Kurztitel: LiCO-Al
Laufzeit: 01.11.24 - 31.10.26
Das Projekt zielt darauf ab, die Kontrolle der beeinflussenden Prozessparameter (Rezepte) im Aluminiumdruckgussprozess in der Automobilindustrie zu optimieren. Hierzu werden Key Performance Indicator (KPI) für die Prozesse definiert und auf maschinellem Lernen basierende KPI-Vorhersagemodule entwickelt. Methode zur Extraktion von Merkmale aus Simulationsumgebungen ohne die Rechte des intellektuellen Eigentums (IP) des Kunden zu verletzen, werden entwickelt. Die Degradationsmodellierung der Werkzeuge (Gussformen) wird mit physikalischen, statistischen und Deep-Neural-Network-Methoden durchgeführt, um den Ermüdungszustand der Werkzeuge aufgrund ihrer wiederholten Verwendung im Gussprozess zu bewerten. In der letzten Phase werden KI-Algorithmen für die Rezepturoptimierung und -kontrolle entwickelt und optimiert, indem das aus den vorherigen Schritten gewonnene Wissen integriert wird. Schließlich werden die entwickelten Module für die KPI-Vorhersage, die Degradationsmodellierung und die Rezepturoptimierung in einer Software implementiert.
Prof. Dr.-Ing. Andreas Schwung
Fachhochschule Südwestfalen, Fachbereich Elektrische Energietechnik, Soest
- Fachbereich Elektrische Energietechnik
- Tvarit GmbH
- VDI/VDE
- ZIM-Projekt