Smarte Anpassung von Presslinienparametern
Bildgebende Sensorik und maschinelles Lernen für robustere Blechumformprozesse im Automobilbau

Jens Heger, Thomas Voß, Leuphana Universität Lüneburg und Michael Selent, SELMATEC Systems GmbH

Presslinien führen einen mehrstufigen Umformprozess durch, der in der Praxis weitestgehend als Blackbox betrieben wird. Erst am Ende der Linie findet eine Qualitätskontrolle und gegebenenfalls eine Anpassung der Anlagenparameter statt, sollte ein Fehler aufgetreten sein. Im Forschungsprojekt SmartPress wird ein System entwickelt, das mithilfe bildgebender Sensorik Informationen über die aktuelle Platine aus den einzelnen Prozessstufen extrahiert. So werden z. B. Daten über Ziehränder mit dem Wissen über den aktuellen Systemzustand (z. B. aktuelle Haltekräfte) kombiniert. Ein neuronales Netz bildet die hochkomplexen Zusammenhänge zwischen Anlagenparametern und Produkteigenschaften ab. Auftretende Veränderungen an den Platinen werden so im laufenden Prozess erkannt und Anlagenparameter entsprechend produktindividuell angepasst.

Je nach Größe und Ausstattung kann in einer mehrstufigen voll automatisierten Presse alle drei Sekunden ein fertiges Produkt entstehen. Um die komplexen Geometrien von Karosseriebauteilen fertigen zu können, sind diese Presslinien mit Vielpunktzieheinrichtungen versehen. Die Anlagen werden, einmal eingerichtet, aufgrund der hohen Komplexität als Blackbox betrieben. Dadurch sind Rückschlüsse auf die Ursachen von Qualitätsschwankungen oder Produktionsfehlern nur schwer möglich. Nicht selten hat dies zur Folge, dass ein fehlerhaftes Bauteil aus der ersten Umformstufe weiterbearbeitet wird, bevor der Mangel am Ende der Presslinie bei der finalen Qualitätskontrolle entdeckt wird. Alle weiteren Bauteile werden bis zu diesem Zeitpunkt fehlerhaft produziert. 

Typische Fehler beim Verformen von Blechen sind das Reißen, Ausdünnen oder Wellen des Materials. Diese Prozessfehler resultieren größtenteils aus dem Zusammenspiel der eingestellten Prozessparameter (wie z. B. Zieh- und Haltekräfte) und den Materialeigenschaften der Platine. Aufgrund von Werkzeugverschleiß und schwankenden Eigenschaften der Platine, wie bspw. unterschiedlich stark gefetteter Bereiche auf der Platine, ist eine Anpassung der Prozessparameter notwendig. Sollte die Qualität der Produkte unbefriedigend sein, werden die Anlagenparameter, basierend auf Erfahrungswerten, neu eingestellt. Dazu ist ein tiefgreifendes Prozessverständnis erforderlich. Bei modernen Anlagen, die mit Vielpunktziehkissen ausgestattet sind, können je nach Produkt über 100 Parameter Einfluss auf das Umformverhalten nehmen. Aufgrund der hohen Kosten und Komplexität sind aktive Steuerungen der Ziehkissen in der Praxis bisher wenig berücksichtigt [1, 2]. In Bild 1 ist eine mehrstufige Presslinie mit automatisiertem Materialhandling dargestellt. Im ersten Block werden die Platineneigenschaften erfasst, anschließend folgt ein mehrstufiger Blechumformprozess und abschließend die Qualitätssicherung. Die einzelnen Prozessschritte werden nicht überwacht oder detailliert ausgewertet. 

Bild 1: Schematische Darstellung einer Presslinie mit
sechsstufigem Blechumformprozess und anschließender Qualitätskontrolle.


Prozessdatenverarbeitung 

Eine Möglichkeit, Informationen über Einstellungen und Fehler im Tiefziehprozess zu extrahieren, ist die Prozessdatenerfassung. Automobilhersteller wie BMW und Opel benutzten diese Technologie bereits in ihren Anlagen. Bei einer modernen sechststufigen Presse können es je nach Produkt mehr als 100 Druckbolzen- und Ziehkissenkräfte sowie die einstellbaren Distanzen des Ziehspaltes der Pressstraße sein. Diese Werte können bereits erfasst, bereinigt und ausgewertet werden. Eine innovative Prozessdatenerfassung ist zusätzlich in der Lage, Trends des Prozesses zu erkennen und zukünftige Probleme während der Bearbeitung anzuzeigen [3]. Für diese Trendberechnung (Regression) können die Gaußsche Prozess Regression oder auch neuronale Netze eingesetzt werden, sollte die lineare Regression nicht ausreichend sein [4]. 

