Entwicklung eines selbstlernenden Assistenzsystems zur automatischen Akquisition von konstruktionsrelevantem Fertigungswissen

Produktbeschreibung

Abstract
Companies within different industries have to face several key challenges, among whichthe demand for shortening the time-to-market whilst decreasing costs and the strong indiviuality and dynamic of globalized markets are highlighted. In order to overcome those challenges companies not only have to optimize their products but also the underlying product development and manufacturing processes. The objective from engineering design point of view is the exchange of design-relevant manufacturing knowlegde between both
disciplines as early as possible. Especially for newly emerging manufacturing technologies common knowledge acquisition methods to assist such knowledge exchange processes fail. This thesis proposes an approach for a self-learning engineering assistance system (referred to as Slassy) for the automatic acquisition of design-relevant manufacturing knowledge. Such knowledge is represented in terms of so-called metamodels. In the context of this thesis a metamodel is capable of predicting manufacturing process related parameter such as forming force, equivalent plastic strain, sheet thinning (and thickening) or forming tool cavity filling. The prediction depends on design related parameters such as lengths, widths, heights or angles of geometric design features. Design features that are considered in this work are for example toothings, straps or tapets. The self-learning process incorporated in Slassy’s knowledge acquisition component is based on two core items: the robust optimization and performance estimation of different metamodels and a two-step inference mechanism. The former is referred to as ROPE process and ensures that the prediction quality of all metamodels is robust and reliably estimated. It facilitates methods from the field of knowledge discovery in databases (KDD). The latter enables Slassy to chose the most suitable metamodel, that is, the prediction quality of the chosen metamodel is significantly better than the remaining. This metamodel is incorporated in Slassy’s knowledge base. Hence, Slassy can assist design engineers during the analysis of design concepts in terms of design-for-manufacture, an important aspect in the field of design for X (DfX). The emerging manufacturing technology sheet-bulk metal forming (SBMF) creates the background for the concluding use case. Data from an exemplary SMBF process development is analysed by means of KDD methods and a set of metamodels is derived with the developed ROPE process. The selection of the most suitable metamodel by the prototypically implemented Slassy is comprehended. Afterwards the prediction of relevant manufacturing process parameters with Slassy is shwon. By enabling the prediction of these process parameters the number of time-consuming iterations between product and manufacturing process developement can be reduced.

Inhaltsverzeichnis

Nomenklatur VIII
Abstract XI
1 Einleitung 1
1.1 Problemstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Zielsetzungen und Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . 4
2 Wissenschaftliche Grundlagen und Stand der Forschung 6
2.1 Konstruieren als wissensintensive Tätigkeit . . . . . . . . . . . . . . . . . . 6
2.1.1 Der Konstruktionsprozess . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.2 Wissen im Konstruktionsprozess . . . . . . . . . . . . . . . . . . . . 9
2.1.3 Wissensstrukturierung . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.4 Wissensakquisition . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Wissensbasierte Systeme in der Produktentwicklung . . . . . . . . . . . . . 18
2.2.1 Wissensbasiertes Konstruieren . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 Die Technologie der wissensbasierten Systeme . . . . . . . . . . . . 23
2.2.3 Beispiele wissensbasierter Konstruktionssysteme . . . . . . . . . . . 26
2.3 Analyse der Fertigungsgerechtheit . . . . . . . . . . . . . . . . . . . . . . . 34
2.3.1 Fertigungsgerechtheit im Kontext des Design for X . . . . . . . . . 34
2.3.2 Geometriebasierte Design for Manufacture Analysen . . . . . . . . . 36
2.3.3 Rechnerunterstützung durch Prozesssimulation . . . . . . . . . . . . 39
2.4 Wissensentdeckung in Datenbanken – KDD . . . . . . . . . . . . . . . . . . 41
2.4.1 Der KDD Prozess nach Fayyad . . . . . . . . . . . . . . . . . . . . 42
2.4.2 Darstellung der KDD-Prozessschritte . . . . . . . . . . . . . . . . . 43
2.5 Einsatz von KDD im Produktentstehungsprozess . . . . . . . . . . . . . . . 49
2.5.1 KDD in der Anforderungsanalyse . . . . . . . . . . . . . . . . . . . 49
2.5.2 Wissensbasierte Schichtentwicklung . . . . . . . . . . . . . . . . . . 51
2.5.3 Stochastische Analysen in der Feinschneid-Methodenplanung . . . . 53

