Datengetriebene Modellierung von Fertigungsprozessen

Projekttitel: Datengetriebene Modellierung von Fertigungsprozessen

Forschungsbereich: Engineering and Business

Unsere Initiative konzentriert sich auf die Analyse realer Fertigungsprozesse mittels datengetriebener Methoden. Unter Einsatz fortgeschrittener Analytik und Machine-Learning-Techniken entwickeln wir robuste Modelle, um Fertigungsabläufe zu verstehen, vorherzusagen und zu optimieren. Durch die Nutzung von Daten verschiedener Sensoren und Maschinen entlang der Verarbeitungsschritte streben wir an, die Effizienz zu steigern und die Produktqualität zu verbessern. Durch iterative Verfeinerung passen sich unsere Modelle dynamischen Produktionsumgebungen an und treiben kontinuierliche Verbesserungen sowie Kosteneinsparungen voran. Unser kollaborativer Ansatz verbindet Fachwissen aus der Domäne mit modernster Data Science, um Herstellern umsetzbare Erkenntnisse für fundierte Entscheidungen und nachhaltige Prozessoptimierung zu ermöglichen.

Ziele

Unser Ziel ist es, optimale Verarbeitungsparameter zu identifizieren. Dieser Ansatz wird für zwei Prozessketten verfolgt: 1. einen Bonding-Prozess im Labormaßstab, bei dem die kohäsiven und adhesiven Festigkeiten maximiert werden sollen, und 2. einen Fertigungsprozess im Großmaßstab für eine hybride A-Säule, bei dem die Energiedissipation bis zu einer vordefinierten Eindringgrenze so hoch wie möglich sein soll, während scharfe Maxima in der Kraft-Weg-Kurve vermieden werden. Durch den Einsatz datengetriebener Analysen streben wir an, Effizienz und Wirksamkeit in den Fertigungsprozessen zu maximieren und gleichzeitig den Ressourcenverbrauch zu minimieren.

Problemstellung

Wir möchten den Zusammenhang zwischen Verarbeitungsparametern und den daraus resultierenden Eigenschaften in der Fertigung aufklären. Durch die Analyse von Daten wollen wir verstehen, wie Variationen der Parameter die Ergebnisse beeinflussen, um fundierte Entscheidungen zur Prozessoptimierung und zur Verbesserung der Produktqualität zu ermöglichen.

Technologie

Wir setzen Random-Forest-Regression gekoppelt mit Latent-Space-Modellierung ein, um komplexe Fertigungsdaten zu analysieren. Dieser integrierte Ansatz ermöglicht es uns, intricate Zusammenhänge zwischen Verarbeitungsparametern und Produkteigenschaften zu erfassen und umfassende Erkenntnisse für Prozessoptimierung und prädiktive Modellierung zu liefern.

Ausblick

Wir planen, Modellvorhersagen zu nutzen, um Fertigungsversuche durchzuführen, die darauf abzielen, unsere Erkenntnisse zu validieren und zu verfeinern. Durch die Integration prädiktiver Analytik in die Versuchsplanung wollen wir Experimente straffen, Zeit- und Ressourcenkosten senken und die Identifikation optimaler Prozessparameter beschleunigen. Dieser iterative Ansatz fördert kontinuierliche Verbesserungen und steigert die Effizienz und Wirksamkeit von Fertigungsabläufen.

Publikationen

von Unold, M., Haider, D., Gerritzen, J., Hornig, A., & Gude, M. (2019). Manufacturing of Hybrid Overmoulded FRP Components: Impact of Process and Environmental Parameters on the Mechanical Properties (Version initial) [dataset]. Zenodo. https://doi.org/10.5281/ZENODO.6607441

TU Dresden und Citrine Informatics kooperieren bei der Forschung zu faserverstärkten Kunststoff-(FRP)-Komponenten. Gemeinsame Pressemitteilung: https://citrine.io/media-post/tu-dresden-and-citrine-informatics-collaborate-on-fiber-reinforced-plastics-frp-components-research/

Koshukow, W., Liebsch, A., Wippermann, J.; Kolbe, B.; Kupfer, R., Troschitz, J., Buske, M., Meschut, G., Gude, M.: (2023). Influence of Plasma Coating Pretreatment on the Adhesion of Thermoplastics to Metals. In: Proceedings of the Munich Symposium on Lightweight Design 2022. Springer Vieweg, Cham. https://doi.org/10.1007/978-3-031-33758-1_7

Team

Teamleitung
Prof. Dr. Maik Gude
Johannes Gerritzen

Teammitglieder
Dr. Andreas Hornig

Partners

• ILK- Institute of Lightweight Engineering and Polymer Technology, University of Technology Dresden
• Citrine Informatics