Digitaler Zwilling für den KI-unterstützten Werkzeugentstehungsprozess (TooliNG)

Abstract

Mit einem Aufwand von bis zu 24 Monaten stellt der Werkzeugentstehungsprozess (WEP) von Presswerkzeugen einen erheblichen Zeit- und Kostenfaktor innerhalb der Produktion von strukturellen Automobilbauteilen dar. Insbesondere Presswerkzeuge für Karosserie- und Außenhautbauteile bedürfen aufgrund der geforderten engen Toleranzen hinsichtlich Maßhaltigkeit und Oberflächenanforderungen der gefertigten Blechteile einer intensiven iterativen Anpassung der Werkzeugwirkflächen, bis die Qualität des gepressten Bauteils den gewünschten Anforderungen entspricht. Die Wirkflächen entstehen durch das Ableiten der Werkzeugoberflächen von der ursprünglichen Bauteilgeometrie und einer zusätzlichen, auf Expertenwissen basierenden, iterativen Manipulation der CAD-Flächen. Sie dienen anschließend als Dateninput für die Herstellung der Werkzeuge mittels Fräsen. Innerhalb dieses hochkomplexen und von Expertenwissen dominierten WEP besteht zum heutigen Zeitpunkt keine Durchgängigkeit der digitalen Daten, so dass keine Rückkopplung von Informationen über durchgeführte Änderungen der Werkzeugoberflächen erfolgt. Dieses Vorhaben leistet einen Beitrag dazu den ressourcenintensiven WEP im Kontext der automobilen Großserie durch den Einsatz eines durchgängigen Digitalen Zwillings zu verkürzen. Dazu soll ein Digitaler Zwilling entwickelt werden, der die heterogenen Daten entlang des WEP erfasst, speichert und zueinander in Kontext setzt. Aufbauend auf dieser umfangreichen Datenbasis sollen KI-Algorithmen entwickelt werden, welche automatisiert Vorschläge und Lösungsansätze für die Anwendungsfälle der Wirkflächenerstellung, des Werkzeugbauprozesses und des Tryouts bereitstellen. Als Basis bzw. Input für den Digitalen Zwilling und die KI-Entwicklung sollen sowohl Daten aus aktuellen Werkzeugprojekten als auch historische Datensätze und digitalisiertes Expertenwissen herangezogen werden. With a time commitment of up to 24 months, the tool development process (TDP) for stamping dies represents a significant time and cost factor in the production of structural automotive components. Due to the tight tolerances required regarding dimensional accuracy and surface requirements of the manufactured sheet metal parts, stamping dies for body and outer skin components in particular require intensive, iterative adjustment of the effective tool surfaces until the quality of the stamped component meets the desired requirements. The effective tool surfaces are created by deriving the tool surfaces from the original component geometry and additional, expert-based, iterative manipulation of the CAD surfaces. They then serve as data input for the production of the tools by milling. Within this highly complex and expert-dominated TDP, there is currently no consistency of digital data, so there is no feedback of information about changes made to the tool surfaces. This project contributes to shortening the resource-intensive TDP in the context of large-scale automotive production through the use of a consistent digital twin. To this end, a digital twin will be developed that captures, stores, and contextualizes the heterogeneous data along the TDP. Building on this extensive database, AI algorithms will be developed that automatically provide suggestions and solution approaches for the use cases of effective tool surface creation, the tool manufacturing process, and the try-out. Data from current tool projects, as well as historical data sets and digitized expert knowledge, will be used as the basis or input for the digital twin and AI development.