Multi-Response-Optimierung und maschinelles Lernen zur Vorhersage des warmen inkrementellen Blechumformens mit gerader Nut des Magnesiumlegierung AZ31

Leichtere Metalle leichter formen

Von Autos und Flugzeugen bis zu medizinischen Implantaten wollen Hersteller leichtere Metalle einsetzen, die Kraftstoff sparen und die Leistung verbessern können. Magnesiumlegierungen sind besonders attraktiv, weil sie sowohl leicht als auch fest sind, sich aber bei Raumtemperatur schwer verformen lassen und leicht Risse bilden können. Diese Studie untersucht eine intelligentere Methode zur Herstellung von Bauteilen aus der gebräuchlichen Magnesiumlegierung AZ31, bei der das Material leicht erwärmt und datengetriebene Methoden – einschließlich maschinellem Lernen – eingesetzt werden, um Einstellungen zu finden, die schnell, energieeffizient und weniger beschädigungsanfällig sind.

Wie ein bewegtes Werkzeug ein Blech sanft formt

Anstatt ein Blech in einem einzigen Schritt in eine geschlossene Form zu pressen, nutzt das inkrementelle Blechumformen ein abgerundetes Werkzeug, das einen Weg über das Blech nachfährt und es bei jedem Durchgang ein Stück tiefer drückt. In dieser Arbeit konzentrierte sich das Team auf eine gerade Nut: einen einfachen Kanal, der in 1 mm dicken AZ31-Blechen geformt wurde. Das Blech wird über einer maßgeschneiderten elektrisch beheizten Kammer eingespannt, sodass es auf 200–250 °C erwärmt werden kann, und eine computergesteuerte (CNC) Maschine bewegt das Werkzeug schrittweise, während ein Kraftsensor misst, wie stark das Werkzeug drücken muss und wie lange der Prozess dauert, bis das Blech schließlich bricht.

Viele Versuche zu einem besten Rezept vereinen

Da sich vier verschiedene Einstellungen – Temperatur, Absenkungstiefe pro Durchgang, Drehzahl der Spindel und Vorschubgeschwindigkeit – verändern lassen, verwendeten die Forschenden einen strukturierten Versuchsplan, den Taguchi-Entwurf, um 27 sorgfältig ausgewählte Experimente durchzuführen, anstatt jede mögliche Kombination zu testen. Anschließend wendeten sie eine Rangmethode namens TOPSIS an, die zwei Ziele gleichzeitig kombiniert: geringe Umformkräfte (zur Reduzierung von Verschleiß und Energieverbrauch) und kurze Umformzeiten (zur Steigerung der Produktivität). Diese Methode vergibt jedem Versuch einen einzelnen Wert, den sogenannten Closeness-Koeffizienten, der angibt, wie nah das Ergebnis am bestmöglichen angestrebten Ziel liegt – also niedriger Kraft und niedriger Zeit zusammen.

Wärme und kleine Schritte übernehmen die Hauptarbeit

Die Analyse zeigte, dass zwei Einstellungen am wichtigsten sind: wie heiß das Blech ist und wie tief jeder vertikale Schritt des Werkzeugs ist. Das Erwärmen des AZ31-Blechs auf etwa 250 °C macht seine Kristallstruktur flexibler, sodass es sich leichter dehnen lässt und weniger Kraft zum Formen benötigt. Gleichzeitig verteilt eine kleinere Absenkung pro Durchgang die Verformung sanfter und vermeidet scharfe lokale Dehnungen, die den Prozess verlangsamen und die Kräfte erhöhen. Werkzeugdrehzahl und Vorschub hatten innerhalb der getesteten Bereiche nur einen geringen Einfluss. Durch die Kombination der statistischen Rangfolgen sagte das Team sogar eine noch bessere Einstellung vorher, als sie in einzelnen Experimenten erreicht wurde, und bestätigte diese Vorhersage in einem Folgeversuch, der die früheren Versuche leicht übertraf.

Dem Computer beibringen, den Prozess vorherzusagen

Um über Trial-and-Error hinauszukommen, trainierten die Forschenden ein Modell des maschinellen Lernens, einen Random Forest, um Umformzeit, Umformkraft und den TOPSIS-Leistungswert aus den vier Prozessparametern vorherzusagen. Selbst mit nur 27 experimentellen Datenpunkten lernte das Modell die Muster ausreichend, um Kraft und Zeit mit hoher Genauigkeit zu prognostizieren. Es hob ebenfalls unabhängig Temperatur und Absenkung als die dominanten Stellgrößen hervor und bestätigte damit die statistischen Ergebnisse. Auf mikroskopischer Ebene zeigten Elektronenmikroskop-Aufnahmen der gebrochenen Nutfassungen klassische Anzeichen duktilen Versagens – tiefe Vertiefungen und Risskanten – was darauf hinweist, dass sich das Metall unter warmen Bedingungen stark dehnt, bevor es schließlich bricht.

Was das für die industrielle Fertigung bedeutet

Praktisch zeigt diese Arbeit, wie Hersteller ein schwieriges, leichtes Metall durch kontrolliertes Erwärmen und gezielte Anpassung nur weniger Schlüsselfaktoren in Form bringen können. Der hybride Ansatz – die Kombination aus geplanten Experimenten, Multi-Kriterien-Rangfolge und maschinellem Lernen – liefert ein praxisnahes Rezept zur Auswahl von Temperaturen und Schrittgrößen, die die Kräfte niedrig und die Produktionszeiten angemessen halten, ohne jede Möglichkeit in der Werkstatt testen zu müssen. Dieselbe Strategie lässt sich auf andere Legierungen und Geometrien übertragen und hilft Fabriken, leichtere Bauteile schneller, sicherer und effizienter zu entwickeln.

Zitation: Khot, A.A., Magdum, R.A., Magdum, A.R. et al. Multi-response optimization and machine learning-based prediction of straight-groove warm incremental sheet forming of AZ31 magnesium alloy. Sci Rep 16, 6432 (2026). https://doi.org/10.1038/s41598-026-37761-y

Schlüsselwörter: inkrementelles Blechumformen, Magnesiumlegierung AZ31, warmes Umformen, Prozessoptimierung, Maschinelles Lernen in der Fertigung