KI-Rohrbiegen: Rückfederung exakt kompensieren

TL;DR

KI-Modelle sagen die Rückfederung beim Rohrbiegen materialchargengenau vorher und berechnen Überbiegewinkel automatisch. Rohrbiegebetriebe erreichen damit First-Part-Right-Quoten von 92–96 %, reduzieren Einrichtzeit um 45 % und senken Ausschuss beim Erstbiegen um 60 %. Der Schlüssel: Zugversuchsdaten der aktuellen Materialcharge als Input für das Modell.

Jede Charge biegt anders

Freitagvormittag, Rohrbiegebetrieb bei Solingen. Der Einrichter stellt eine CNC-Biegemaschine auf ein neues Los Edelstahlrohr 1.4301 ein — gleicher Zeichnungsauftrag wie letzte Woche, gleiches Material auf dem Papier. Trotzdem sind die ersten drei Rohre Ausschuss: 1,8° zu wenig Biegewinkel. Die Rückfederung dieser Charge ist höher als bei der letzten.

Der Einrichter korrigiert manuell, biegt Probestücke, misst, korrigiert wieder. Nach 40 Minuten und 5 Verschnittteilen stimmen die Winkel. Bei 12 Einrichtvorgängen pro Tag bedeutet das: 8 Stunden Einrichtzeit pro Woche und 60 Ausschussteile.

Dieses Szenario wiederholt sich in tausenden Rohrbiegebetrieben in Deutschland. Die Ursache ist physikalisch unvermeidbar: Rückfederung (Springback) tritt bei jeder Biegung auf und hängt von Materialparametern ab, die zwischen Chargen um 5–15 % schwanken — Streckgrenze, E-Modul, Verfestigungsexponent. Die Zeichnungspezifikation „1.4301" erlaubt Streckgrenzen von 230 bis 350 MPa. Das ist ein Faktor 1,5 — und der Rückfederungswinkel skaliert nahezu linear mit.

Warum Formelansätze versagen

Die klassische Rückfederungsberechnung nach DIN 6935 oder dem Ansatz von Gardiner funktioniert für idealisierte Bedingungen:

• Homogenes Material
• Ebener Spannungszustand
• Isotrope Verfestigung
• Kein Reibungseinfluss

In der Praxis treffen diese Annahmen selten zu. Rohre haben Wanddicken-Toleranzen von ±10 %, die Nahtposition beeinflusst die lokale Steifigkeit, und bei dünnwandigen Rohren (D/t > 20) kommen Ovalitätseffekte hinzu.

Das Ergebnis: Analytische Formeln liefern Rückfederungswerte mit Abweichungen von ±15–25 %. Bei einem Sollwinkel von 90° bedeutet das eine Unsicherheit von ±2,3–3,8° — viel zu viel für Automobilanwendungen mit ±0,5° Toleranz.

FEM-Simulation (Finite Elemente) ist genauer (±3–5 %), aber zu langsam: Eine einzelne Biegesimulation dauert 15–45 Minuten. Bei einem Rohr mit 8 Biegungen wären das über 5 Stunden — undenkbar in der Serienproduktion.

KI schließt diese Lücke: Genauigkeit auf FEM-Niveau (±1,5–3 %), Berechnungszeit unter 1 Sekunde.

Das KI-Modell: Inputs und Architektur

Ein Rückfederungsmodell für das Rohrbiegen benötigt drei Datengruppen:

Materialdaten (chargenspezifisch)

• Streckgrenze Rp0,2 in MPa
• Zugfestigkeit Rm in MPa
• Bruchdehnung A80 in %
• E-Modul in GPa (optional, variiert weniger)
• Verfestigungsexponent n (aus Zugversuch)
• Wanddicke gemessen (nicht Nennmaß)

Geometriedaten

• Rohraußendurchmesser D in mm
• Wanddicke t in mm (gemessen)
• Biegewinkel α (Sollwinkel)
• Biegeradius R (Werkzeug-Mittenradius)
• Verhältnis R/D (bestimmt die Biegeschwierigkeit)
• CLR (Center Line Radius) / D-Verhältnis

Prozessdaten

• Biegegeschwindigkeit in °/s
• Druckbackendruck in bar
• Gleitschienenschmierung (ja/nein/Typ)
• Dorntyp und Dornposition
• Maschinentemperatur (nach Warmlauf)

# Trainingsdaten-Schema für Rückfederungsmodell
training_record:
  material:
    werkstoff_nr: "1.4301"
    charge: "CH-2026-03-0847"
    rp02_mpa: 285
    rm_mpa: 612
    a80_prozent: 52.3
    n_value: 0.38
    wanddicke_ist_mm: 1.52  # Nennmaß: 1.5

  geometrie:
    durchmesser_mm: 25.0
    sollwinkel_grad: 90.0
    biegeradius_mm: 37.5  # 1.5xD
    clr_d_ratio: 1.5

  prozess:
    geschwindigkeit_grad_s: 15
    druckbackendruck_bar: 45
    schmierung: "Raziol CLF 600"
    dorn: "Kugeldorn 3-gliedrig"

  ergebnis:
    ist_winkel_grad: 87.2  # nach Rückfederung
    rueckfederung_grad: 2.8
    ovalitaet_prozent: 3.1

