Motivation:
Im Forschungsprojekt ReGAIN wird der Ansatz der digitalen auf CATENA-X basierenden
Verknüpfung von Gießereiproduktionssystemen zur Steigerung von Effizienz, Flexibilität, Resilienz und Nachhaltigkeit verfolgt.
Ziel ist es diese komplexen Produktionssysteme zu einem umfassend vernetzten Wertschöpfungssystem zu integrieren und mit der geschaffenen digitalen Transparenz neue digitale Fertigungskonzepte zu realisieren. Nur so können die wachsenden Anforderungen an die Resilienz und Nachhaltigkeit zukunftsfähiger Produktionssysteme bei gleichzeitig maximalem Grad an Fertigungsflexibilität und Interoperabilität erfüllt werden. Als Konsequenz lassen sich mit dem ganzheitlichen digitalen Lösungsansatz bisher nicht genutzte Energie- und Ressourceneffizienzpotenziale für eine ökologisch nachhaltige Gießereiindustrie im Sinne des 2021 aktualisierten „European Green Deal“ erschließen.
Vorgehensweise:
Um die Qualität und Nachhaltigkeit von Gussteilen durch den Einsatz von KI-Technologien und innovativen Prozessen zu verbessern, werden KI-basierte Algorithmen für die Röntgen- und Oberflächenanalyse entwickelt, die eine detailliertere Fehlerklassifizierung und -lokalisierung ermöglichen sollen. Hierfür werden kontinuierlich Trainingsdaten für die KI-Oberflächenanalyse gesammelt und verarbeitet. Eng verknüpft mit diesen qualitätssichernden Maßnahmen wird eine modellbasierte Energiesimulation der gesamten Prozesskette erstellt, die eine umfassende Analyse der Umweltauswirkungen und des Energieverbrauchs ermöglichen soll.
Ziel:
Ziel des Teilvorhabens ist es, KI-Prozessmodelle für kleine und mittlere Gießereien unter Anbindung an eine GAIA-X Plattform, zu spezifizieren, zu entwickeln und zu erproben. Die KI-Prozessmodelle sollen qualitätsorientierte - in enger Verbindung mit energieflexibel orientierten – Zielgrößen adressieren. Weiterhin besteht die Forschungsaufgabe darin, durch Ansätze des Deep Reinforcement Learnings, die Übertragbarkeit von erstellten Modellen auf veränderte Prozesse und Sensoren und im Idealfall sogar auf andere Datensätze und Anwendungsfälle zu übertragen, dies heißt gewonnenes Wissen bzw. zu einem gewissen Maß generalisieren zu können, aber auch die Flexibilität und Adaptivität des Modells über den Lebenszyklus eines Prozesses als auch Produktes zu verbessern.
Somit zielt das Teilvorhaben auf zwei Schwerpunkte: Im Schwerpunkt Qualität liegt die Integration in einer KI basierten Röntgenbilddatenanalyse und im Schwerpunkt Nachhaltigkeit in der Ableitung eines ganzheitlich ermittelten CO2-Footprints auf Grundlage von Energiesimulationen und Flexibilitätsbewertungen, die die Grundlage für KI-Modelle bilden.
Explizit soll dabei der Fragestellung nachgegangen werden, inwiefern und unter welchen Ansätzen derartige KI-Modelle auf andere Betrachtungsumfänge (z.B. anderer Standort) übertragen werden können und wie das Monitoring und die Anpassung der KI-Modelle im laufenden Betrieb erfolgen können, um KI-Services mittelfristig nachhaltig zu etablieren.
