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.
Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:88292 |
Date | 28 November 2023 |
Creators | Wang, Qinwen, Seitz, Johannes, Lafarge, Rémi, Kuhlenkötter, Bernd, Brosius, Alexander |
Publisher | Technische Universität Dresden |
Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
Language | German |
Detected Language | German |
Type | doc-type:conferenceObject, info:eu-repo/semantics/conferenceObject, doc-type:Text |
Rights | info:eu-repo/semantics/openAccess |
Relation | 05, urn:nbn:de:bsz:14-qucosa2-882872, qucosa:88287, urn:nbn:de:bsz:14-qucosa2-882939, qucosa:88293 |
Page generated in 0.0023 seconds