Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI
Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen SCAI

PRO-CHAIN - Analyse und Optimierung von Prozessketten

Die Produktherstellung verläuft oft in mehreren sequentiellen Prozessschritten. Daher sollten zumindest die wichtigsten Prozessschritte und zugehörigen Parametervariationen analysiert werden, um realistische Informationen über relevante Parameterabhängigkeiten, sowie Eigenschaften des Gesamtprozesses und resultierenden Produktes zu erhalten.

Die patentierte PRO-CHAIN Methodik hilft dabei,

  • den Einfluss der Streuungen über die gesamte Historie eines Prozesses bis hin zum Endergebnis zu quantifizieren, dies gibt wichtige Hinweise auf das lokale Verhalten des Prozesses,
  • die Vorhersagequalität von Simulationen, und, mit einer nachfolgenden robusten Optimierung, auch die Qualität des Endprodukts erheblich zu verbessern,
  • »Was-Wäre-Wenn«-Szenarien zu beantworten und zu visualisieren, ohne zusätzliche zeitaufwändige Simulationen durchführen zu müssen.

PRO-CHAIN kann für verschiedene Anwendungen genutzt werden, zum Beispiel für die Prozessketten

  • Umformen / Gießen zu Komponententest / Crashanalyse
  • Halbleiter-Prozess über Bauelement zu Schaltungssimulation

PRO-CHAIN

Alle ausklappen Alle einklappen

PRO-CHAIN führt eine effiziente lokale Sensitivitätsanalyse auf fein aufgelösten Simulationsgittern durch, die eine Design-Parameter-Raum Reduktion in jedem Prozessschritt ermöglicht.

PRO-CHAIN bietet eine schnelle und dennoch genaue Vorhersage eines neuen Designs, einschließlich lokaler Verteilungen von beispielsweise Blechdicken, Spannungen und Vorschädigungen, mittels effizienter Metamodellierung.

Dadurch erlaubt PRO-CHAIN eine genaue Übertragung lokaler Streuungen von einem Prozessschritt zum Nächsten, so dass die Anzahl notwendiger Simulationsläufe minimiert wird.

Zusätzlich bietet PRO-CHAIN eine schnelle Visualisierung des neuen Designs inklusive statistischer Informationen.

Insgesamt führt PRO-CHAIN damit zu einer starken Reduktion des benötigten Speicherplatzes sowie der Rechenzeit im Vergleich zu üblichen Monte Carlo Verfahren.

© Fraunhofer SCAI
PRO-CHAIN Verfahren im Überblick für das Beispiel Umformen-Crash: Simulationstypen (orange), typische Variationen (blau), Software-Tools (grün).

Beispielhaft wird in der Abbildung die Prozesskette Umformen à Crash für die Haupt-Blechschale einer B-Säule analysiert. Als Eingangsdaten werden z.B. 15 verschiedene Material- und Prozessparameter (z.B. Ziehsickenkraft) in realistischen Grenzen variiert. Im ersten Schritt werden zugehörige Umformsimulationen durchgeführt. Als Ausgangsdaten dieses ersten Prozessschrittes erhält man die lokalen Verteilungen bestimmter Kriterien, hier lokale Blechdicken, Spannungen und Schädigungen, zusammen mit ihren durch die Parametervariationen entstandenen Schwankungen (Simulationsresultate auf feinen Gittern). Damit lassen sich die Parameter in ihrer Bedeutung klassifizieren, eine Reduktion des Design-Parameterraums durchführen und die robuste Optimierung vorbereiten.

Der wesentliche Schritt des Verfahrens ist es, die Datenbasis so aufzubereiten, dass die lokale Übertragung aller Schwankungsinformationen auf den nächsten Prozessschritt hinsichtlich Anzahl der notwendigen Simulationen und Rechenzeit überhaupt effizient ermöglicht wird.

Die relevanten Daten inklusive Verteilungen werden komprimiert und auf das Gitter des nächsten Prozessschritts übertragen (Mapping). Das Vorgehen für den zweiten Prozessschritt, hier Crash, ähnelt der Methodik bei der Analyse des Umformprozesses. Es wird eine Sensitivitätsanalyse durchgeführt, und schließlich kann für die komplette Kette eine multikriterielle Optimierungsaufgabe unter Berücksichtigung von Robustheitsaspekten aufgesetzt und mit DesParO gelöst werden.

Indem man Herstellungsvariationen mit einbezieht, wird die Optimierung realistischer. Im konkreten Beispiel (Projekt CAROD) wurde durch die Sensitivitätsanalyse der Prozesskette das Zusammenspiel eines Risses der B-Säule mit einem Knick (Kompensationseffekt) deutlich. Dieses Ergebnis entspricht physikalischen Experimenten, aber es mussten keine zusätzlichen teuren Bauteile zerstört werden.

Dissertation:

Steffes-lai, Daniela: Approximation methods for high dimensional simulation results - Parameter sensitivity analysis and propagation of variations for process chains. Logos-Verlag, Berlin, 2014. ISBN 978-3-8325-3696-1. Dissertation, Universität zu Köln.

Patent

Steffes-lai, D., Nikitina, L., Clees, T.: Vorrichtung und Verfahren zum Bearbeiten einer Prozesssimulationsdatenbasis eines Prozesses. Int. Patent PCT/EP2010/061450. Veröffentlichung 09.02.2012. EU-Patent EP000002433185, US-Patent US9002684 .