Kernthesen:
- Hauptaufwand: gute Daten Erzeugen - simulativ oder meßtechnisch
- Gute Modelle: auch mit wenigen Datensätzen realisierbar
- Vorteile: Prozessverständnis; Regelmöglichkeiten – manuell / automatisch
Zusammenfassung:
Gute Daten durch Simulation oder/und Messen zu erzeugen, ist der teuerste Teil an der Datenanalyse. Mit KI-Methoden wird aus diesen Daten wertvolles Prozesswissen. Das Zusammenspiel aller Eingangs- und Ergebnisdaten kann interaktiv gezeigt werden.
Gegenstand der Datenanalyse sind unterschiedliche Fertigungsverfahren. Vor der Datenakquise kann ein Versuchsplan stehen (DOE). Datentypen (Oberflächen, Kurven, diskrete Werte), Datenmengen (Anzahl Input-/Outputdaten; Anzahl Samples) und Schnittstellen (z. B. zu einer Vielzahl an FE-Solvern) werden besprochen.
Beispiele zeigen die Möglichkeiten: z.B. die Prognose von Qualitätskenngrößen wie Toleranzen; die Optimierung von Prozessparametern; eine schnellere Produkteinführung aus FE-Daten; die Information über das Prozessfenster für eine laufende Produktion aus Messdaten. Die Möglichkeiten werden für in-process-Regelungen genannt, um Prozessstabilität bei geeigneten Stellgrößen automatisch zu gewährleisten.
Referent: Prof. Dr.-Ing. Reinhard Mauermann, Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU Chemnitz