Datenkompetenzen und Maschinelles Lernen zur prozessübergreifenden Qualitätssicherung in der Materialforschung
Die Qualität spritzgegossener Bauteile nimmt in der Materialforschung aufgrund erweiterter Einsatzgebiete und höherer mechanischer Belastungen zunehmend an Bedeutung zu. In diesem Monat ist das Forschungsprojekt „ProData“ gestartet, welches das Ziel verfolgt, die Qualitätssicherung und Prozessoptimierung in der Materialverarbeitung mithilfe von Datenkompetenzen und Machine Learning (ML) auf eine neue Stufe zu heben.
Herausforderungen in der Materialforschung
Die Materialforschung steht vor einer Vielzahl komplexer Herausforderungen. Steigende Qualitätsanforderungen, die Notwendigkeit der Verarbeitung komplexer Bauteilgeometrien, zunehmende Variantenvielfalt und die Integration von Rezyklaten in den Herstellungsprozess stellen die Prozesse vor wachsende Herausforderungen. Traditionelle Methoden zur Qualitätssicherung und modellbasierten Prozessoptimierung erreichen ihre Grenzen angesichts dieser Komplexität.
Rolle von Machine Learning und Datenkompetenzen
Machine Learning, ein Teilgebiet der Künstlichen Intelligenz, erweist sich als Schlüsseltechnologie zur Bewältigung dieser Herausforderungen. ML-Methoden ermöglichen die Analyse und Identifikation von Ursache-Wirkungszusammenhängen in großen, prozessübergreifenden Datenmengen. Diese Forschung setzt auf eine breite Palette von ML-Verfahren, darunter überwachte, unüberwachte, semi-überwachte und bestärkende Lernverfahren, um die Komplexität der Materialverarbeitung zu bewältigen.
Forschungsfragen und Gegenstand der anstehenden Arbeiten
Im Rahmen des Projekts „ProData“ werden folgende zentrale Fragen untersucht:
- Identifikation datenbasierter Anomalien in Spritzgießprozessen: Inwieweit lassen sich mithilfe datenbasierter Methoden Anomalien in den Spritzgießprozessen identifizieren?
- Nutzung von Imbalanced Data für die unüberwachte Anomaliedetektion: Wie können ungleichgewichtete Datensätze aus Schraubprozessen systematisch für die unüberwachte Anomaliedetektion unter Verwendung von Zeitreihen-Clustering-Verfahren genutzt werden?
- Prozessketten-übergreifende Identifikation von Anomalien: Welche Anomalien können prozessketten-übergreifend basierend auf den Rohmaterialien sowie potenziellen Fehlerclustern in Spritzgieß- und Schraubprozessen identifiziert werden?
- Identifikation von Assoziationen und Fehlerursachen: Welche Assoziationen und Fehlerursachen können auf der Grundlage der identifizierten Anomalien ermittelt werden?
Realisierung des Projekts und anstehende Schritte
Das Projekt erstreckt sich über die gesamte Prozesskette, einschließlich Spritzgießprozessen, Montage und Prüfprozessen. Mit dem Projektstart im November 2022 beginnen die Arbeiten, die sich über drei Jahre erstrecken werden und im Herbst 2025 abgeschlossen werden.
Das Projekt „ProData“ wird nicht nur einen Beitrag zur Materialforschung leisten, sondern auch den wissenschaftlichen Nachwuchs im Bereich der Datenkompetenz fördern. Diese Initiative wird dazu beitragen, Prozess- und Bauteilqualität proaktiv und prädiktiv zu überwachen und zu verbessern, was in der Kunststoffverarbeitung und darüber hinaus von großer Bedeutung ist.
Das Forschungsprojekt „ProData“ verspricht, die Materialforschung durch die Integration von Datenkompetenzen und Machine Learning zu verändern. Dies wird nicht nur die Materialverarbeitung, sondern auch die Ausbildung des wissenschaftlichen Nachwuchses maßgeblich beeinflussen und die Zukunft der Kunststoffverarbeitung gestalten. Das Projekt ProData stellt somit einen bedeutenden Schritt in der Wissenschaft und der Materialforschung dar, der die Branche nachhaltig prägen wird.