Automatisierung der Verarbeitung heterogener Daten für eine datengetriebene Werkzeugauslegung von Stanzbiegeprozessen mittels Asset Administration Shell

Abstract

Die Asset Administration Shell (AAS) gilt als ein vielversprechender Ansatz für die industrielle Umsetzung eines digitalen Zwillings und somit für eine Erhöhung des Automatisierungsgrades. Eine innovative Anwendung der AAS stellt hierbei die hybride, datengetriebene Werkzeugauslegung von Umformprozessen dar. Der hybride Ansatz bezieht hierbei neben klassischen Modelldaten ebenfalls reale Prozessdaten sowie Erfahrungswissen mit ein. Hierdurch entsteht ein heterogener Datensatz, bestehend aus einer hohen Anzahl an Daten mit unterschiedlichen Modalitäten. Dieser Beitrag untersucht anhand des Stanzbiegeprozesses eine Automatisierungsarchitektur mittels AAS-Einbindung, die die heterogenen Datensätze automatisiert akquiriert, verarbeitet und maschinenlesbar zur Verfügung stellt. Hierdurch wird einem Machine Learning Modul ermöglicht, die Wirkzusammenhänge zwischen Prozessparametern und Messdaten zu erlernen und anhand dessen eine optimierte Werkzeugauslegung für spezifische Produktgeometrien auszugeben. Ein Fokus liegt auf der Schnittstelle der heterogenen Prozessdatenrepräsentation, mit der sowohl Anwender als auch ML-Modul interagieren. Diesbezüglich werden zwei Ansätze analysiert und hinsichtlich ihrer Performanz sowie Skalierbarkeit bewertet, um so die Basis für ein anwenderorientiertes Assistenzsystems zur Werkzeugauslegung für Umformprozesse zu bilden.