkstoffeigenschaft eine lokale Korngrößenverteilung und/oder ein Porenschließungsverhalten und/oder eine Schädigungsentwicklung im Werkstück (2) umfasst.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Ausgabefeld des neuronalen Netzes des Kl-Modells (60) und/oder die ermittelte zumindest eine Werkstoffeigenschaft des Werkstücks (2) zur Steuerung und/oder Regelung und/oder Überwachung des Schmiedeprozesses herangezogen wird.
4. Verfahren nach einem der vorigen Ansprüche, dadurch gekennzeichnet, dass die Datenbasis für das neuronale Netz durch Finite-Elemente- Modellierung erzeugt wird, indem verschiedene fiktive Prozessparameter variiert und ein multidimensionales Raster der fiktiven Prozessparameter erzeugt werden, so dass jeder Punkt in dem Raster einer Kombination der fiktiven Prozessparameter entspricht.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die fiktiven
Prozessparameter Werkstückabmessungen und/oder
Werkzeugabmessungen und/oder Temperaturen und/oder Pausenzeiten und/oder Stichabnahmen umfassen.
6. Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, dass auf der
Grundlage des definierten Rasters FEM-Simulationen durchgeführt werden, deren Ergebnisse vorzugsweise Knotenverschiebungen und/oder
Temperaturen und/oder Formänderungen und/oder
Formänderungsinkremente und/oder Formänderungsgeschwindigkeiten umfassen.
7. Verfahren nach einem der vorigen Ansprüche, dadurch gekennzeichnet, dass das auf die Datenbasis trainierte neuronale Netz des Kl-Modells (60) das Ausgabefeld für bei der Erstellung der Datenbasis nicht berücksichtigte Kombinationen von Prozessparametern generiert.
8. Anordnung (1 ) mit einer Schmiedevorrichtung (10), vorzugsweise Freiformschmiedepresse, zum Schmieden eines Werkstücks (2), einer Handhabungsvorrichtung (20) zum Befördern und Ausrichten des Werkstücks (2) und einer Steuereinrichtung (50) zur Steuerung und/oder Regelung und/oder Überwachung eines Schmiedeprozesses, der von der Schmiedevorrichtung (10) und Handhabungsvorrichtung (20) durchführbar ist, wobei die Steuereinrichtung (50) ein Kl-Modell (60) mit einem neuronalen Netz umfasst, das eingerichtet ist, um auf Basis von Prozessparametern des Schmiedeprozesses ein Ausgabefeld zu generieren, das charakteristisch für das Werkstück (2) ist, vorzugsweise eine Temperatur- und/oder Formänderungsverteilung des Werkstücks (2) umfasst.
9. Anordnung (1 ) nach Anspruch 8, dadurch gekennzeichnet, dass die Steuereinrichtung (50) eingerichtet ist, um aus dem Ausgabefeld des neuronalen Netzes des Kl-Modells (60) zumindest eine Werkstoffeigenschaft des Werkstücks (2) zu ermitteln, wobei die zumindest eine Werkstoffeigenschaft eine lokale Korngrößenverteilung und/oder ein Porenschließungsverhalten und/oder eine Schädigungsentwicklung im Werkstück (2) umfasst.
10. Anordnung (1 ) nach Anspruch 8 oder 9, dadurch gekennzeichnet, dass die Steuereinrichtung (50) eingerichtet ist, um das Ausgabefeld des neuronalen Netzes des Kl-Modells (60) und/oder die ermittelte zumindest eine Werkstoffeigenschaft des Werkstücks (2) zur Steuerung und/oder Regelung und/oder Überwachung des Schmiedeprozesses heranzuziehen.
PCT/DE2025/100094 2024-01-25 2025-01-22 Ki-modell zur steuerung und/oder regelung eines schmiedeprozesses Pending WO2025157355A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102024200662.9 2024-01-25
DE102024200662.9A DE102024200662A1 (de) 2024-01-25 2024-01-25 KI-Modell zur Steuerung und/oder Regelung eines Schmiedeprozesses

Publications (1)

Publication Number Publication Date
WO2025157355A1 true WO2025157355A1 (de) 2025-07-31

Family

ID=94481024

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2025/100094 Pending WO2025157355A1 (de) 2024-01-25 2025-01-22 Ki-modell zur steuerung und/oder regelung eines schmiedeprozesses

Country Status (2)

Country Link
DE (1) DE102024200662A1 (de)
WO (1) WO2025157355A1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020106725A1 (en) * 2018-11-20 2020-05-28 Relativity Space, Inc. Real-time adaptive control of manufacturing processes using machine learning

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021121264A1 (de) * 2021-08-16 2023-02-16 Rheinisch-Westfälische Technische Hochschule (RWTH) Aachen, Körperschaft des öffentlichen Rechts System zum Darstellen innerer Belastungszustände eines mechanischen Bauteils

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020106725A1 (en) * 2018-11-20 2020-05-28 Relativity Space, Inc. Real-time adaptive control of manufacturing processes using machine learning