Modelltyp

Gradient Boosting (XGBoost) hat sich als bester Kompromiss bewährt: Genug Kapazität für nichtlineare Zusammenhänge, schnelles Training (unter 30 Sekunden auf einem Laptop), interpretierbare Feature Importance. Neuronale Netze bringen 0,3–0,5° bessere Genauigkeit, erfordern aber 10x mehr Trainingsdaten.

Trainingsumfang: 300–500 Biegeversuche mit vollständiger Dokumentation reichen für ein werkstoffspezifisches Modell. Ein werkstoffübergreifendes Modell braucht 1.500–3.000 Datensätze.

First-Part-Right: So funktioniert der Workflow

Der Ablauf in der Praxis verändert sich fundamental:

Bisher: Auftrag kommt → Einrichter ruft Erfahrungswerte ab → Probebiegen → Messen → Korrigieren → Probebiegen → Messen → Serienstart

Mit KI: Auftrag kommt → System liest Materialzertifikat (Werkszeugnis 3.1) → KI berechnet Überbiegewinkel für jede Biegung → Einrichter lädt Programm → Serienstart

Der entscheidende Schritt ist die automatische Verarbeitung des Werkszeugnisses 3.1. Dieses Dokument enthält die chargenspezifischen Materialkennwerte. In vielen Betrieben liegt es als PDF vor und wird abgeheftet — niemand liest die Werte aus.

Ein OCR-Modul (oder besser: ein strukturierter Datenimport vom Stahlhändler) überträgt Rp0,2, Rm und A80 direkt in das KI-System. Die Vorhersage des Überbiegewinkels erfolgt in unter 0,5 Sekunden.

Praxisergebnis bei einem Automotive-Zulieferer (Bochum, 62 MA):

Jährliche Einsparung: 67.000 € (32.000 € Materialverschnitt, 22.000 € Zeitgewinn, 13.000 € weniger Nacharbeit). Die Investition von 45.000 € amortisiert sich in 8 Monaten. Details zur Berechnung solcher Projekte bietet unsere ROI-Vorlage für KI-Investitionen.

Multi-Bend-Korrektur: Wenn Biegungen sich gegenseitig beeinflussen

Bei Rohren mit mehreren Biegungen reicht es nicht, jede Biegung isoliert zu korrigieren. Die erste Biegung beeinflusst die zweite — und zwar auf zwei Wegen:

1. Kaltverfestigung: Das Material im Biegebereich wird härter. Wenn die zweite Biegung nahe an der ersten liegt (Abstand < 2×D), ist die Rückfederung dort 10–15 % höher.
2. Geometrische Akkumulation: Kleine Winkelfehler summieren sich. Bei einem Rohr mit 6 Biegungen und ±0,3° Fehler pro Biegung kann der Endpunkt um 8 mm daneben liegen.

Das KI-Modell berücksichtigt die Biegesequenz und passt die Überbiegewinkel sequenziell an. Die letzte Biegung wird mit der kumulierten Information aller vorherigen Biegungen berechnet. In der Praxis verbessert das die Endpunktgenauigkeit um 40–55 % gegenüber isolierter Korrektur.

Für Betriebe, die allgemein an Predictive Maintenance und Prozessoptimierung in der Produktion interessiert sind, bietet unser Beitrag einen breiteren Überblick.

Datenaufbau: Der pragmatische Weg

Die größte Hürde ist nicht die KI, sondern die Datenbasis. Drei Strategien:

Strategie 1 — Retrospektive Datenerfassung: Materialkennwerte aus alten Werkszeugnissen digitalisieren (letzten 12 Monate). Biegeergebnisse aus der Maschinensoftware exportieren. Zusammenführen über Chargennummer und Datum. Vorteil: Sofort 200–400 Datensätze verfügbar. Nachteil: Lücken, weil nicht immer der richtige Ist-Winkel dokumentiert wurde.

Strategie 2 — Prospektive Erfassung (empfohlen): Ab sofort jeden Biegevorgang vollständig dokumentieren. Investition: Ein Winkelmessgerät am Maschinenausgang (Keyence, 3.500 €) und ein Tablet für Chargeneingabe. In 3 Monaten haben Sie 300+ Datensätze.

Strategie 3 — Biegeversuche (für den schnellen Start): Gezielt 100 Probestücke in verschiedenen Winkeln, Radien und Materialdicken biegen. Dauer: 2 Tage. Materialkosten: 400–800 €. Ergibt ein Erstmodell, das über die prospektive Erfassung kontinuierlich verbessert wird.

