Lastabhängige makroskopische Reibungsmodellierung in der Kaltmassivumformung

Die Technologie der Kaltmassivumformung wird zur Herstellung metallischer Werkstücke in sehr hohen Stückzahlen eingesetzt. Der Einsatz von FE-Simulationen ist häufig integraler Bestandteil der Prozessauslegung, wodurch kosten- und zeitintensive experimentelle Iterationsschleifen der Werkzeugerprobung eingespart werden können. Die Genauigkeit der FE-Simulation wird unter anderem durch die Genauigkeit des verwendeten Reibmodells beeinflusst. Trotz zahlreicher wissenschaftlicher Untersuchungen zur Reibungsmodellierung in der Kaltmassivumformung und einer Vielzahl von Reibungsmodellen werden in der industriellen Anwendung fast ausschließlich wenig komplexe Reibungsmodelle wie das Amonton-Coulomb Reibungsmodell verwendet. Die Analyse der Fachliteratur zeigt Defizite in den bestehenden Reibmodellierungsmethoden und Reibgesetzen, die als Mitursache für diese Diskrepanz angenommen werden können. Übergeordnetes Ziel dieser Arbeit ist es, durch Optimierung der Methodik zur Reibmodellierung die derzeit bestehenden Defizite zu minimieren und damit die industrielle Anwendbarkeit zu erhöhen. Die Arbeiten zur Erreichung dieser Ziele gliedern sich in drei Arbeitspakete. In Arbeitspaket1 wird am Beispiel des Flachbacken-Profilwalzens aufgezeigt, wie mithilfe von lastabhängiger Reibmodellierung die Genauigkeit von FE-Simulationen erhöht werden kann. Dabei wird die FE-Simulation in die Lage versetzt, eine Prozessgrenze abzubilden, die mit einfachen Reibungsmodellen wie dem Amonton-Coulomb-Reibungsmodell nicht abgebildet werden kann. In diesem ersten Arbeitspaket werden dem Stand der Technik entsprechende Methoden zur Reibungsmodellierung eingesetzt. Die Ergebnisse zeigen, dass durch eine lastabhängige Reibmodellbildung die Genauigkeit von FE-Simulationen deutlich verbessert werden kann, gleichzeitig werden aber auch die im Stand der Technik genannten Defizite bestätigt und verdeutlicht. Im zweiten Arbeitspaket werden neue Methoden zur Reibungsmodellierung entwickelt, um die Defizite der bestehenden Methodik auszugleichen. Verschiedene mathematische Formulierungen des Reibmodells werden miteinander verglichen, wobei insbesondere neuartige Ansätze aus dem Bereich des maschinellen Lernens (ML) zum Einsatz kommen. Die ML-basierten Reibungsmodelle zeigen eine höhere Dateneffizienz als die nicht ML-basierten Modelle. Weiterhin wird eine neue Methode zur Datenaufbereitung vorgestellt, die die Anzahl der notwendigen experimentellen Tribometerversuche sowie den Modellfehler des Reibmodells deutlich reduziert. Außerdem wird die Reibmodellierung so angepasst, dass die entwickelten Modelle nicht nur für einen speziellen Anwendungsfall, sondern für alle Prozesse der Kaltmassivumformung verwendet werden können. Zur Validierung der neuen Methoden werden im dritten Arbeitspaket die entwickelten Reibmodelle anhand von zwei realen Fließpressprozessen validiert. Im Rahmen der Validierung werden experimentell und numerisch ermittelte Umformkräfte mit unterschiedlichen Reibmodellen verglichen. Die Validierung zeigt, dass der mittlere Fehler der FE-Simulation um bis zu 58% und die Standardabweichung des mittleren Fehlers um bis zu 84% reduziert werden kann. Insbesondere das ML-basierte Feed-Foward Neural Netword Reibmodell zeichnet sich durch eine geringe Anzahl notwendiger Tribometerversuche bei gleichzeitig hoher Genauigkeit und geringer Streuung des Simu-lationsfehlers aus.

Cold forging technology is used to manufacture metal workpieces in very large quantities. The use of FE simulations is often an integral part of process design, which can save costly and time-consuming experimental iteration loops in tool testing. The accuracy of FE simulation is influenced, among other things, by the accuracy of the friction model used. Despite numerous scientific studies on friction modeling in cold forging and a variety of friction models, industrial applications almost exclusively use less complex friction models such as the Amonton-Coulomb friction model. Analysis of the literature reveals shortcomings in existing friction modeling methods and friction laws, which can be assumed to be a contributing factor to this discrepancy. The overarching goal of this work is to minimize the current shortcomings by optimizing the methodology for friction modeling, thereby increasing industrial applicability. The work to achieve these goals is divided into three work packages. Work package 1 uses the example of flat-die profile rolling to demonstrate how load-dependent friction modeling can be used to increase the accuracy of FE simulations. This enables the FE simulation to map a process boundary that cannot be mapped using simple friction models such as the Amonton-Coulomb friction model. In this first work package, state-of-the-art methods for friction modeling are used. The results show that load-dependent friction modeling can significantly improve the accuracy of FE simulations, but at the same time, the shortcomings mentioned in the state of the art are confirmed and clarified. In the second work package, new methods for friction modeling are being developed to compensate for the shortcomings of the existing methodology. Various mathematical formulations of the friction model are compared with each other, with particular emphasis on novel approaches from the field of machine learning (ML). The ML-based friction models demonstrate higher data efficiency than the non-ML-based models. Furthermore, a new method for data preparation is presented, which significantly reduces the number of necessary experimental tribometer tests and the model error of the friction model. In addition, the friction modeling is adapted so that the developed models can be used not only for a specific application, but for all cold forging processes. To validate the new methods, the third work package will validate the developed friction models using two real extrusion processes. As part of the validation, experimentally and numerically determined forming forces will be compared with different friction models. The validation shows that the mean error of the FE simulation can be reduced by up to 58% and the standard deviation of the mean error by up to 84%. In particular, the ML-based feed-forward neural network friction model is characterized by a low number of necessary tribometer tests combined with high accuracy and low simulation error dispersion.