TWIN

Transformation komplexer Produktentstehungsprozesse in wissensbasierte Services für die generative Fertigung

Im Fokus des Verbundprojektes TWIN steht der Entwicklungsprozess zur Fertigung von Prototypen mit Hilfe des Laser-Pulver-Auftragsschweißens (LPA) aus dem Bereich der generativen Fertigung (GF). Ziel ist es, die Automatisierung, die Qualität, die Zuverlässigkeit und die Bereitstellung der Daten, in der generativen Fertigung am Beispiel des LPA-Prozesses mittels automatisierter Datenverarbeitung und maschineller Lernverfahren zu erhöhen. Durch diesen ganzheitlichen Ansatz wird die Grundlage für neue Smart-Services gelegt.

Das Teilprojekt TWIN-SMART leistet einen Beitrag für wissensintensive Dienstleistungen im Förderprogramm „Internetbasierte Dienstleistungen für komplexe Produkte“ sowie „Dienstleistungsinnovationen für die Produktionsprozesse und -anlagen“. Dabei steht der analytische Bereich im Fokus, für den Service-Systeme auf Basis von dynamischen Analytik-Pipelines entwickelt werden. Diese sollen innerhalb des TWIN-Projekts an zwei wesentlichen Stellen zum Einsatz kommen. Zum einen sollen Erkenntnisse im Bereich der Werkstückentwicklung durch Analyse von Maschinendaten gewonnen, zum anderen soll die unternehmensübergreifende Prozesskette bei der Produktentwicklung durch intelligente Verfahren optimiert werden. Im Rahmen des Verbundprojektes ist es dadurch möglich, ein Gesamtsystem zu entwickeln und umzusetzen, welches die genauen Details zur Logistik und zum Verlauf der Prozesse verarbeitet und darstellt. Somit sollen einem Auftraggebenden alle Informationen zur Verfügung gestellt werden, um den Auftrag zu bewerten und weitere Entscheidungen zu treffen. Zu diesem Zweck ist es geplant, Konzepte und Technologien zur intelligenten Datenerfassung in Kombination mit Methoden zur Anomalieerkennung in TWIN-SMART zu entwickeln, die das Produkt-Service-System von TWIN ergänzen bzw. unterstützen. Kern dieser Konzepte und Technologien bildet eine dynamisch skalierbare Architektur für End-to-End Analysepipelines. Unter End-to-End Pipelines werden hierbei eine Anzahl von Komponenten verstanden, die ausgehend von der Datenquelle alle notwendigen Verarbeitungsschritte bis hin zu einem Modell umfassen. Insbesondere zählen hierzu die Sammlung der Rohdaten (Batch oder Stream), die Vorverarbeitung inkl. Bereinigung und Transformation, das Training sowie die Bereitstellung der zu erzeugenden Modelle. Letztere sollen auf Basis ausgewählter Verfahren des maschinellen Lernens realisiert werden, wie z.B. die Nutzung rekurrenter neuronaler Netze im Bereich der Zeitreihenanalyse oder so genannter Autoencoder im Bereich des Feature Engineerings als alternative Herangehensweise zur PCA. Im Rahmen einer Analyse der Verfahren soll aber auch geprüft werden, inwieweit aktuelle Verfahren des Deep Learnings gegenüber traditionellen Verfahren wie SVM (Support Vector Machine) überhaupt einen Mehrwert (z.B. im Falle nicht linearer Abhängigkeiten zwischen Variablen) bieten können.

Laufzeit: 10/2019-09/2022
Fördernummer: 02K18D052

Projektteam

• Dr. Christoph Augenstein
• Markus Bauer