Der Komplettleitfaden für KI im Unternehmen beschreibt diese Datenaufbau-Strategien werkstoffübergreifend.

Materialspezifische Besonderheiten

Nicht jeder Werkstoff verhält sich gleich. Drei Praxisbeispiele:

Edelstahl 1.4301/1.4571: Hohe Kaltverfestigung (n = 0,35–0,45). Rückfederung stark winkelabhängig — bei 45° relativ mehr als bei 90°. Das Modell profitiert hier besonders von den chargenspezifischen Daten, weil die Streuung zwischen Chargen 8–12 % beträgt.

Aluminium 6060-T6: Geringe Bruchdehnung (8–12 %), hohes Rissrisiko an der Außenfaser. KI-Modell muss nicht nur Rückfederung vorhersagen, sondern auch die Risswahrscheinlichkeit. Ein separater Klassifikator warnt, wenn das R/D-Verhältnis für die aktuelle Charge kritisch wird.

Kupferrohr: Sehr geringe Rückfederung (0,5–1,5° bei 90°), aber starke Abhängigkeit von der Glühbehandlung. Weichgeglühtes Kupfer federt anders zurück als halbhartes. Das Modell braucht den Werkstoffzustand als kategorische Variable.

Integration in die Maschinensteuerung

Die Schnittstelle zur CNC-Biegemaschine ist der letzte — und oft unterschätzte — Schritt. Drei Varianten:

1. Manuell: KI berechnet Überbiegewinkel, Einrichter tippt die korrigierten Werte in die Steuerung ein. Funktioniert bei wenigen Biegungen, fehleranfällig bei 10+.
2. Datei-Transfer: KI erzeugt ein korrigiertes NC-Programm (Format abhängig vom Hersteller: Schwarze-Robitec, Tracto-Technik, BLM). Import per USB oder Netzwerk.
3. Direkte Anbindung: KI-System kommuniziert über API oder OPC UA mit der Maschinensteuerung. Überbiegewinkel werden automatisch in die aktiven Biegeparameter geschrieben. Voraussetzung: Maschine mit offener Steuerungsarchitektur.

Für den Einstieg ist Variante 2 der beste Kompromiss — schnell umgesetzt, kein Eingriff in die Maschinensteuerung, dennoch fehlerfrei. Mehr zu KI-Implementierungsstrategien im verlinkten Beitrag.

Häufige Fragen

Wie genau muss der Zugversuch sein?

Die Standardabweichung des Rp0,2-Werts im Werkzeugnis liegt bei ±5 MPa. Das ist ausreichend für das KI-Modell. Entscheidend ist, dass die Werte der tatsächlichen Charge entstammen — nicht einer Typprüfung oder einem Mittelwert über mehrere Chargen. Wenn Ihr Stahlhändler nur Typprüfungen liefert, lohnt sich ein eigenes Zugversuchsgerät (ab 15.000 € gebraucht).

Funktioniert das auch bei freien Biegungen (ohne Dorn)?

Ja, sogar besser. Dornlose Biegungen haben weniger Prozessvariablen, das Modell wird einfacher. Die Rückfederung ist bei freier Biegung allerdings 20–30 % höher und von der Biegegeschwindigkeit stärker abhängig. Das Modell muss diese Abhängigkeit abbilden.

Kann das Modell auch Ovalität vorhersagen?

Ja, wenn die Trainingsdaten Ovalitätsmessungen enthalten. In der Praxis wird Ovalität seltener gemessen als der Biegewinkel, was den Trainingsdatenaufbau erschwert. Ein Ansatz: Ovalität nur an kritischen Biegungen (R/D < 1,5) messen und das Modell auf diesen Bereich fokussieren.

Was passiert bei einem Werkstoff, der nicht im Trainingsdatensatz ist?

Das Modell fällt auf den analytischen Formelansatz zurück — mit der bekannten Ungenauigkeit von ±15–25 %. Ab der dritten Biegung mit dem neuen Werkstoff beginnt Online-Learning: Das Modell misst den Ist-Winkel, berechnet die tatsächliche Rückfederung und passt die Vorhersage für die nächsten Biegungen an. Nach 20–30 Biegungen erreicht es die volle Genauigkeit.

Brauche ich für jede Maschinenmarke ein eigenes Modell?

Grundsätzlich ja, weil die Maschinensteifigkeit und Werkzeuggeometrie die Rückfederung mit beeinflussen. In der Praxis zeigt sich aber: Maschinen gleicher Baugröße und Bauart (z. B. zwei Schwarze-Robitec CNC 60) können dasselbe Modell nutzen. Zwischen verschiedenen Herstellern (z. B. Schwarze-Robitec vs. BLM) ist ein Transfer möglich, erfordert aber eine Kalibrierung mit 30–50 Biegungen auf der neuen Maschine.