Qualitäts- und Effizienzsteigerung für die Verarbeitung von heterogenen Versuchsdaten in der Blechumformung

Projektbeschreibung

In der industriellen Praxis sind experimentelle Daten die unverzichtbare Basis für viele unterschiedliche Prozesse, z.B. Qualitätssicherung, Analyse von Grundlagenversuchen, Prozess- und Bauteilauslegung oder als Eingangs- und Validierungsgrößen für Simulationen. Verschiedenste Ursachen tragen dazu bei, dass experimentelle Daten in unterschiedlichen Formaten mit unterschiedlichem Informationsgehalt vorliegen. Auch das Zusammenführen von experimentellen Daten aus verschiedenen Quellen stellt in der Praxis eine Herausforderung dar. Die aktuell vorhandenen Lösungen zur Behebung dieser Defizite erfordern wiederkehrend zeitaufwändige und fehleranfällige Tätigkeiten.

In diesem Vorhaben wird eine alternative Vorgehensweise auf Basis von semantisch beschriebenen Versuchsdaten entwickelt, um die Schwächen der bisherigen Ansätze zu beheben. Das Forschungsziel besteht darin, Qualität und Effizienz bei der Nutzung und Weiterarbeitung von heterogenen Versuchsdaten zu erhöhen und die entwickelten Methoden für KMU aus dem Bereich der Blechumformung zugänglich zu machen.

Beginnend bei heterogenen Versuchsdaten für umformtechnisch relevante Versuchstypen wie Zug-, Bulge- und Nakajima-Versuch werden die Ausgangsdaten zunächst mit Hilfe von semantischen Technologien versuchsübergreifend einheitlich beschrieben und anschließend in ein für Mensch und Maschine verständliches Format überführt. Die Datenspeicherung erfolgt in einem Datenraum. Es werden geeignete Tools weiterentwickelt, um die semantisch beschriebenen experimentellen Daten weiter auszuwerten und automatisiert weiterzuverarbeiten. Der Mehrwert dieser Technologie wird anhand von drei praxisrelevanten Use-Cases aus dem Bereich der Blechumformung demonstriert.

KMU können mit dieser Technologie experimentelle Daten besser dokumentieren und auffindbar machen, automatisiert weiterverarbeiten und zusätzliche Innovationspotentiale im Bereich Digitalisierung, Digitaler Werkstoffzwilling und Methoden des maschinellen Lernens heben.