Citation Link: https://doi.org/10.25819/ubsi/11003
Transformation des Profilbiegeprozesses: Flexibilisierung durch synthetische Daten und maschinelles Lernen
Publication Type
InProceedings
Author(s)
Subjects
Profilbiegen
Prozessflexibilisierung
Synthetische Daten
Finite-Elemente-Simulation
Maschinelles Lernen
Prozessregelung
DDC
620 Ingenieurwissenschaften und zugeordnete Tätigkeiten
GHBS-Clases
Source
Engel, Bernd (Hrsg.): Datengestützte Umformtechnik: Künstliche Intelligenz zwischen Prozesswissen, Regelung und Produktionsrealität : Tagungsband zum 7. Biegeforum Siegen : 05.-10. März 2026. Siegen: universi - Universitätsverlag Siegen, 2026. - ISBN 978-3-96182-237-9, DOI https://doi.org/10.25819/ubsi/10982 (S. 107-122)
Date Issued
2026
Abstract
Das Drei-Rollen-Profilbiegen ist ein flexibles Fertigungsverfahren, das im Spannungsfeld von manueller Expertise und den Anforderungen der Digitalisierung und Automatisierung steht. Der Prozess, der in der Herstellung von Komponenten für den Transport- und Architekturbereich sowie in der Einzel- und Sonderteilefertigung eingesetzt wird, ist bislang stark von der manuellen Expertise des Bedienpersonals abhängig. Flexible Geometrien mit kontinuierlichen Radienverläufen lassen sich auf klassischen Maschinen derzeit nur sehr schwer reproduzierbar herstellen. Mit zunehmendem Fachkräftemangel und wachsender Variantenvielfalt entsteht daher ein Bedarf an datengetriebenen Strategien, die eine reproduzierbare und adaptive Prozessführung ermöglichen. Ziel ist die Entwicklung einer datengetriebenen Methodik zur automatisierten Generierung und Adaption von Zustellkurven für flexible Geometrien mittels Maschinellen Lernens. Dies wird durch die gezielte Kombination von synthetisch generierten Geometriedaten aus Finite-Elemente-Simulationen und zufällig erzeugten Zustellkurven erreicht. Durch das Training von Machine-Learning-Modellen entstehen digitale Zwillinge, die eine Grundlage der adaptiven Prozessregelung bilden, indem Abweichungen zwischen Soll- und Ist-Geometrie prinzipiell erkannt und Korrekturen abgeleitet werden können. Erste Ergebnisse demonstrieren die Fähigkeit neuronaler Netze, die komplexen, nicht-linearen Zusammenhänge zwischen der Zustellung der Rolle, den Materialeigenschaften und der resultierenden Krümmung präzise abzubilden. Diese prädiktive Fähigkeit bildet die Grundlage für eine selbstlernende, adaptive Prozessregelung, die den Profilbiegeprozess effizient an variable Randbedingungen anpasst und so die Prozessflexibilität, Bauteilqualität und Wirtschaftlichkeit signifikant steigert.
Subjects
Profilbiegen
Prozessflexibilisierung
synthetische Daten
Finite-Elemente-Simulation
maschinelles Lernen
Prozessregelung
License
Creative Commons license
File(s)![Thumbnail Image]()
Loading...
Name
Schumann_Transformation_des_Profilbiegeprozesses.pdf
Size
2.1 MB
Format
Adobe PDF
Checksum
(MD5):49ceeb8cfa060338c9c795659b0c5383
Owning collection