Abstract:
Für einen optimalen Betrieb erfordern moderne Produktionssysteme eine sorgfältige Einstellung der eingesetzten Fertigungsprozesse. Physikbasierte Simulationen können die Prozessoptimierung wirksam unterstützen, jedoch sind deren Rechenzeiten oft eine erhebliche Hürde. Eine Möglichkeit, Rechenzeit einzusparen sind surrogate-gestützte Optimierungsverfahren (SBO1). Surrogates sind recheneffiziente, datengetriebene Ersatzmodelle, die den Optimierer im Suchraum leiten. Sie verbessern in der Regel die Konvergenz, erweisen sich aber bei veränderlichen Optimierungsaufgaben, etwa häufigen Bauteilanpassungen nach Kundenwunsch, als unhandlich.
... mehr
Um auch solche variablen Optimierungsaufgaben effizient zu lösen, untersucht die vorliegende Arbeit, wie jüngste Fortschritte im Maschinenlernen (ML) – im Speziellen bei neuronalen Netzen – bestehende SBO-Techniken ergänzen können. Dabei werden drei Hauptaspekte betrachtet: erstens, ihr Potential als klassisches Surrogate für SBO, zweitens, ihre Eignung zur effiziente Bewertung der Herstellbarkeit neuer Bauteilentwürfe und drittens, ihre Möglichkeiten zur effizienten Prozessoptimierung für variable Bauteilgeometrien. Diese Fragestellungen sind grundsätzlich technologieübergreifend anwendbar und werden in dieser Arbeit am Beispiel der Textilumformung untersucht.
Der erste Teil dieser Arbeit (Kapitel 3) diskutiert die Eignung tiefer neuronaler Netze als Surrogates für SBO. Hierzu werden verschiedene Netzarchitekturen untersucht und mehrere Möglichkeiten verglichen, sie in ein SBO-Framework einzubinden. Die Ergebnisse weisen ihre Eignung für SBO nach: Für eine feste Beispielgeometrie minimieren alle Varianten erfolgreich und schneller als ein Referenzalgorithmus (genetischer Algorithmus) die Zielfunktion.
Um die Herstellbarkeit variabler Bauteilgeometrien zu bewerten, untersucht Kapitel 4 anschließend, wie Geometrieinformationen in ein Prozess-Surrogate eingebracht werden können. Hierzu werden zwei ML-Ansätze verglichen, ein merkmals- und ein rasterbasierter Ansatz. Der merkmalsbasierte Ansatz scannt ein Bauteil nach einzelnen, prozessrelevanten Geometriemerkmalen, der rasterbasierte Ansatz hingegen interpretiert die Geometrie als Ganzes. Beide Ansätze können das Prozessverhalten grundsätzlich erlernen, allerdings erweist sich der rasterbasierte Ansatz als einfacher übertragbar auf neue Geometrievarianten. Die Ergebnisse zeigen zudem, dass hauptsächlich die Vielfalt und weniger die Menge der Trainingsdaten diese Übertragbarkeit bestimmt.
Abschließend verbindet Kapitel 5 die Surrogate-Techniken für flexible Geometrien mit variablen Prozessparametern, um eine effiziente Prozessoptimierung für variable Bauteile zu erreichen. Hierzu interagiert ein ML-Algorithmus in einer Simulationsumgebung mit generischen Geometriebeispielen und lernt, welche Geometrie, welche Umformparameter erfordert. Nach dem Training ist der Algorithmus in der Lage, auch für nicht-generische Bauteilgeometrien brauchbare Empfehlungen auszugeben. Weiter zeigt sich, dass die Empfehlungen mit ähnlicher Geschwindigkeit wie die klassische SBO zum tatsächlichen Prozessoptimum konvergieren, jedoch kein bauteilspezifisches A-priori-Sampling nötig ist. Einmal trainiert, ist der entwickelte Ansatz damit effizienter.
Insgesamt zeigt diese Arbeit, wie ML-Techniken gegenwärtige SBOMethoden erweitern und so die Prozess- und Produktoptimierung zu frühen Entwicklungszeitpunkten effizient unterstützen können. Die Ergebnisse der Untersuchungen münden in Folgefragen zur Weiterentwicklung der Methoden, etwa die Integration physikalischer Bilanzgleichungen, um die Modellprognosen physikalisch konsistenter zu machen.
Abstract (englisch):
For optimum operation, modern production systems require a careful adjustment of the employed manufacturing processes. Physics-based process simulations can effectively support process optimisation, however, their considerable computation times are often a significant barrier. One option to reduce the computational load is surrogate-based optimisation (SBO). Surrogates are time-efficient, data-driven models which guide the optimisation procedure. They generally help improve convergence, but prove unwieldy when the optimisation task varies, e.g. due to frequent component adaptations for customisation.
... mehr
In order to also solve such variable optimisation tasks, this work studies how recent advances in machine learning (ML) – especially in neural networks – can enhance and extend current surrogate capabilities. To this end, three main aspects are considered: first, their potential for classical SBO, second, their suitability for efficient manufacturability assessment of new component designs and, third, their options for efficient process optimisation for variable geometries. These aspects apply principally to any manufacturing process and are exemplarily studied at the example of textile forming.
The first part of this work (Chapter 3) examines the use of deep neural networks as surrogate models for SBO. Different network architectures are studied and options for integration into an SBO-framework are compared. Overall, the results show that deep neural networks are a viable option for SBO: For a fix component geometry, all variants successfully minimise the objective function faster than a reference algorithm (genetic algorithm).
In order to assess the manufacturability of variable geometries, Chapter 4 investigates how geometry information can be integrated into a process surrogate. To this end, two ML-approaches are compared: a feature-based and a grid-based approach. The feature-based approach scans a geometry for individual, process-relevant geometry features, whereas the grid-based approach interprets the geometry as a whole. The results show that both approaches can learn the process behaviour, however, the grid-based approach proves more transferable to new geometries. The results further underline that the variety rather than the amount of training data determines this transferability.
Eventually, Chapter 5 combines the surrogate techniques for flexible geometries with variable process parameters to enable an efficient process optimisation for variable geometries. To this end, an ML-algorithm interacts with generic geometry samples in a simulation environment and learns, which geometry requires which forming parameters. After training, it is able to give useful recommendations even for non-generic cases. The results further show that its recommendations converges to the process optimum at comparable speed as classical SBO, yet it does not need an a-priori sampling. Thus, once (pre-)trained, it is more efficient.
Overall, this work shows how ML-techniques can enhance current SBOmethods as the presented methods efficiently support process and product optimisation, especially at early development stages. The work concludes with follow-up questions for further method development, e.g. the integration of physics-based balance equations for improved physical consistency.
1