3 Die Blechmassivumformung als Anwendungskontext 55
3.1 Die Blechmassivumformung aus Sicht der Fertigungstechnologie . . . . . . 55
3.2 Bedeutung der Blechmassivumformung für die Produktentwicklung . . . . 58
3.3 Klassifikation von Nebenformelementen der Blechmassivumformung . . . . 61
4 Ableiten des Handlungsbedarfs 66
4.1 Fazit zum Stand der Forschung . . . . . . . . . . . . . . . . . . . . . . . . 66
4.2 Anforderungen an ein verbessertes Konzept . . . . . . . . . . . . . . . . . . 68
5 Der Selbstlernprozess 69
5.1 Vorüberlegung zum Begriff Selbstlernen . . . . . . . . . . . . . . . . . . . . 69
5.1.1 Menschliches Lernen . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.1.2 Übertragung auf die Problemstellung . . . . . . . . . . . . . . . . . 72
5.2 Statistisch robuste Performanzbestimmung . . . . . . . . . . . . . . . . . . 76
5.3 Überwachtes Lernen und Optimieren der Metamodelle . . . . . . . . . . . 79
5.4 Auswahl des bestgeeigneten Metamodells . . . . . . . . . . . . . . . . . . . 82
5.4.1 Analyse der Varianzen . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4.2 Durchführung des post-hoc Tests . . . . . . . . . . . . . . . . . . . 88
6 Das selbstlernende Assistenzsystem Slassy 89
6.1 Integration in das Arbeitsumfeld der Benutzer . . . . . . . . . . . . . . . . 89
6.2 Die Komponenten und ihr Zusammenwirken . . . . . . . . . . . . . . . . . 92
6.3 Die Selbstlernkomponente . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.3.1 Auswahl der eingesetzten Metamodelle . . . . . . . . . . . . . . . . 95
6.3.2 Vorverarbeitung der Daten . . . . . . . . . . . . . . . . . . . . . . . 101
6.3.3 Automatische Attributselektion . . . . . . . . . . . . . . . . . . . . 103
6.3.4 Umsetzung des ROPE-Prozesses . . . . . . . . . . . . . . . . . . . . 104
6.3.5 Selektion des bestgeeigneten Metamodells . . . . . . . . . . . . . . 109
6.3.6 Weitere Umsetzung des Selbstlernprozesses . . . . . . . . . . . . . . 110
6.4 Das Synthesewerkzeug . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.4.1 Bereitstellung der Hauptformelemente . . . . . . . . . . . . . . . . 112
6.4.2 Bereitstellung der Nebenformelemente . . . . . . . . . . . . . . . . 114
6.4.3 Erzeugung eines Bauteilentwurfs . . . . . . . . . . . . . . . . . . . . 116
6.5 Das Analysewerkzeug . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
6.5.1 Verarbeitung des Konstruktionswissens . . . . . . . . . . . . . . . . 118
6.5.2 Ergebnisdarstellung und Erklärungskomponente . . . . . . . . . . . 120

6.6 Das Produkt- und Prozessdatenmodell . . . . . . . . . . . . . . . . . . . . 121
6.6.1 Die multidimensionale Daten- und Wissensbasis . . . . . . . . . . . 121
6.6.2 Strukturierung der Produkt- und Prozessdaten . . . . . . . . . . . . 123
6.6.3 Operative Integration der Produkt- und Prozessdaten . . . . . . . . 128
7 Anwendungsbeispiel: Tiefziehen-Querfließpressen 131
7.1 Integration des Bauteils in Slassy . . . . . . . . . . . . . . . . . . . . . . . 131
7.1.1 Aufbau des Hauptformelements Napf . . . . . . . . . . . . . . . . . 132
7.1.2 Aufbau des Nebenformelements Sperrverzahnung . . . . . . . . . . 133
7.1.3 Synthese des Bauteilmodells . . . . . . . . . . . . . . . . . . . . . . 134
7.2 Erhebung der Fertigungsdaten . . . . . . . . . . . . . . . . . . . . . . . . . 135
7.2.1 Auswahl der relevanten Parameter und Entwicklung des Versuchsplans136
7.2.2 Durchführung der Parameterstudie und Auswertung . . . . . . . . . 139
7.3 Verarbeitung der Daten in der Selbstlernkomponente . . . . . . . . . . . . 141
7.3.1 Import und Vorbehandlung der Daten . . . . . . . . . . . . . . . . 141
7.3.2 Automatische Attributselektion . . . . . . . . . . . . . . . . . . . . 142
7.3.3 Durchlaufen des ROPE-Prozesses . . . . . . . . . . . . . . . . . . . 143
7.3.4 Modellauswahl und -evaluierung . . . . . . . . . . . . . . . . . . . . 145
7.4 Analyse des Bauteilentwurfs . . . . . . . . . . . . . . . . . . . . . . . . . . 151
8 Zusammenfassung und Ausblick 154
Anhang 157
Literaturverzeichnis 164

Keywords: Entwicklung, automatische Akquisition, Fertigung, Design for X, Fertigungsgerechtes Konstruieren, Blechmassivumformung, Data Mining, Selbstlernen, Automatische Wissensakquisition, Assistenzsysteme, Entwicklung, automatische Akquisition, Fertigung, Design for X, Fertigungsgerechtes Konstruieren, Blechmassivumformung, Data Mining, Selbstlernen, Automatische Wissensakquisition, Assistenzsysteme