Prädiktionsgüte der Rückfederung in der Blechbearbeitung/Prediction quality of springback in sheet metal working – A comparative study of machine learning models

Peter Lange; Philipp Kurrle; Ulrike Pado

doi:10.37544/1436-4980-2024-03-78

Peter Lange, Philipp Kurrle, Ulrike Pado, Prädiktionsgüte der Rückfederung in der Blechbearbeitung/Prediction quality of springback in sheet metal working – A comparative study of machine learning models in:

wt Werkstattstechnik online , Seite 106 - 111

Alle Ausgaben: wt Werkstattstechnik online

wt Jahrgang 114 (2024) Heft 03

CC-BY Vollzugriff

doi.org/10.37544/1436-4980-2024-03-78
ISSN print: 1436-4980
ISSN online: 1436-4980
VDI fachmedien, Düsseldorf VDI fachmedien, Düsseldorf

Jetzt lesen

Zusammenfassung

In der Online-Zeitschrift für Forschung und Entwicklung in der Produktion – wt Werkstattstechnik online – werden die aktuellsten Forschungsergebnisse aus Wissenschaft, Technischer Hochschule und Industrie veröffentlicht - praxisbezogen und zukunftsorientiert. Die wt Werkstattstechnik online erscheint inklusive neun produktionsspezifischen Ausgaben pro Jahr unter der Internetadresse www.werkstattstechnik.de. Die in der wt Werkstattstechnik veröffentlichten Fachaufsätze sind wissenschaftlich-methodisch aufbereitet und grundsätzlich Erstveröffentlichungen. Viele Fachaufsätze sind peer-reviewed: von Experten auf diesem Gebiet – anonym sowie unabhängig von den Autoren – wissenschaftlich begutachtet und freigegeben. Die wt Werkstattstechnik online ist Organ der VDI-Gesellschaft Produktion und Logistik (GPL) sowie der wissenschaftlichen Gesellschaft für Produktionstechnik (WGP).

Kapitel Ausklappen | EinklappenAutorenSeiten
1–5 Titelei/Inhaltsverzeichnis 1–5
34–111 Titelthema Aufsatz 34–111
- 34–39 Vernetzte Produktion im 3D-Druck/Digital production for 3d-printing – Digital traceability of feedstock and process data for powder-based additive manufacturing Björn Ringel, Annemarie Raber, Mario Luber, Ludwig Trauner, Georg Schlick, Johannes Schilp, Joachim Berlak Björn Ringel, Annemarie Raber, Mario Luber, Ludwig Trauner, Georg Schlick, Johannes Schilp, Joachim Berlak 34–39
- 40–45 Anwendung des Process Data Twin/Application of Process Data Twin Andreas Leinenbach, Marcel Wagner, Fabio Oettl, Johannes Schilp Andreas Leinenbach, Marcel Wagner, Fabio Oettl, Johannes Schilp 40–45
- 46–51 Kollaborative Fabrikplanung mit Augmented Reality/Collaborative factory planning with augmented reality – Approach for integrating factory employees into model-based layout planning Matthäus Birkle, Bernhard Voringer, Franziska Wagner, Julian Böck, Jörg Riegel, Olivia Bernhard, Janna Gaede, Sebastian Dir Matthäus Birkle, Bernhard Voringer, Franziska Wagner, Julian Böck, Jörg Riegel, Olivia Bernhard, Janna Gaede, Sebastian Dir 46–51
- 52–58 Auswahlmethode für bedarfsgerechte Assistenzroboter/Method for selecting a needs-based assistance robot Albrecht Lottermoser, Sophia Parpoulas, Stefan Zeller, Julia Berger Albrecht Lottermoser, Sophia Parpoulas, Stefan Zeller, Julia Berger 52–58
- 59–65 Digitale Arbeitsmodelle und Methoden/Digital work models and methods – Transparency for the use of occupational exoskeletons as an ergonomic measure Mirjam Holl, Mark Tröster, Rebecca Rack, Urban Daub, Urs Schneider, Thomas Bauernhansl, Gerald Müller Mirjam Holl, Mark Tröster, Rebecca Rack, Urban Daub, Urs Schneider, Thomas Bauernhansl, Gerald Müller 59–65
- 66–70 Methodik zum effizienten Einsatz von Sprachsteuerung/Methodology for the efficient use of voice control Marvin Norda, Jens-E. Appell, Carsten Sven Lange, Axel Hahn Marvin Norda, Jens-E. Appell, Carsten Sven Lange, Axel Hahn 66–70
- 71–77 EcoHub: Datenbasierte Nachhaltigkeitsoptimierung/EcoHub: An enterprise database for production and process data to improve sustainability – Potential for digitizing sustainability management Raphaela Camargo Garcia, David Koch, Sebastian Schmid, Ralf Tesch, Marc Runde, Julia Brandt, Annalena Präger Raphaela Camargo Garcia, David Koch, Sebastian Schmid, Ralf Tesch, Marc Runde, Julia Brandt, Annalena Präger 71–77
- 78–81 Demand Side Management bis zur Anlage/Demand side management right down to the plant Ragnar Lodwig, Fabian Stetter Ragnar Lodwig, Fabian Stetter 78–81
- 82–87 Kollaborative Geschäftsmodelle im Maschinenbau/Collaborative business models in mechanical engineering – Methodology for conceptual design of collaborative industrial product service systems Alexander Renz, Joachim Heidelbach, Jan Lukas Schmitt, Stephan Nebauer, Fatma Aydin, Carina Galante, Stephan Altmann Alexander Renz, Joachim Heidelbach, Jan Lukas Schmitt, Stephan Nebauer, Fatma Aydin, Carina Galante, Stephan Altmann 82–87
- 88–93 CARA: Mensch-Roboter-Kollaboration leichter umsetzen/CARA: Making human-robot collaboration easier to implement – Automation for functional safety Mohamed El-Shamouty, Mrunal Sompura, Theo Jacobs Mohamed El-Shamouty, Mrunal Sompura, Theo Jacobs 88–93
- 94–99 Formwerkzeuge für Faserkunststoffverbunde/Reconfigurable molds for fiber-reinforced-plastics – Development of a robot-based adaptable molding tool for fiber-reinforced plastics Max Mages, Tim Mayer Max Mages, Tim Mayer 94–99
- 100–105 Gefügeeinstellung mittels Schmieden im Mehrfachhub/Microstructure adjustment by forging in multiple strokes - Increasing the degree of freedom during hot forming enables individual component properties Martin Feistle Martin Feistle 100–105
- 106–111 Prädiktionsgüte der Rückfederung in der Blechbearbeitung/Prediction quality of springback in sheet metal working – A comparative study of machine learning models Peter Lange, Philipp Kurrle, Ulrike Pado Peter Lange, Philipp Kurrle, Ulrike Pado 106–111