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CAO JIAN ET AL: "Artificial intelligence in metal forming", CIRP ANNALS, ELSEVIER BV, NL, CH, FR, vol. 73, no. 2, 1 January 2024 (2024-01-01), pages 561 - 587, XP087585347, ISSN: 0007-8506, [retrieved on 20240604], DOI: 10.1016/J.CIRP.2024.04.102 *
KIM D.J. ET AL: "Application of neural network and FEM for metal forming processes", INTERNATIONAL JOURNAL OF MACHINE TOOLS AND MANUFACTURE, vol. 40, no. 6, 1 May 2000 (2000-05-01), AMSTERDAM, NL, pages 911 - 925, XP093269994, ISSN: 0890-6955, DOI: 10.1016/S0890-6955(99)00090-5 *
RUDOLPH, F.WOLFGARTEN, M.KERAY, V.HIRT, G.: "Forming the Future: Proceedings of the 13th International Conference on the Technology of Plasticity", 2021, SPRINGER INTERNATIONAL PUBLISHING, article "Optimization of Open-Die Forging Using Fast Models for Strain, Temperature, and Grain Size in the Context of an Assistance System", pages: 1145 - 1159
SHIVADITYA MEDURI VENKATA ET AL: "Graph Neural Network-based Surrogate Models for Finite Element Analysis", 2022 21ST INTERNATIONAL SYMPOSIUM ON DISTRIBUTED COMPUTING AND APPLICATIONS FOR BUSINESS ENGINEERING AND SCIENCE (DCABES), IEEE, 14 October 2022 (2022-10-14), pages 54 - 57, XP034291630, [retrieved on 20230209], DOI: 10.1109/DCABES57229.2022.00035 *
WOLFGARTEN, M.ROSENSTOCK, D.RUDOLPH, F.HIRT, G.: "New approach for the optimization of pass-schedules in opendie forging", INTERNATIONAL JOURNAL OF MATERIAL FORMING, vol. 12, 2019, pages 973 - 983, XP036935902, DOI: 10.1007/s12289-019-01471-w

Also Published As

Publication number Publication date
DE102024200662A1 (de) 2025-07-31

Similar Documents

Publication Publication Date Title
DE4008510A1 (de) Regeleinheit mit optimal-entscheidungsmitteln
DE112019001512T5 (de) EINSPRITZGIEßMASCHINENSYSTEM
EP3479178B1 (de) Simulations-basierte regelung eines fertigungssystems unter beruecksichtigung eines vorab berechneten verarbeitungsfensters
EP4150419B1 (de) System und verfahren zur steuerung einer aus mehreren anlagenteilen bestehenden produktionsanlage, insbesondere einer produktionsanlage zur erzeugung von industriegütern wie metallischem halbzeug
DE102012112019A1 (de) Simulationsvorrichtung zur Schätzung der Lebensdauer eines Roboter-Untersetzungsgetriebes
DE102017127098B4 (de) Gerät und Verfahren zum Annehmen eines Anormalitätsauftretens für Teleskopabdeckung
EP3095533B1 (de) Verfahren für das richten von metallischen teilen
EP3642372B2 (de) Verfahren zum betreiben eines glühofens
DE102019214548A1 (de) Steuervorrichtung und steuerverfahren
EP4308329A1 (de) Verfahren zur additiven herstellung eines bauteils
DE102019208922A1 (de) Verfahren und Vorrichtung zum Kontrollieren eines Produktionsprozesses
DE102018208782B4 (de) Verfahren zur Qualitätssicherung bei der Produktion eines Produktes sowie Recheneinrichtung und Computerprogramm
WO2023225696A1 (de) Optimieren einer numerischen steuerung einer werkzeugmaschine
DE102024200662A1 (de) KI-Modell zur Steuerung und/oder Regelung eines Schmiedeprozesses
EP4597242A1 (de) Verfahren und system zum walzrunden eines blechs
DE102024123550B3 (de) Verfahren zum Hartfeinbearbeiten eines Werkstücks mit einer Verzahnung oder einem Profil auf einer Hartfeinbearbeitungsmaschine
EP4130656B1 (de) Vorbereitung der auswertung von stichproben von messwerten einer messgrösse aus einer vermessung einer vielzahl von werkstücken durch ein oder mehrere koordinatenmessgeräte
DE102024203793A1 (de) KI-Modell zur Steuerung und/oder Regelung eines Ringwalzprozesses
EP4130895A1 (de) Verfahren zum ermitteln eines steuerparameters zum steuern einer walzanlage
DE112009005232T5 (de) Intelligente Vorrichtung und Verfahren zur Kompensation des Werkzeugschieberdurchgangs beiWerkzeugmaschinen
EP4311606B1 (de) Verfahren zur regelung einer walzstrasse sowie walzstrasse
DE102022207121A1 (de) Prozessmonitor für das Freiformschmieden
DE102024116384A1 (de) Verfahren zur Herstellung von Bauteilen sowie Produktionsanlage
DE102019100636A1 (de) Verfahren zur kapazitätsgrenzenermittlung, vorrichtung zur datenverarbeitung und computerprogramm
WO2021110300A1 (de) Verfahren und computersystem zur vorhersage einer schrumpfung eines gegossenen metallproduktes

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 25703375

Country of ref document: EP

Kind code of ref document: A1