Neues BMBF-Forschungsprojekt zum Maschinellen Lernen

SCALE startet mit Fraunhofer IWU Dresden und der Professur für Künstliche Intelligenz in Chemnitz ein BMBF-Projekt zu Maschinellem Lernen.

Zum 1. Dezember 2018 startete SCALE gemeinsam mit den Partnern Fraunhofer IWU Dresden und der Fakultät Informatik, Professur für Künstliche Intelligenz der TU Chemnitz, ein neues Forschungsprojekt. Das Projekt hat eine Laufzeit von drei Jahren und wird vom Bundesministerium für Bildung und Wirtschaft (BMBF) finanziert. Das Ziel besteht darin, Maschinelles Lernen für die Prognose von Prozessparametern und Bauteilqualität in der automobilen Karosserieproduktion einzusetzen.

 

Gegenstand des Forschungsprojekts sind die Modellentwicklung und die Anwendung des Maschinellen Lernens (ML) zur Beschleunigung des Planungs- und Serienanlaufs bei der Karosseriefertigung. Dabei sollen die in der Prozessentwicklungs- bzw. Produktionsanlaufphase generierten Ein- und Ausgabedaten für die Entwicklung von Prognosemodellen zur Prozessoptimierung bzw. zur Qualitätssicherung in der Produktion genutzt werden. Neben den prozess- bzw. bauteilbezogenen Kenngrößen soll zudem das fertigungstechnische Expertenwissen bei der Modellentwicklung berücksichtigt werden.

 

Durch den Einsatz unterschiedlicher Methoden des Maschinellen Lernens in der Karosseriefertigung sollen folgende Ergebnisse erzielt werden:

 

  • Deutliche Dynamisierung der Entwicklungszyklen von Karosseriebaugruppen
  • Abbildung der indirekten und direkten Wechselwirkungen zwischen Ein- und Ausgabegrößen (z. B. schwankende Halbzeugeigenschaften, Maschinenparameter, definierte Baugruppeneigenschaften)
  • Verbesserung der Robustheit durch Regelung der Qualität mittels situative Anpassung der Einflussgrößen
  • Nutzung von Daten- und Prognosemodellen der Entwicklungsphase für datengetriebene Modelle zur Qualitätssicherung in der Produktion und somit Steigerung der Produktivität durch die Reduzierung von Ausfallzeiten sowie Produktionsausschuss

 

Die wissenschaftlichen Herausforderungen in Bezug auf das Maschinelle Lernen sind dabei:

  • Lernen aus Datensätzen mit unterschiedlichen Datendimensionen (Entwicklungsphase, Produktionsanlauf, Serienproduktion)
  • Zusammenführen heterogener Datenquellen (Laborexperiment, FEM-Simulation, Produktion)
  • Implementierung von fertigungstechnischem Expertenwissen bei der Auswahl der Trainingsdaten sowie der Modellentwicklung
Kontakt
contact Ingolf Lepenies
  • FEM-Methoden