Schlüsselfaktoren für den erfolgreichen Einsatz der KI nicht nur in Produktionsumgebungen sind hohe Rechenkapazitäten und große Datenmengen. Am DLR wird untersucht, inwieweit Maschinelles Lernen Maschinelles Lernen unter Nutzung hybrider Datenmodelle möglich ist. Hybrid meint in diesem Zusammenhang unterschiedliche Datenquellen: aus Vorwissen über den Prozess und Realdaten. Sie vermuten, dass die Integration von Vorwissen in KI-Modelle deren Hunger nach Realdaten reduzieren und damit als Türöffner für industrielle Anwendungen fungieren könnte.
Eines der Vorhaben entlang der Faserverbundprozesskette rankt sich um den Aushärtungsprozess. Hier ist für eine gute Qualität des Bauteils ein gleichmäßiger Oberflächendruck durch das erzeugte Vakuum entscheidend. Undichtigkeiten führen zu ungleichmäßigem Aushärten, dem Ausbilden von Lufteinschlüssen und zu Ausschuss. Die Qualitätssicherung benötigt daher ein schnelles und zuverlässiges System zur Leckageortung. Die Forschenden haben deshalb einen KI-basierten Prototypen entwickelt, der aus den Durchflussdaten des Vakuumaufbaus Leckagewahrscheinlichkeiten für die gesamte Bauteiloberfläche berechnen soll. Dabei wurde auch das Vorwissen über eine gezielt symmetrische Anordnung von Vakuumanschlüssen am Bauteil genutzt, um damit eine genauere Vorhersage zu erreichen.
Ein weiteres Beispiel ist das Berücksichtigung von Materialverformungen im Rahmen der Konsolidierung. Dieses vorhersagen zu können ist für das zielgenaue Produzieren der Bauteile wichtig. Die Forschenden entwickelten hierzu ein auf den Daten aus physikalischem Vorwissen basierendes KI-Modell: Ein Neuronales Netz trifft – basierend auf Material-, Prozess- und Bauteilparametern – eine Vorhersage über das Rücksprungverhalten eines Preforms nach der Konsolidierung. In einer weiteren Anwendung berechnet ein Neuronales Netz, basierend auf integriertem Prozesswissen und Temperaturprogrammen, Wärmeumsatzkurven, welche die Grundlage für die Vorhersage von Aushärtegraden in komplexen Bauteilen bilden.
Die hier genannten Beispiele zeigen, dass auf der Welle der KI eine interdisziplinäre Zusammenarbeit zwischen Daten- und Ingenieurwissenschaften die Wirtschaftlichkeit der Produktion von Leichtbaustrukturen weiter erhöhen kann.
Bild oben: Ein KI-Modell berechnet Leckagewahrscheinlichkeiten und reagiert, sobald ein Schwellwert überschritten wird (rot: Modellvorhersage, gelb: tatsächliche Leckagepositionen). (Quelle: DLR)
Quelle und weitere Infos: Blogbeitrag
Comments are closed, but trackbacks and pingbacks are open.