Forschungsfrage 1: Adaptive Zustandsdiagnose und -prognose bei variabler Belastung (Luca Steinmann)
Die Matrixproduktion stellt aufgrund der hohen Wandlungsfähigkeit, der Flexibilität und der Resilienz hohe Anforderungen an die Zustandsdiagnose und -prognose. Variierende und unbekannte Belastungsprofile erschweren dabei die Entwicklung geeigneter Methoden. Es existieren erste Ansätze zur Prognose zukünftiger Belastungsprofile basierend auf historischen und aktuellen Daten, jedoch bleibt die Zustandsprognose unter variablen Bedingungen eine zentrale Herausforderung. Begrenzte Datenqualität, unvollständige oder zensierte Daten sowie die Unsicherheit über die zukünftigen Lasten erweitern das Problem.
Der Forschungsansatz zielt darauf ab, die Zusammenhänge zwischen Belastung und Degradation besser zu verstehen und präzise vorherzusagen. Ein Schwerpunkt liegt auf der Analyse und Integration variierender Belastungsprofile sowie der Bewältigung datenbezogener Herausforderungen. Ansätze wie Data Augmentation und Data Generation sollen die Datenbasis erweitern und die Robustheit der Modelle steigern, um eine ganzheitliche Methodik für die Prognose unter Berücksichtigung variabler Belastung zu entwickeln.
Forschungsfrage 2: Adaptive Zustandsdiagnose und -prognose mit heterogenen Informationen (Moritz Müllerschön)
Die Entwicklung eines Smart Factory Grids bringt spezifische Herausforderungen mit sich. Insbesondere die Heterogenität der Informationsquellen stellt ein zentrales Problem dar. Die Daten sind oft hochdimensional, unterschiedlich formatiert und variieren in ihrer Verfügbarkeit und Qualität. Beispiele hierfür sind Sensor- und Betriebsdaten, Simulationsergebnisse und physikalische Modelle. Dies erschwert die Kombination und Nutzung dieser Daten zur Zustandsdiagnose und -prognose erheblich. Ein weiteres Hindernis ist das Fehlen einer umfassenden Methodik zur Informationsfusion.
Ein Forschungsansatz besteht in der Entwicklung eines hybriden Modells zur Informationsfusion, das datengetriebene Methoden mit physikalischen und regelbasierten Modellen kombinieren soll. Dabei sollen Methoden entwickelt werden, um die begrenzte Datenverfügbarkeit zu kompensieren und vorhandenes Domänenwissen effektiv einzubinden. Durch die Entwicklung eines standardisierten Datenframeworks zur Vorverarbeitung und Integration heterogener Informationsquellen kann die Grundlage für eine robuste Zustandsdiagnose und -prognose geschaffen werden.
Forschungsfrage 3: Health Management in einem Smart Factory Grid (Moritz Müllerschön)
Das Health Management befasst sich mit der kontinuierlichen Überwachung, Analyse und Optimierung des Zustandes von Produktionsanlagen und –prozessen und zielt darauf ab, die Verfügbarkeit und Zuverlässigkeit des Systems sicherzustellen. Im Kontext der flexiblen und modularen Umgebung eines Smart Factory Grids erfordert dies eine hohe Anpassungsfähigkeit.
Der Forschungsansatz zielt darauf ab, das Health Management in einem Smart Factory Grid als komplexes Optimierungsproblem zu adressieren, da die Komplexität der Fertigung kein Health Management mit herkömmlichen Methoden mehr zulässt. Wichtige Metriken sind hierbei die Kosten, Nachhaltigkeit, Produktivität und viele weitere. Mit Predictive Maintenance soll die automatisierte Generierung von Instandhaltungsvorschlägen ermöglicht werden, um präzise und effiziente Entscheidungen für die Instandhaltung zu treffen.
Weitere Informationen zum gesamten Projekt Smart Factory Grids | DFG Forschungsimpuls finden Sie hier:
Smart Factory Grids | DFG Forschungsimpuls
(Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 528745080 - FIP 68)