Digitalisierung des Industrialisierungsprozesses in der Automobil- und Zuliefer-Industrie (DIAZI); Teilvorhaben: Datenanalyse und Simulation zur Entscheidungsunterstützung in Planung, Ramp Up und Betrieb von Multi-Use Fertigungslinien

Abstract

Die Industrialisierung moderner Produktionssysteme ist durch eine steigende Variantenvielfalt, zunehmende Komplexität von Fertigungsprozessen sowie wachsende Anforderungen an Flexibilität und Effizienz geprägt. Gleichzeitig entstehen in Produktionssystemen große Mengen heterogener Daten aus Maschinen, Sensoren, Simulationswerkzeugen und übergeordneten IT-Systemen. Trotz dieser Datenverfügbarkeit werden datengetriebene Methoden zur Entscheidungsunterstützung bislang häufig nur eingeschränkt eingesetzt. Vor diesem Hintergrund adressierte das Verbundprojekt "DIAZI - Digitalisierung des Industrialisierungsprozesses in der Automobil- und Zuliefer-Industrie" die Entwicklung datengetriebener Methoden zur Unterstützung von Planung, Industrialisierung und Betrieb moderner Produktionssysteme. Im Rahmen des Förderprojekts DIAZI wurden datengetriebene und simulationsgestützte Methoden zur Unterstützung des Industrialisierungsprozesses in der Automobil- und Zulieferindustrie entwickelt und validiert. Im Mittelpunkt standen zwei industrielle Anwendungsfälle: Kunststoff-Spritzgießprozesse und automatisierte Schraubprozesse. Für den Spritzgießprozess wurden simulationsbasierte Datensätze erzeugt und KI-basierte Surrogatmodelle entwickelt, die qualitätsrelevante Bauteileigenschaften, insbesondere den Bauteilverzug, mit deutlich reduzierter Berechnungszeit vorhersagen können. Ergänzend wurden die Modelle in eine ereignisdiskrete, agentenbasierte Prozesskettensimulation integriert, um Zusammenhänge zwischen Prozessparametern, Energiebedarf, Produktqualität und Prozessstabilität zu bewerten. Für automatisierte Schraubprozesse wurden reale Produktionsdaten analysiert und KI-basierte Verfahren zur Klassifikation von Prozesszuständen und Fehlerbildern entwickelt. Zusätzlich wurden Methoden zur Extraktion repräsentativer Basiskurven, hochauflösende Finite-Elemente-Modelle sowie Machine-Learning-Surrogatmodelle für schraubmontierte Baugruppen erarbeitet. Diese Ansätze ermöglichen eine daten- und simulationsgestützte Bewertung von Prozessabweichungen, Montageparametern und Strukturverhalten. Ergänzend wurden eine skalierbare Dateninfrastruktur, ein Self-learning AI Framework sowie Analyse- und Visualisierungskomponenten zur KI-gestützten Prozessüberwachung entwickelt. Die Ergebnisse zeigen das Potenzial der Verknüpfung von Produktionsdaten, Simulation und Künstlicher Intelligenz für Qualitätsüberwachung, Fehlererkennung, Prozessoptimierung und zukünftige Assistenzsysteme.