Learning-based manufacturing deviation estimation for robust computer-aided design

Lernbasierte Abschätzung von Fertigungsabweichungen für die robuste rechnergestützte geometrische Modellierung

  • Surface variations are an unavoidable byproduct of any manufacturing process and may lead to deviating part performance and even elevated part rejection rates. Because traditional computer aided-design approaches are aimed towards production of idealized, nominal geometric shapes, the wide geometric-and statistical-variability typical for any manufacturing process remains unrepresented and is frequently ignored during design. Thus, the present work aims at a more realistic design approach and, therefore, develops a collection of computer-aided design strategies for accurate representation, statistical analysis and prospective estimation of surface deviations with validation examples on aero engine turbine blades. The CAD representation of real manufactured surfaces requires the ability to accurately recreate complex geometric shapes. This is achieved by automated re-parametrization of any CAD face of interest as B-spline surface with a rather dense control point grid. Face matching to scanned manufactured samples is then performed bySurface variations are an unavoidable byproduct of any manufacturing process and may lead to deviating part performance and even elevated part rejection rates. Because traditional computer aided-design approaches are aimed towards production of idealized, nominal geometric shapes, the wide geometric-and statistical-variability typical for any manufacturing process remains unrepresented and is frequently ignored during design. Thus, the present work aims at a more realistic design approach and, therefore, develops a collection of computer-aided design strategies for accurate representation, statistical analysis and prospective estimation of surface deviations with validation examples on aero engine turbine blades. The CAD representation of real manufactured surfaces requires the ability to accurately recreate complex geometric shapes. This is achieved by automated re-parametrization of any CAD face of interest as B-spline surface with a rather dense control point grid. Face matching to scanned manufactured samples is then performed by calculating control point displacements, which successfully deliver surface representation errors below typical measurement uncertainties on multiple matching examples from turbine shank and hot-gas faces. Since inference of performance variability due to manufacturing is usually limited by the amount of scanned manufactured parts, a probabilistic model is formulated based on singular-value decomposition of control point displacements and identification of dominant manufacturing modes. This allows generation of an infinite set of synthetic deviating surfaces faithful to experimental deviation patterns. Nominal geometric features may significantly differ between design iterations and manufacturing modes may not necessarily be transferable between different designs. Thus, deviation estimation may remain infeasible before manufacturing. To enable deviation estimation during the design phase, the present work proposes a machine learning strategy to identify deviation patterns explained by nominal geometric properties-such as relative position and local orientation-and use them for deviation estimation on new designs. This strategy is able to predict realistic stress variability induced by shank deviations of a turbine blade design using only surface deviation information from three given designs, which encourages machine-learning approaches as valuable tool for geometric deviation estimation as part of robust design.show moreshow less
