Robust optimization of mechanical systems affected by large system and component variability = Robustheitsbasierte Optimierung für mechanische Systeme mit großer Streuung der relevanten System- und Elementgrößen

Pablo Enrique Leslabay
2010
Wissen ist einer der entscheidenden Faktoren in den Volkswirtschaften unserer Zeit. Der Unternehmenserfolg wird in der Zukunft mehr denn je davon abhängen, wie schnell ein Unternehmen neues Wissen aufnehmen, zugänglich machen und verwerten kann. Die Aufgabe eines Universitätsinstitutes ist es, hier einen wesentlichen Beitrag zu leisten. In den Forschungsarbeiten wird ständig Wissen generiert. Dieses kann aber nur wirksam und für die Gemeinschaft nutzbar werden, wenn es in geeigneter Form
more » ... ziert wird. Diese Schriftenreihe dient als eine Plattform zum Transfer und macht damit das Wissenspotenzial aus aktuellen Forschungsarbeiten am IPEK Institut für Produktentwicklung Karlsruhe (ehemals: Institut für Maschinenkonstruktionslehre und Kraftfahrzeugbau) verfügbar. Die Forschungsfelder des Institutes sind die methodische Entwicklung und das Entwicklungsmanagement, die rechnergestützte Optimierung von hochbelasteten Strukturen und Systemen, die Antriebstechnik mit einem Schwerpunkt auf den Gebieten Antriebsstrang-Engineering und Tribologie von Lager-und Funktionsreibsystemen, die Mikrosystemtechnik mit dem Focus auf die zugehörigen Entwicklungsprozesse sowie die Mechatronik. Die Forschungsberichte werden aus allen diesen Gebieten Beiträge zur wissenschaftlichen Fortentwicklung des Wissens und der zugehörigen Anwendung -sowohl den auf diesen Gebieten tätigen Forschern als auch ganz besonders der anwendenden Industrie -zur Verfügung stellen. Ziel ist es, qualifizierte Beiträge zum Produktentwicklungsprozess zu leisten. Albert Albers iii Vorwort zu Band 39 Der zunehmende Trend zur Miniaturisierung in den technischen Systemen ist ungebrochen. Dabei erlauben mechanische Mikrosysteme nicht nur neue Anwendungen, in denen der Aspekt der reduzierten Größe von besonderer Bedeutung ist, z. B. in der Medizintechnik, sondern als Teile von Makrosystemen, z. B. im Fahrzeugbau mit neuartigen Sensoren und Aktoren, befruchten diese miniaturisierten Mikrosysteme ebenfalls die Produktentwicklung auf der Makroebene. Eine große Herausforderung bei den mechanischen Mikrosystemen ist neben der Herstellung der entsprechenden Komponenten und Bauteile im Vergleich zur Makrowelt völlig veränderte Situation des Verhältnisses von Abweichungen und Toleranzen der Elemente und Bauteile im Verhältnis zu den funktionsbestimmenden Hauptabmessungen. Bei solchen mechanischen Mikrosystemen müssen fertigungsbedingt größere Toleranzen in den Bauteilen und Strukturen berücksichtigt und zugelassen werden. Gleichzeitig kommt ein weiterer Aspekt bei den mechanischen Mikrosystemen auch stärker zum Tragen, der allerdings auch für die Makrosysteme durchaus relevant ist. Die Streuung von Parametern, z. B. zur Beschreibung der Festigkeit oder des Werkstoffverhaltens haben eine erhebliche Auswirkung auf die spätere Funktions-und Leistungsfähigkeit des entstehenden technischen Systems. Im Entwicklungsprozess ist hier ein zentraler Aspekt die sog. Robustheit des Designs. Ziel ist es dabei, sowohl die Systemstruktur als auch die Systemgestalt inklusive der einzelnen Komponenten so zu designen, dass eine möglichst hohe "Toleranz" des Systems gegenüber Schwankungen in der Geometrie und anderen Parametern erreicht wird. Dieser unter dem Begriff der Robustheit technischer Systeme verfolgte Ansatz ist eine ganz wesentliche Stellschraube, um sowohl mechanische Mikrosysteme als auch Makrosysteme unter den Aspekten technologische Funktion, Sicherheit und Wirtschaftlichkeit weiter zu optimieren. Im Rahmen eines Sonderforschungsbereiches am Karlsruher Institut für Technologie (KIT) werden neue Konzepte für die Entwicklung und Produktion mechanischer Mikrosysteme erarbeitet. Als Demonstratoren dienen u. a. ein Planetengetriebe und eine Förderschnecke im Miniaturformat. Die Forschungsarbeiten in diesem Sonderforschungsbereich haben die besondere Problematik des Einflusses von Toleranzen auf die Systemfunktion vielfältig gezeigt. An dieser Stelle setzt die Arbeit von Herrn Dr.-Ing. Pablo Leslabay an. Er hat sich zum Ziel gesetzt, robustheitsbasierte Optimierungsmethoden für mechanische Systeme zu erforschen, die in der Lage sind, die großen Streuungen in relevanten System-und Elementparametern bei der Erarbeitung von Design-Konzepten zu berücksichtigen. iv Dazu entwickelt er auf der Basis des Entwicklungsprozessmodell iPeM des Instituts für Produktentwicklung eine Gesamtmethode, die es erlaubt, ausschließlich auf der Basis von Simulationen bereits in der frühen Phase der Produktentwicklung das Verhalten mechanischer Mikrosysteme unter der Berücksichtigung von Komponenten mit großen Streuungen in den relevanten Parametern zu beschreiben. Dabei wird die stochastische Natur der vielfältigen Komponenten in ihrer Variabilität im Modell berücksichtigt. Daraus abgeleitet werden dann die Elemente eines Entwicklungsprozess, der es erlaubt, sowohl die deterministischen als auch die stochastischen Aspekte solcher Systeme ganzheitlich zu optimieren. Die Arbeit leistet so einen wichtigen Beitrag zur Berücksichtigung