Potenzialanalyse zum Einsatz minimalinvasiver Datenerfassung und maschineller Lernverfahren für die Identifizierung von SMC-Prozessschritten

• Potential analysis for the application of minimally invasive data acquisition and machine learning methods for the identification of SMC process steps

Breiing, Markus; Hopmann, Christian (Thesis advisor); Brecher, Christian (Thesis advisor)

Aachen : RWTH Aachen University (2023)
Doktorarbeit

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023

Kurzfassung

Die Produktionsdigitalisierung ist eine wichtige Komponente zur Erhaltung und Steigerung der Wettbewerbsfähigkeit produzierender Unternehmen. Darüber hinaus verspricht der Einsatz von künstlicher Intelligenz in der Produktion weiteres Potenzial zur Produktivitätssteigerung. Insbesondere für kleine und mittlere Unternehmen existieren jedoch finanzielle, strukturelle und organisatorische Hemmnisse, die den Einsatz neuer, digitaler Technologien erschweren und verzögern. Dies betrifft mitunter viele Unternehmen der FVK-Branche, in der komplexe Prozesse oftmals zudem erschwerend durch manuelle Tätigkeiten charakterisiert sind. Es besteht daher ein hoher Bedarf an kostengünstigen und aufwandsarm zu implementierenden Lösungen zur Erfassung und Auswertung produktivitätsrelevanter Produktionsdaten. Dies kann durch minimalinvasive Konzepte adressiert werden, deren Vorteilhaftigkeit bereits in unterschiedlichen Anwendungsfeldern aufgezeigt wurden. Daher ist das Ziel dieser Arbeit die Potenzialanalyse für den Einsatz minimalinvasiver Datenerfassung sowie aufwandsarmer Datenauswertung mittels maschineller Lernverfahren zur Klassifizierung von Prozessschritten als Grundlage zur Produktivitätsbewertung des SMC-Prozesses als repräsentatives Beispiel für FVK-Fertigungsverfahren. Dazu wird ein System zur minimalinvasiven Datenerfassung durch den Einsatz kabelloser Sensormodule entwickelt und für den Anwendungsfall der SMC-Fertigung eingesetzt. Die minimalinvasiv ermittelten Produktionsdaten werden vorverarbeitet und anschließend mittels unterschiedlicher, ausgewählter Modelle, Algorithmen und Methoden des überwachten und unüberwachten maschinellen Lernens ausgewertet. Die Klassifikation der für die Produktivität des SMC-Prozesses relevanten Prozessschritte erfolgt dabei unter Verwendung wahrer Zustandslabel, wobei auch der Einfluss einer groben bzw. detaillierteren Prozessschrittdefinition untersucht wird. Darüber hinaus wird die Klassifikation auch unter Verwendung manueller, aufwandsarm erfasster Zustandslabel umgesetzt und analysiert. Insgesamt wird dabei das im Rahmen der Arbeit deklarierte Ziel einer Klassifikationsleistung für unbekannte Transferdaten in Höhe von 90 % für unterschiedliche Modelle erreicht. Abschließend erfolgen Modellvariationen zur erweiterten Bewertung des Potenzials für die in den vorhergehenden Untersuchungen jeweils vielversprechendsten Modelltypen. Hierzu werden exemplarisch ausgewählte Hyperparameter angepasst.