  • Fertigungsabweichungen sind unvermeidbar und tragen signifikant zu unerwünschten Performance-Variationen und erhöhten Ablehnungsraten bei. Konventionelle rechnergestützte Bauteilauslegungsmethoden konzentrieren sich dagegen meist auf die Erstellung von idealisierten, nominalen Geometrien und lassen statistische Fertigungsvariabilitäten in der Auslegungsphase großenteils unberücksichtigt. Um beides besser miteinander zu verbinden, werden in dieser Arbeit eine Reihe von rechnergestützten Konstruktions- und Modellierungsmethoden vorgestellt, welche eine virtuelle Rekonstruktion, robuste statistische Analyse und prädiktive Abschätzung von Oberflächenabweichungen erlauben, und mittels Validierungsbeispiele für Turbinenschaufeln nachgewiesen. Die CAD Darstellung von Fertigungsabweichungen erfordert die Fähigkeit, komplexe geometrische Formen akkurat nachzubilden, weshalb in dieser Arbeit die CAD Fläche zunächst als B-Spline Fläche mit hoher Kontrollpunkt-Dichte re-parametrisiert wird. Die Flächenanpassung an eingescannte, gefertigteFertigungsabweichungen sind unvermeidbar und tragen signifikant zu unerwünschten Performance-Variationen und erhöhten Ablehnungsraten bei. Konventionelle rechnergestützte Bauteilauslegungsmethoden konzentrieren sich dagegen meist auf die Erstellung von idealisierten, nominalen Geometrien und lassen statistische Fertigungsvariabilitäten in der Auslegungsphase großenteils unberücksichtigt. Um beides besser miteinander zu verbinden, werden in dieser Arbeit eine Reihe von rechnergestützten Konstruktions- und Modellierungsmethoden vorgestellt, welche eine virtuelle Rekonstruktion, robuste statistische Analyse und prädiktive Abschätzung von Oberflächenabweichungen erlauben, und mittels Validierungsbeispiele für Turbinenschaufeln nachgewiesen. Die CAD Darstellung von Fertigungsabweichungen erfordert die Fähigkeit, komplexe geometrische Formen akkurat nachzubilden, weshalb in dieser Arbeit die CAD Fläche zunächst als B-Spline Fläche mit hoher Kontrollpunkt-Dichte re-parametrisiert wird. Die Flächenanpassung an eingescannte, gefertigte Bauteile erfolgt dann durch Berechnung von Kontrollpunkt-Verschiebungen. Anhand mehrerer Anpassungsbeispiele von Heißgas- und Schaftflächen einer Turbinenschaufel wird nachgewiesen, dass Anpassungsgenauigkeiten unterhalb typischer Messunsicherheiten möglich sind. Um statistische Abschätzungen der geometrischen Variabilität des Fertigungsprozesses trotz einer limitierten Anzahl an vermessenen Bauteilen zu ermöglichen, wird ein probabilistisches Modell der Fertigungsstreuung auf Basis von Singulärwertzerlegung der Kontrollpunkt-Abweichungen und Identifizierung dominanter Fertigungsmoden entwickelt. Dies ermöglicht die Generierung unendlich vieler, synthetischer fertigungstreuer Abweichungsexemplare. Diese Darstellung der geometrischen Variabilität ist allerdings auf eine bestimmte Parametrisierung beschränkt, weshalb eine direkte Übertragung auf neue abweichende geometrische Designs nicht korrekt ist. Um eine solche zu ermöglichen, wird eine Strategie zur Erkennung geometrisch-bedingter Fertigungsmuster basierend auf Methoden des maschinellen Lernens formuliert. Diese Strategie ist in der Lage, realistische Abschätzungen von Oberflächen- und Spannungsvariabilität der Schaftflächen einer Turbinenschaufel vorzunehmen, allein durch Verwendung von Oberflächenmessungen dreier bereits gefertigter Turbinenschaufel-Entwürfe. Damit wird das große Potential des maschinellen Lernens bei der Wissensextraktion aus Fertigungsexemplaren bestätigt und ihre Weiterentwicklung innerhalb robuster Entwurfsprozesse ermutigt.show moreshow less

Download full text files

Export metadata

Additional Services

Search Google Scholar Stastistics
Metadaten
Author: José Mauricio Urbano Caguasango
URN:urn:nbn:de:kobv:co1-opus4-61544
DOI:https://doi.org/10.26127/BTUOpen-6154
Referee / Advisor:Prof. Dr.-Ing. habil. Hon. Prof. (NUST) Dieter Bestle, Prof. Dr.-Ing. Peter Flassig
Document Type:Doctoral thesis
Language:English
Year of Completion:2022
Date of final exam:2022/09/30
Release Date:2022/12/12
Tag:CAD; Fertigungsabweichungen; Maschinelles Lernen; Robuster Entwurf; Turbinenschaufel
Computer-adided design; Machine learning; Manufacturing deviation; Robust design; Turbine blade
GND Keyword:Turbinenschaufel; CAD; Maschinelles Lernen; Fertigung; Abweichung
Institutes:Fakultät 3 Maschinenbau, Elektro- und Energiesysteme / FG Technische Mechanik und Fahrzeugdynamik
Licence (German):Keine Lizenz vergeben. Es gilt das deutsche Urheberrecht.
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.