der Robustheit bei der Entwicklung komplexer technischer Systeme. Abstract The following work deals with methods based on computer-simulation aimed both to determine the robustness and/or reliability of complex mechanical systems affected by large tolerances in the individual components, and to improve their output characteristics considering the stochastic nature of these outputs. The improvement does not derive from tightening the tolerances but from altering the nominal values in order to better account for the inevitable variation. A micro-technology demonstration device developed by the CRC499 has been selected throughout as an application example. The work has been divided in four main sections, which should be performed in the order proposed but not all are necessary. Nevertheless, it is recommended that the complete path be followed in order to get the most out of the effort. The first step is to create an adequate simulation model and to validate its prediction against previous practical knowledge or measurements. An adequate model is one able to provide just the detail resolution needed for the targeted forecast by processing as fast as possible. It should also be easy to modify or parametric, as it will undergo countless modifications. All the procedures depicting stochastic behavior are characterized and restricted by the large amount of probes they need. The second step is to carefully determine which of the variations are really relevant for the output value under consideration. This exercise has to be repeated for different outputs, as there is no guarantee that the sets derived will agree. In order to provide the reader with some basis for comparison, the procedure is performed with several generally adopted Design of Experiments (DOE) techniques. The strengths and weaknesses of these are discussed relative to the micro device selected. In a third step, possibilities to assess the output robustness and reliability for these mechanical systems are described and discussed. This is based on the parameters derived from the previous step. Selected computational examples are also included. Both micro-specific as tolerance-related issues are included in the discussion. The last step is to integrate the knowledge attained through parameter analysis and robustness assessment into an optimization loop, in order to improve the stochastic performance of the different output values. Again, several approaches are tested and compared to the application example. A discussion of the possibilities and limitations of each of them is included. vii Kurzfassung Die folgende Arbeit befasst sich mit simulationsbasierten Methoden mit dem Ziel der Bestimmung der Robustheit und/oder Zuverlässigkeit von komplexen mechanischen Systemen, deren einzelne Komponenten von großen Toleranzen geprägt sind. Ziel der Arbeit ist die Verbesserung der Ausgangseigenschaften des Systems unter Betrachtung stochastischer Einflüsse. Die Verbesserung wird nicht durch eine Reduktion des Toleranzrahmens erreicht, sondern durch die Änderung der Nennmaße. Ein im Rahmen des SFB499 entwickelter Technologiedemonstrator wurde als durchgehendes Anwendungsbeispiel ausgewählt. Die Arbeit ist in vier inhaltliche Einheiten unterteilt, die in der vorgestellten Reihenfolge durchgeführt werden sollten, jedoch je nach Problem nicht zwingend alle erforderlich sind. Zur Gewinnung der in der Arbeit vorgestellter Informationen wird dennoch empfohlen, alle Schritte durchzuführen. Der erste Schritt ist die Erstellung eines adäquaten Simulationsmodelles und dessen Validierung anhand Vorkenntnisse oder Messdaten. Unter adäquat wird ein Modell verstanden, das nur die nötige Detailtreue für die gewünschte Vorhersage bereitstellt, und dabei eine möglichst niedrige Rechenzeit aufweist. Es soll außerdem einfach modifizierbar sein, da eine Vielzahl an Varianten berechnet werden soll. Sämtliche Prozeduren, die sich mit stochastischem Verhalten beschäftigen, führen zu der Herausforderung, dass eine große Anzahl an Proben erforderlich ist. In einem zweiten Schritt werden diejenigen Parameter, die tatsächlich relevant für den betrachteten stochastischen Ausgang sind, identifiziert. Dieser Vorgang muss für jeden Ausgangswert wiederholt werden, da nicht gewährleistet werden kann, dass die Parametersets für alle gewünschten Ausgänge miteinander übereinstimmen. Um eine Vergleichsbasis zu schaffen, wurde die Prozedur für verschiedene gängige Design of Experiments (DOE) Methoden wiederholt. Deren Vor-und Nachteile werden anhand des Anwendungsbeispiels diskutiert. Im dritten Schritt werden basierend auf den zuvor abgeleiteten Parametern die Möglichkeiten zur Bestimmung der Robustheit und Zuverlässigkeit der Systeme betrachtet und anhand ausgewählter Beispiele aufgezeigt. Sowohl mikro-als auch toleranzspezifische Belange werden diskutiert. Der letzte Schritt ist die Integration der durch Parameteranalyse und Robustheitsbestimmung gewonnenen Kenntnisse in eine Optimierung, um die stochastische Performanz der Ausgänge zu verbessern. Erneut werden sämtliche Verfahren anhand des Anwendungsbeispiels getestet und verglichen sowie deren Stärken und Schwächen analysiert. ix Acknowledgments
doi:10.5445/ir/1000017557 fatcat:ydmooy3iajcqbjvhmhhebr4ydy