Weiterhin müssen eine Reihe externer Einflussfaktoren berücksichtigt werden. Zu diesen zählen zum Beispiel die Beölung, die Rauheit, die Temperatur oder die Zugfestigkeit des Ausgangsblechs. So beeinflusst das lokale Beölen von Platinen den Reibkoeffizienten und dadurch den Materialfluss. Weiterhin ist die Dicke der Platine ein entscheidendes Kriterium für die Einstellung der Anlagenparameter. Diese externen Einflussfaktoren können im Vorlauf in Verbindung mit einer Platinenkennung aufgezeichnet werden und im späteren Prozess mit den aktuellen Anlagenparametern verknüpft werden [3]. Dies ermöglicht die Erstellung von produktindividuellen Grenzwerten abhängig von vorgelagerten Messungen, referenziert über die jeweilige Platinenkennung. 


Bildgebende Sensorik und Bildverarbeitung

Prozessparameter können aus der Anlage gelesen werden, aktuelle Ziehrandgrößen oder auftretende Risse und Wellen hingehen sind nur schwer in Anlagenparametern zu erkennen. Daher ist der Einsatz von Sensoren zur Erfassung dieser Fehler, Stabilisierung des Prozesses und der Reduktion der Fehler notwendig. Zu diesem Zweck werden taktile oder optische Sensoren verwendet. So werden kontaktlose Lasertriangulation zur Erfassung der komplexen Bauteilgeometrie mit mehreren kritischen Einflussbereichen oder Zeilenkameras verwendet, um den Ziehrand zu messen. Diese benötigen jedoch einen Positionsbezug zur Platine, um aussagekräftige Messwerte liefern zu können [5]. Weiterhin wird die Lasertriangulation direkt im Werkzeug verbaut und es ist daher erforderlich, dass pro produktspezifischem Werkzeug ein eigenes Messsystem installiert werden muss. Dies erfordert einen hohen Installations- und Wartungsaufwand, der mit hohen Kosten verbunden ist. Zeilenkameras sind aufgrund des Transportes der Platinen in einem mehrstufigen Umformprozess zur Erfassung von Ziehrändern ungeeignet und werden vornehmlich in der Qualitätssicherung am Ende des Prozesses eingesetzt. 

Alternativ werden Kamerasysteme mit entsprechender Bildverarbeitung verwendet, die nur einen Bruchteil der Lasertriangulation kosten. Durch die relative Messung auf dem Bauteil muss die Kameraposition nicht eindeutig definiert sein. Ein entsprechendes Kamerasystem kann mit geringem Aufwand nachträglich in der Maschine installiert werden. Unabhängig vom Typ des Sensors wird durch das installierte System der Zustand des Produktes in der Linie und zwischen den Hüben geprüft. Treten Fehler auf, kann die Produktion frühzeitig angehalten und das Produkt ausgeschleust werden. Das Sensorsystem allein verhindert die auftretenden Fehler jedoch nicht.

Bild 2: Aufnahme eines Blechs mit Fehlern und
Bestimmung des Ziehrands (Bilder von [6, 7]).

Die Qualität der Ziehteile ist vom Materialfluss abhängig, da sich dieser direkt auf die Formveränderung des Bauteils auswirkt. Verändert sich der Ziehrand nicht planmäßig, lässt dies auf fehlerhaft bestimmte Anlagenparameter oder andere ungewollte Einflüsse schließen. 

In einer mehrstufigen Presse wird das Produkt von Roboterarmen zwischen zwei Pressvorgängen verfahren. Sobald die Platine freigegeben ist, werden die Platinen innerhalb von 70 ms vom bildgebenden Sensor erfasst. Dabei können die Ziehränder der Platinen aus 3 Meter Entfernung mit 0,7 mm Abweichung gemessen werden. Externe Einflüsse wie Vibration, kurz vor oder nach dem Pressvorgang, erschweren den Messvorgang. In der linken Hälfte des Bilds 2 ist eine geformte Platine im Presswerkzeug direkt nach dem Pressvorgang dargestellt. Bevor die Platine zum nächsten Prozessschritt weitertransportiert wird, werden die Aufnahmen durchgeführt. Die Bildverarbeitung extrahiert daraus prozessrelevante Informationen, wie bspw. die Größe verschiedener Ziehränder (rechte Hälfte des Bildes 2). Die wiederholbare Erfassung der Ziehränder als Produkteigenschaften ist zur Beurteilung des Produktzustandes in der Qualitätskontrolle elementar und bildet zusammen mit den Anlagenparametern die Grundlage der Lerndaten für den nächsten Schritt. Für die visuelle Erfassung der Produkteigenschaften kommen Systeme von Selmatec Systems zum Einsatz, welche die Extraktion der Informationen, bspw. die Bestimmung des Ziehrands, durchführen. Die bildgebende Sensorik in Kombination mit der anschließenden Bildverarbeitung einschließlich der Feature Extraktion wird von Selmatec Systems bereits langjährig eingesetzt und weiterentwickelt. 