Zusammenfassung

Die Rückfederung ist ein für die Fertigungsgenauigkeit maßgeblicher Parameter bei Biegeprozessen. In dieser Studie wurde die Eignung von maschinellen Lernmethoden zur Vorhersage der Rückfederung geprüft und die Prädiktionsgüte der Vorhersagen evaluiert. Für den betrachteten Datensatz konnte die Rückfederung beim Biegen von Stahlblechen mit hoher Genauigkeit vorhergesagt werden. Für verschiedene Einsatzszenarien empfehlen sich verschiedene Lernmethoden und für den Gesamterfolg des Einsatzes von maschinellem Lernen erweist sich die Qualität der Trainingsdaten als ausschlaggebend.

Abstract

The springback parameter is crucial for the manufacturing accuracy in bending processes. This study examined the suitability of machine learning methods for springback prediction and evaluated the accuracy of the predictions. It was possible to predict springback in bending of steel sheets with high accuracy for a given dataset. It turns out that different use scenarios require different learning methods and that the quality of training data is crucial for overall success when using machine learning methods.

[1] Stahl, B.: Digital Transformation in the Manufacturing Sector – Tackling Business and Technology Challenges. Dissertation, Universität Bayreuth, 2023
[2] Hoffmann, H.; Neugebauer, R.; Spur, G. (Hrsg.): Handbuch Umformen. München: Carl Hanser Verlag 2012
[3] Gösling, M. J.: Metamodell unterstützte Simulation und Kompensation von Rückfederungen in der Blechumformung. Aachen: Shaker Verlag 2010
[4] Cruz, D. J.; Barbosa, M. R.; Santos, A. D. et al.: Application of Machine Learning to Bending Processes and Material Identification. Metals 11 (2021) 9, #1418
[5] Mertin, C. F.: Experimentelle und numerische Analyse von mehrstufigen Stanzbiegeprozessen für Bauteile mit federnden Eigenschaften. Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2019
[6] El Naqa, I.; Murphy, M. J.: What Is Machine Learning? In: El Naqa, I.; Li, R.; Murphy, M. (eds.): Machine Learning in Radiation Oncology. Cham: Springer 2015, pp. 3–11, doi.org/10.1007/978–3–319–18305–3_1
[7] Müller, A.; Guido, S.: Introduction to Machine Learning with Python: A Guide for Data Scientists. Sebastopol, CA: O‘Reilly Media 2016
[8] Pedregosa, F.; Varoquaux, G.; Gramfortet, A. al.: Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research 12 (2011), pp. 2825–2830
[9] Siebert, J.; Joeckel, L.; Heidrich, J. et al.: Construction of a quality model for machine learning systems. Software Quality Journal 30 (2022) 2, pp. 307–335
[10] Zhou, Z.-H.: Machine Learning. Singapore: Springer Singapore 2021
[11] Liu, X.; Du, Y.; Lu, X. et al. (eds.): 2019 6th International Conference on Frontiers of Industrial Engineering (ICFIE 2019). Proceedings. London: Institute of Electrical and Electronics Engineers (IEEE) 2019
[12] Sáez, J. A.; Luengo, J.; Herrera, F.: Evaluating the classifier behavior with noisy data considering performance and robustness: The Equalized Loss of Accuracy measure. Neurocomputing 176 (2016), pp. 26–35
[13] James, G.; Witten, D.; Hastie, T. et al.: An Introduction to Statistical Learning. New York: Springer US 2021
[14] Kurrle, P.: Predicting the Spring Back in Sheet Metal Forming. A Comparative Study of Machine Learning Models using Design Science Research. Master Thesis, Hochschule für Technik Stuttgart, 2023, noch nicht publiziert

Durchsuchen Sie das Werk

Geben Sie ein Keyword in die Suchleiste ein