Datengetriebene Modellierung

Funktionsweise eines Machine Learning Modells
Nutzung hybrider Modelle für Prozessverbesserungen

Datengetriebene Modellierung in der Produktion

Digitalisierung und Vernetzung sind Themen, die immer stärker Einzug in die Produktion halten. Denn die durchgängige Nutzung von Daten eröffnet in der Produktion weitreichende Optimierungspotenziale. Klassische Ansätze, um beispielsweise schwankende Qualitätsparameter zu identifizieren, stoßen aufgrund der zunehmenden Individualisierung von Produkten an ihre Grenzen.

Eine systematische und prozessübergreifende Analyse von Daten durch neue Technologien wie Machine Learning und künstliche Intelligenz erlaubt es, sowohl Prozesse als auch Produkte weiter zu verbessern. Prozess- und Produktdaten können auf diese Weise konkret für Predictive Maintenance, Process Optimization oder Predictive Quality genutzt werden und dazu beitragen, Maschinenstillstände zu vermeiden, Durchlaufzeiten zu verkürzen und die Qualität von Prozessen und Produkten zu verbessern.

Hybride Modellierung

Um die datengetriebene Modellierung weiter zu verbessern, erforscht das Fraunhofer IPT verschiedene Modellierungsstrategien und deren Kombinationsmöglichkeiten (Grey-Box Modellierung). Ziel ist es, die Vorteile verschiedener Modellierungsstrategien durch geschickte Kombination zu verbinden. So untersucht das Fraunhofer IPT beispielsweise Ansätze der Kombination von physikalischer Simulation (White-Box Modellierung) und datengetriebenen Ansätzen (Black-Box Modellierung) mit Blick auf ihre Anwendungspotenziale in der Produktion.

Automatisierung des Modellierungsprozesses

Neue Ansätze für Machine Learning wie AutoML helfen, die Erstellung von Machine-Learning-Modellen weitgehend zu automatisieren. Ziel ist es, die Zugänglichkeit von Machine Learning zu verbessern und ihre Nutzung auch Anwendern ohne spezielle Ausbildung zu erleichtern, etwa durch automatisierte Datenaufbereitung oder die gezielte Auswahl von Algorithmen und Hyperparametern.

Modellierung allein genügt aber noch nicht, um die Potentiale datengetriebener Ansätze vollständig zu erschließen. Praxisbezogene Optimierungsstrategien unterstützen die Gewinnung neuen Wissens, indem sie die Modellierung und die Nutzung des vorhandenen Wissens um Prozesse und Produkte im Unternehmen miteinander kombinieren.

Unsere Leistungen im Überblick

  • Industrie-4.0-Audit
  • Datengetriebene Modellierung von Produktionsprozessen
  • Projektarbeiten zur datengetriebenen Optimierung
  • Identifikation erfolgsversprechender Anwendungsfälle in der Industrie

Relevante Projekte

Innovationen im Turbomaschinenbau

Das »International Center for Turbomachinery Manufacturing« bietet eine integrierte sowie interdisziplinäre Plattform für die Entwicklung von Produktions- und Reparaturtechnologien im Turbomaschinenbau.

Schlankes Datenmanagement

Das Forschungsprojekt »charMant« entwickelt Konzepte, um kleinen und mittleren Unternehmen effiziente und kostengünstige Prozess- sowie Produktanalysen zu ermöglichen.

Hochflexible Fertigungsprozesse

Im Forschungsprojekt »Openmind« werden Systeme für hochflexible Fertigungsprozesse für individualisierte minimalinvasive Einwegprodukte der Medizin entwickelt.

Vernetzung optischer Fertigungsketten

Das Forschungsprojekt »EverPro« widmet sich der Erstellung technologieübergreifender, transferierbarer Infrastrukturkonzepte für die Vernetzung von Prozessketten komplexer Produkte der Optikfertigung.