SmartPress zur Verbesserung des Blechumformprozesses

Zwei Drittel der befragten Unternehmen in der Studie von PAC sehen die Ursachenforschung für Fehler, Ausfälle und Störungen als die zentrale Herausforderung für den Produktionsbereich. Hoher Implementierungsaufwand verbunden mit hohen Kosten sowie fehlende intuitive Bedienung sind laut PAC Studie Hindernisse zur Implementierung prädiktiver Lösungen [8]. 

Im Projekt SmartPress wird ein System entwickelt, das die Parameter der Presslinie automatisch anpasst, um einen robusten Prozess zu ermöglichen. Ausgelesene Prozessdaten werden mit erfassten Produkteigenschaften aus der bildgebenden Sensorik kombiniert. 

Die Verknüpfung ermöglicht es, Zusammenhänge und Interaktionseffekte festzustellen. Durch diese Korrelationen kennt das System Parameterkombinationen, die Fehler vermeiden und zu einem robusten Produktionsprozess führen. Dieses neu generierte Wissen in Form von Parametervorschlägen wird dem Bediener als Handlungsempfehlung bereitgestellt und kann dann direkt im Prozess in die Maschine eingesteuert werden. Ähnliche adaptive Ansätze werden erfolgreich in der Reihenfolgeplanung eingesetzt [4].


Zusammenhänge erkennen und Modell erstellen 

Mithilfe der Methoden des maschinellen Lernens wird in SmartPress ein Modell erstellt, das den Zusammenhang von Steuerungsparametern der Pressanlage in Abhängigkeit vom aktuellen Systemzustand (z. B. den Haltekräften) und den Platinen Eigenschaften (z. B. den Beölungsgrad) abbildet. Das Erkennen dieser Zusammenhänge ermöglicht platinenabhängige Einflussgrößen individuell zu verändern, um einen robusten Prozess einzurichten. Die Untersuchung, welches Verfahren für die Modellierung der Zusammenhänge am besten geeignet, muss entsprechend bestimmt werden. 

Bild 3: Kameras ermöglichen einen detaillierten Blick in den
bisher als Blackbox betriebenen mehrstufigen Pressprozess.
Jeder einzelne Zwischenschritt kann überwacht werden und
erhält entsprechende Adaptionsmöglichkeiten.

Basierend auf aufgezeichneten Anlagendaten wird eine explorative Datenanalyse durchgeführt. Einfache Abhängigkeiten können so bestimmt werden; bspw. kann der Ziehrand an gewissen Stellen linear mit der Haltekraft korrelieren [9]. In SmartPress werden Daten aus dem Produktionsbetrieb verwendet. Es besteht das generelle Risiko, dass aufgrund der hohen Anzahl an unterschiedlichen Parametern und der komplexen Wechselwirkungen keine signifikanten Zusammenhänge erkannt werden können. Erschwerend kommt hinzu, dass nur wenige Fehlerdaten vorliegen. Die in der Praxis aufgenommenen Daten stammen aus Produktionsläufen und die Anlageneinstellungen werden manuell so gut wie möglich gewählt. Fehlerhafte Einstellungen werden, sobald Fehler auftreten, direkt korrigiert und selten archiviert. Weiterhin können an den Anlagen, die sich in der Regel im Produktivbetrieb befinden, Extremwerte und Grenzen nur sehr eingeschränkt getestet werden. Um die Kosten für entsprechende Tests zu reduzieren, ist im Vorlauf ein gezieltes Design-of-Experiments – eine statistische Versuchsplanung – wichtig. So können mit wenigen Versuchsläufen möglichst viele relevante Parameterkombinationen abgedeckt werden. Unbekannte Zusammenhänge können simulativ analysiert und als Datenbasis verwendet werden, allerdings ist der Aufwand dazu groß [4, 11].

Für die Modellierung der Korrelationen zwischen Systemzustand und Anlagenparametern werden neuronale Netze eingesetzt. Sind klassische neuronale Netze nicht in der Lage, ein für diese Anwendung hinreichend gutes Modell zu erstellen, kommen tiefe gefaltete neuronale Netze (deep convolutional neural networks) zum Einsatz. Die tiefen neuronalen Netze werden bereits erfolgreich in den Gebieten Bildverarbeitung aber auch in Spracherkennung, Texterkennung oder Robotersteuerung mit deutlichen Verbesserungen gegenüber den regulären Neuronalen Netzen eingesetzt [10].


