maQinto - KI4KMU - Maschinell trainierter Qualitätssensor, intelligente Prozesssteuerung und ein ML-Framework zur ressourceneffizienten, maßgeschneiderten Kohlenstofffaserherstellung

Abstract

Künstliche Intelligenz (KI), insbesondere auf maschinellem Lernen (ML) basierende Datenverarbeitung, ersetzt zunehmend manuelle und empirische Auswertungen in industriellen Anwendungen. Besonders in der Signalverarbeitung und der Industrie 4.0 wird ML genutzt, um komplexe Sensordaten modular zu verarbeiten und Abweichungen frühzeitig zu erkennen. Allerdings werden viele ML-Algorithmen weiterhin in Form von Blackbox-Modellen angewendet, ohne ein wirkliches Verständnis für die internen Datenflüsse und Gewichtungen zu entwickeln. Dadurch sind die Qualität und Menge verfügbarer Daten entscheidend für die Entwicklung neuer ML-Modelle. Zur Verringerung benötigter Datenmengen bei gleichbleibender Qualität der ML-Modelle werden Active Learning Ansätze verwendet um gezielt Datenlücken zu schließen. Da diese Praktiken industriell noch nicht etabliert sind, entwickelt sich ein gesteigerter Bedarf für die inline-Analyse von Materialeigenschaften, da die weitreichende Erhebung von ex-situ Daten oft zeit- und ressourcenintensiv ist. Ein Beispiel hierfür ist die Kohlenstofffaser-(CF)-Industrie, in der aktuelle Prozesse vor allem auf die Einstellung hoher mechanischer Eigenschaften ausgelegt sind. Durch ein unzureichendes Verständnis der Zusammenhänge zwischen Prozessparametern (PP) und CF-Eigenschaften, eine enorme Anzahl möglicher PP-Kombinationen (> 10 Mio.) sowie Ab-weichungen bei der Prozessregelung entstehen hohe Materialausschüsse und Produktivitätsineffizienzen sowohl in etablierten Prozessen als auch bei der Entwicklung neuer Eigenschaftsprofile, um das Potenzial von CF umfänglich auszu-schöpfen. Daher sollte in dem Vorhaben „maQinto“ durch die Vereinigung von hochfrequenter inline-Messtechnik mit ML-Modellen eine automatisierte Eigenschaftsanalyse für den CF-Herstellungsprozess entwickelt werden. Diese sollte später generisch für komplexe, kontinuierliche und mehrstufige Materialherstellungsprozesse übertragbar sein. Zu diesem Zweck sollten Wirbelstrom-(WS)-Sensoren für die kontinuierliche Überwachung des CF-Herstellungsprozess entwickelt werden, da bestehende Sensoren nur für die zeitweise, berührungslose Prüfung von CF-Bauteilen vorhanden waren. Ein ML-basiertes Sensormodell sollte die gemessenen WS-Signale auf die entstehenden Materialeigenschaften (ME) der CF abbilden. Ein zweites ML-Modell sollte Korrelationen zwischen PP und ME erkennen und die Prognose resultierender Fasereigenschaften ermöglichen. Um den Datentransfer zwischen den Sensoren und ML-Modellen sowie zwischen den Projektpartnern zu ermöglichen sollte eine schemabasierte Schnittstelle entwickelt werden, die die Generierung von API-Clients ermöglicht. Dadurch könnten die Domäneneigner innerhalb ihres Ökosystems arbeiten und durch die detaillierte Dokumentation würde ein niederschwelliger Datenabruf umsetzbar. Weiterhin sollte, als zentraler Sammelpunkt für die Daten sowie für die Präsentation der Ist- und Prognose-Werte im laufenden Prozess, ein Human-Machine-Interface (HMI) inklusive Datenbankstruktur konzeptioniert und umgesetzt werden. Damit würde gleichzeitig die nötige Strukturierung der Daten für die KI-Analyse erreicht werden.