Der Composite Companion erlaubt durch eine wohldurchdachte Strukturierung der Daten die einfache Einbindung von experimentell und numerisch ermittelten Kennwerten. Er legt die Grundlage für effiziente Datenanalyse von Material- und Prozesskennwerten von Faserverbunden. Der Composite Companion ermöglicht es, verschiedene Prozesse, Skalen und zeitliche Auflösungen zu berücksichtigen. Durch die Realisierung als SaaS (Software-as-a-Service) ist die Integration in verschiedenste Anwendungen einfacher möglich.
Ziel: Optimierung von Prozessen und Verständnis von Materialien über Daten
Nachhaltig gefertigte Strukturen und Herstellungsprozesse sind unabdingbar, um den Schutz der Umwelt sicherzustellen. Durch eine Erhöhung der Lebensdauer oder durch die Vermeidung von Ausschuss ist eine Reduktion des Ressourcenbedarfs bei der Herstellung von Leichtbaustrukturen aus Faserverbunden erreichbar. Um diese Ziele zu erreichen, ist ein gutes Verständnis des verwendeten Fertigungsprozesses und der Materialeigenschaften wichtig. Im Faserverbundleichtbau entstehen die Materialeigenschaften des resultierenden Laminats während der Herstellung und werden daher durch den Herstellungsprozess maßgeblich beeinflusst. Beispielhaft ist ein automatisierter Fertigungsprozess und schematisch die Streuungen der Kennwerte im Bauteil aufgrund des Prozesses und der variierenden Faserablage dargestellt. Sind diese Kennwertstreuungen oder die daraus resultierenden Wechselwirkungen nicht bekannt, kann dies zu Ausschuss führen. Messungen während des Fertigungsprozesses, wie sie im Bild dargestellt sind, und die Interpretation der Daten können diese Informationslücke schließen.
Herausforderung: geringe Datenmengen – verschiedene Datenformate, keine Standards – viel Variabilität
Heutzutage stehen verschiedenste Verfahren wie Data Analytics, Data Science, Machine Learing, KI, etc. zur Verfügung, um aus Daten Informationen zu extrahieren. Dabei ist es ein weit verbreitete Annahme, dass die Datenmenge nur groß genug sein muss, damit ein Ergebnis gefunden werden kann und es keinerlei Vorwissens hierfür bedarf. Als Belege werden Erfolge bei der Bilderkennung, Übersetzungsalgorithmen oder schachspielende Computer angeführt. Allerdings zeichnen sich gerade diese Bereiche zwar durch große Datenmengen, aber auch durch klar definierte Regeln aus. Für den Faserverbundleichtbau gibt es diese Bedingungen typischerweise nicht. Die Stückzahlen sind tendenziell klein und es gibt keine oder schwer formalisierbare Regeln. Für die Datenerhebung und Speicherung fehlen oft Standards und die Variabilität in den Daten ist groß. Um die Komplexität zu verdeutlichen: Es gibt verschiedene Faserverbunde (Gewebe, unidirektionale Lagen) und verschiedene Skalen (Mikroskala, Laminat, Struktur), welche jeweils spezifische Kennwerte haben.
Lösungsansatz: Composite Companion
Bei einem so hohen Maß an Komplexität helfen strukturierte Daten. Bei diesen findet eine Vorinterpretation der Daten durch eine geeignete Strukturierung statt. Die anschließende Analyse erfolgt mit bereits interpretierten Daten und nicht mit den reinen Rohdaten. Da Material- und Prozesskennwerte bereits durch Modelle definiert sind, müssen die Machine-Learning-Algorithmen diese nicht erst erkennen. Dies reduziert die Menge der notwendigen Daten und macht die Interpretation der Ergebnisse einfacher, nachvollziehbar und überprüfbar. Eine solche Strukturierung von Daten ist nicht trivial und erfordert viel Erfahrung. Im Rahmen der Digitalisierungsstrategie des Instituts wurde eine solche Strukturierung für Faserverbundmaterialien vorgenommen. Der Vorteil liegt auf der Hand. Die wohldurchdachte Strukturierung der Daten erlaubt die einfache Einbindung von experimentell und numerisch ermittelten Kennwerten und gestaltet sie vergleichbarer. Die Datenstruktur ist in einer Datenbank abgebildet und versucht, ein breites Spektrum von Applikationen zu adressieren. Sie berücksichtigt verschiedene Prozesse, Skalen und zeitliche Auflösungen. Die Softwareumsetzung ermöglicht eine einfache Anbindung an verschiedenste Software-Services, dargestellt in der Abbildung.
Was ist der Vorteil?
Durch die entwickelte Datenstruktur und das dazugehörige Expertenwissen ist eine Analyse von Messdaten zu verschiedenen Zeitpunkten im Lebenszyklus, über längere Zeiträume oder aus verschiedenen Chargen möglich. Dies beinhaltet Streuungen, statistische Untersuchungen und weitere Formen der Datenanalyse, die im Ergebnis die Identifikation von „Schwächen“ in Fertigungsprozessen ermöglichen. Durch die vorangegangene Strukturierung der Daten sind gezielte Prozessoptimierungen oder -verbesserungen realisierbar. Denn im Gegensatz zu einem unstrukturierten Ansatz haben die genutzten vorinterpretierten Daten eine klare Bedeutung. Mit dem Composite Companion als Datenmodell zur strukturierten Ablage vorinterpretierter Daten machen wir den Weg frei für solche Analysen und wollen in Zukunft Daten fachgerecht aufbereitet der Allgemeinheit zur Verfügung stellen.
