Vorhersage von Produkteigenschaften mittels Data-Mining-Methoden (EFRE E|ASY OPT)
Third Party Funds Group - Sub project
Acronym:
EFRE E|ASY OPT
Start date :
01.01.2017
End date :
31.12.2020
Overall project details
Overall project
Kompetenz- und Analyseprojekt für die „datengetriebene Prozess- und Produktionsoptimierung mittels Data Mining und Big Data“
Project details
Scientific Abstract
Das volle Potential von verfügbaren Daten wird in Unternehmen kaum genutzt. Dies betrifft Daten aus
allen Unternehmensbereichen: Entwicklung, Fertigung, Montage und auch dem
späteren Betrieb. Die Gründe hierfür sind vielfältig und reichen von der
dezentralen unstrukturierten Ablage und Speicherung bis zu fehlenden Methoden
und Software-Werkzeugen. Viele KMUs haben das Potential der Nutzung von Daten
erkannt, sind aber ohne erfahrene und systematische Unterstützung nicht in der
Lage die entsprechenden Methoden und Werkzeuge auszuwählen und zur Anwendung zu
bringen. Das Teilprojekt untersucht Data-Mining-Methoden produktseitig. In
sukzessiven Arbeitsschritten sollen folgende Themengebiete im Rahmen von
E|Asy-Opt durch den Lehrstuhl für Konstruktionstechnik in enger Kooperation mit
den beteiligten Industriepartnern untersucht werden:
- Wissensbasierte Produktsimulation:
Bereits durchgeführte Produktsimulationen und das in den Daten enthaltene
Wissen wird zumeist nicht genutzt, bietet aber erhebliches Potential zur
Vermeidung von unnötigen „Fließbandberechnungen“ von neuen, ähnlichen
Produkten. Ebenso können schnelle Prognosen zur Vorauslegung auf Basis der
bereits vorhandenen Daten erstellt werden.
- Fertigungsgerechtheiten:
Für bestimmte Fertigungsprozesse kann aktuell bereits mittels Data-Mining-Prozessen
(z. B. Blechmassiumformung & Gaussprozesse) die Fertigbarkeit und die
geometriebedingten Prozesskräfte prognostiziert werden. Dies gilt es auf
weitere Fertigungsverfahren (z. B. Additive Fertigung) zu übertragen.
- Produktnutzung:
Durch die Verknüpfung von auftretenden Beanspruchungen und den zugehörigen
Schadensbildern können Produktausfälle frühzeitig erkannt werden oder der
Benutzer auf eine Fehlbedienung hingewiesen werden. Es können Produkte
generiert werden, welche selbstständig Fehlverhalten erkennen und automatisiert
Gegenmaßnahmen einleiten (relevant für komplexe Produkte mit wechselnden
unterschiedlichen Nutzern)
- Produktwartung:
Mittels Zeitreihenvorhersage werden notwendige Wartungen und das Auftreten
von Schäden präventiv ermittelt. Mit Predictive-Maintenance sollen
unnötige oder zu frühe Wartungen vermieden und das Verhalten des Produkt deutlich
besser abbildbar sein. Es wird eine Methode entwickelt um KMUs für
beliebige Produkte Software-Werkzeuge an die Hand zu geben, um
Predictive-Maintenance Systeme selbstständig für die eigenen Produkte aufzubauen.
Involved:
Contributing FAU Organisations:
Funding Source
