Thesis (M.S.)--Ohio University, June, 1985. / Title from PDF t.p.

Thesis (M.S.)--Ohio University, November, 1996. / Title from PDF t.p.

Thesis (Ph. D.)--Ohio University, November, 2002. / Title from PDF t.p. Includes bibliographical references (leaves 164-171).

Thesis (Ph. D.)--Ohio University, June, 1998. / Title from PDF t.p.

Thesis (Ph. D.)--Ohio University, March, 2004. / Includes bibliographical references (leaves 140-148).

No description available.

In this study, a novel incremental ring rolling process used in production of rings with various cross sections is examined. A basic type of this process is investigated numerically, using commercial finite element programs / MSC Superform, MSC Marc. The user defined subroutines are also utilized for flexibility in modeling. The aim of modeling is to determine the material flow for geometrical analysis, strain/stress distribution for tool force analysis and residual stresses, in a cost effective way. The process has instabilities and requires large number of incremental stages to complete a full finite element simulation. The full models are reliable but costly hence the numerical studies are focused on reliable simplified models with lower computation time. Different approaches are developed: three-dimensional segment model, improved segment model, velocity coupling model. The results of these models are compared with experimentally verified full models. Numerical parameters such as mesh type, step size, convergence ratio are examined. After verification of the model different applications to of the process is developed and physical parameters affecting the process are discussed / such as the tool path .

Die Reduzierung von Ausschuss und unnötiger Nacharbeit ist ein elementares Ziel der Fertigungsindustrie. Mit der zunehmenden Datenverfügbarkeit und den Entwicklungen auf dem Gebiet der künstlichen Intelligenz (KI) für industrielle Anwendungen, wird auch im Bereich des Radial-Axial Ringwalzens (RAW) der Einsatz des maschinellen Lernens (ML) eruiert. Die Anwendungen hier sind beispielsweise die Prozessauslegung oder die Vorhersage der Ringqualität [1]. Allerdings ist die Genauigkeit dieser Vorhersagen derzeit noch durch die Menge und Qualität der Daten begrenzt [2]. Um das überwachte Lernen zur Vorhersage der Ringqualität anzuwenden, muss eine umfangreiche Datenbasis für Gut- und Ausschussteile erzeugt werden. Eine Möglichkeit, bestehende Datenbasen zu erweitern, besteht in der Nutzung von Prozesssimulationen zur Generierung synthetischer Daten. Im Bereich des Warmringwalzens gibt es jedoch derzeit keine schnelle Simulationsmethode, mit der eine ausreichend große synthetische Datenbank von gewalzten Teilen mit Form- oder Prozessfehlern generiert werden kann. Die Forschung zum Transferlernen zwischen verschiedenen Walzwerken und Datensätzen hat die neuartige Idee hervorgebracht, das Kaltringwalzen als Untersuchungsgegenstand heranzuziehen [2]. Im Folgenden wird untersucht, inwieweit das Kaltringwalzen, als ähnlicher Prozess, für die zukünftige Übertragung von Modellen und Ergebnissen auf das RAW verwendet werden kann. Im Vergleich zum RAW wird die Umformung beim Kaltringwalzen nur durch zwei Radialwalzen erreicht und der Prozess wird bei Raumtemperatur durchgeführt. Diese vereinfachte Verfahrensweise erlaubt es, ein halb-analytisches Modell zu entwickeln, das im Vergleich zu herkömmlichen FEM-Ansätzen, bei akzeptabler Genauigkeit, viel weniger Berechnungszeit erfordert. Zudem ermöglichen die geringere Ringgröße und der einfachere Walzprozess die Durchführung umfangreicher Forschungswalzungen zur Überprüfung der Qualität der synthetischen Daten.

Reducing scrap products and unnecessary rework has always been a goal of the manufacturing industry. With the increasing data availability and the developments in the field of artificial intelligence (AI) for industrial applications, machine learning (ML) has been applied to radial-axial ring rolling (RARR) to predict product quality [1]. However, the accuracy of these predictions is currently still limited by the quantity and quality of the data [2]. In order to apply supervised learning to predict part quality and possible scrap parts, there must be plenty of datasets logged for both good and scrap parts. One suitable way to increase the number of datasets is to utilize simulation strategies to generate synthetic datasets. However, in the hot ring rolling field, there is no fast simulation method that can be used to generate a sufficiently large synthetic database of rolled parts with form or process errors. The research on transfer learning between different mills and datasets has offered a new idea of taking a cold ring rolling process as the object of study [2]. Next it will investigate the extent to which the cold ring rolling can be used as a similar process for future transfer of models and results to radial-axial ring rolling. Compared to RARR, the cold ring rolling is a process under room temperature and contains complete radial forming instead of simultaneous forming in the radial and axial directions. The simpler forming mechanism makes it possible to build a semi-analytical model, which takes much less time compared to conventional FEMapproaches under acceptable accuracies. Furthermore, the smaller ring geometry, simplified rolling process and reduced energy consumption mean that in-house experiments can be conducted to verify the quality of the synthetic data based on confidence intervals.

Anwendung von maschinellen Lernverfahren (ML) in der Produktionstechnik, in Zeiten der Industrie 4.0, stark angestiegen. Insbesondere die Datenverfügbarkeit ist an dieser Stelle elementar und für die erfolgreiche Umsetzung einer ML-Applikation Voraussetzung. Falls für eine gegebene Problemstellung die Datenmenge oder -qualität nicht ausreichend ist, können Techniken, wie die Datenaugmentierung, der Einsatz von synthetischen Daten sowie das Transferlernen von ähnlichen Datensätzen Abhilfe schaffen. Innerhalb dieser Ausarbeitung wird das Konzept des Transferlernens im Bereich das Radial-Axial Ringwalzens (RAW) angewendet und am Beispiel der Zeitreihenprognose des Außendurchmessers über die Prozesszeit durchgeführt. Das Radial-Axial Ringwalzen ist ein warmumformendes Verfahren und dient der nahtlosen Ringherstellung.