Situationsbedingte Anpassung der Anlagenparameter 

Sollte die Prozessdatenverarbeitung oder die visuelle Erfassung der Platine einen Trend feststellen, der zu einem Produktionsfehler führt, wird ein neuer Parametersatz erzeugt. Diese Kombination muss die festgestellten Abweichungen in Betracht ziehen und diese in die Bestimmung der zukünftigen Anlagenparameter integrieren. Die neuen Werte werden dem Anwender empfohlen, der diese mit seinem Expertenwissen bewertet und freigeben kann. Der Parametersatz wird dann für das aktuelle und alle folgenden Produkte verwendet. Die Validierung der Einstellung geschieht durch die Bildverarbeitung und die Qualitätskontrolle am Ende der Linie. 

Exemplarisch wird der Trend eines Ziehrands über die produzierten Bauteile überwacht und seine Entwicklung prognostiziert. Sollte dieser den definierten Bereich verlassen, wird dem Anwender ein neuer Parametersatz für die Anlage vorgeschlagen, der die zukünftige Abweichung verhindert. 

In Bild 3 sind das System und der Ablauf dargestellt. Prozessparameter und Platineneigenschaften werden erfasst und an die Trendprognose übergeben. Diese schätzt weitere zeitnahe Entwicklungen bestimmter Eigenschaften ab. Die prognostizierten Werte werden an das Modell übergeben, das für die zu erwartende Situation passende Anlagenparameter bestimmt, die dann an der Anlage eingestellt werden. Somit kann frühzeitig auf Veränderungen reagiert werden, der Prozess wird robuster und es kommt zu weniger Ausfällen.


Fazit

Das Erfassen von Anlagenparametern mit einer intelligenten Prozessdatenverarbeitung ermöglicht es, potenzielle Anlagenfehler frühzeitig zu erkennen. Die visuelle Überprüfung der Produkte erkennt durch Feature Extraktion potenzielle Fehler am Bauteil und erfasst dessen Eigenschaften wie den Ziehrand. Diese Daten werden produktindividuell ausgewertet und gespeichert. Der Anwender kann mit der gespeicherten Datenbasis bisher unbekannte Zusammenhänge identifizieren und abschätzen. Gefaltete neuronale Netze werden genutzt, um die hochkomplexen Wirkzusammenhänge abzubilden. Basierend auf dem so generierten Wissen, werden bisher statische Parameter produktindividuell angepasst und direkt in die Maschine übergeben. 

Das Ergebnis ist ein adaptives System, das dynamisch Anlagenparameter anpassen kann und so den Prozess robust gegenüber Veränderungen macht. Dies reduziert die Kosten für den Ausschuss und senkt die Stillstandszeiten.


Dieser Beitrag entstand im Rahmen des Projekts „SmartPress“ und wird gefördert durch das Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des deutschen Bundestags (Förderkennzeichen: ZF4084503GR7).

Schlüsselwörter:

Presslinie, Künstliche neuronale Netze, Bildverarbeitung, maschinelles Lernen, adaptives System

Literatur:

[1] Birkert, A.; Haage, S.; Straub, M.: Umformtechnische Herstellung komplexer Karosserieteile. Berlin Heidelberg 2013.
[2] Doege, E.; Behrens, B.-A.: Handbuch Umformtechnik. Berlin Heidelberg 2010.
[3] Purr, S.; Meinhardt, J.; Lipp, A.; Werner, A.; Ostermair, M.; Glück, B.: Stamping Plant 4.0 – Basics for the Application of Data Mining Methods in Manufacturing Car Body Parts. In: Key Engineering Materials 639 (2015), S. 21–30.
[4] Heger, J.: Dynamische Regelselektion in der Reihenfolgeplanung. Wiesbaden 2014.
[5] Kraft, M.; Bürgel, U.: Novel concept for measurement of global blank draw-in when deep drawing outer skin automotive components. In: Journal of Physics: Conference Series 896 (2017), S. 12034.
[6] phantom1311:Foto ID 130676198. © www.fotolia.de.
[7] Live Out Loud: Video ID 102529343. © www.fotolia.de.
[8] Schalla, P.; Niemann, F.; Flug, M.: Predictive Analytics in der Fertigung. Nischenthema oder Mainstream?, PAC-Studie (2014).
[9] Purr, S.; Wendt, A.; Meinhardt, J.; Moelzl, K.; Werner, A.; Hagenah, H.; Merklein, M.: Data-driven inline optimization of the manufacturing process of car body parts. In: IOP Conference Series: Materials Science and Engineering 159 (2016), S. 12002.
[10] LeCun, Y.; Bengio, Y.; Hinton, G.: Deep learning. In: Nature 521 (2015), S. 436–44.
[11] Behrouzi, A.; Soyarslan, C.; Klusemann, B.; Bargmann, S.: Inherent and induced anisotropic finite visco-plasticity with applications to the forming of DC06 sheets. In: International Journal of Mechanical Sciences 89 (2014), S. 101–11.