Forschungsprojekt XDP-Opt

In dem Forschungsprojekt XDP-Opt wird der Produktdesignprozess in bestehenden industriellen Fertigungssystemen optimiert indem verschiedene Methoden der Künstlichen Intelligenz (KI) als Grundlage eines hybriden interaktiven Design-Entscheidungsunterstützungssystems (IDDSS) kombiniert werden. Der untersuchte Ansatz basiert auf dem Formalismus der digitalen Lebenszyklusakte, der auf Grundlage des Verwaltungsschalenkonzeptes alle Daten und Informationen über den Produktionsprozess sammelt. XDP-Opt betrachtet den gesamten Produktentstehungsprozess und leitet mögliche Optimierungspotenziale in den jeweiligen Produktionsphasen ab, die wiederum dem Produkt-Designer ad hoc über ein Empfehlungssystem als Entscheidungsmöglichkeit präsentiert werden (hybride Entscheidungsunterstützung). Ein wichtiges Element der Entscheidungsunterstützung ist die Berücksichtigung von Zirkularität, nachhaltiger Produktion und ressourceneffizientem Einsatz von Produktionseinheiten. XDP-Opt untersucht eine Kombination von verschiedenen KI-Methoden als Grundlage für die Entscheidungsunterstützung. Föderiertes Lernen aus extremen Sensordaten (insbesondere Qualitätskontrolldaten) wird untersucht, um Erfahrungen aus Daten zu gewinnen, die aus einer Vielzahl von Produktionsbereichen stammen, um mögliche industrielle Datenschutzbedenken zu überwinden.

Zie­le des For­schungs­pro­jek­tes

  • Analyse und Modellierung relevanter Erfahrungen aus einer laufenden Produktion
  • Untersuchung zur Ähnlichkeitsbewertung von Produktentwürfen
  • Evaluierung von Case-Based Reasoning als hybrides Design-Entscheidungssystem in einer virtuellen Produktdesignumgebung
  • Bewertung von föderierten Lernansätzen für das Supply-Chain-integrierte Training der datengetriebenen Qualitätskontrolle

Schwer­punk­te des For­schungs­pro­jekts

  • Erstellung eines Metamodells zur Beschreibung von Produktionserfahrungen als Grundlage der Fallbasis
  • Entwicklung von Ähnlichkeitsmetriken für Produktdesignoptionen
  • Validierung von Ansätzen zur Erforschung des Designraums
  • Erforschung des föderierten Trainings der datengesteuerten Qualitätskontrolle 
     

Die Projektergebnisse werden die Produktentstehung zukünftig verbessern, ...

... indem frühere Designentscheidungen durch erfahrungsbasiertes Lernen genutzt werden.

For­schungs­team

Prof. Dr. Ralph Berg­mann

Professor Dr. Ralph Bergmann ist Lehrstuhlinhaber der Professur für Wirtschaftsinformatik 2 an der Universität Trier.

Prof. Dr.-Ing. Mar­tin Rus­kow­ski

Professor Dr. Martin Ruskowski ist Lehrstuhlinhaber für Werkzeugmaschinen und Steuerungen der RPTU im Fachbereich Maschinenbau und Verfahrenstechnik an.

Lu­kas Mal­burg, M.Sc.

Lehrstuhl für Wirtschaftsinformatik II , Universität Trier

Ko­ku­lan Tha­na­ba­lan, M.Sc.

Lehrstuhl für Wirtschaftsinformatik II , Universität Trier

Tat­ja­na Leg­ler, M.Sc.

Lehrstuhl für Werkzeugmaschinen und Steuerungen, RPTU

Le­o­n­hard Kunz, Di­pl.-Ing.

Lehrstuhl für Werkzeugmaschinen und Steuerungen, RPTU

Pu­b­li­­ka­ti­o­­nen & re­le­van­te Vor­­­pu­b­li­­ka­ti­o­­nen

Titel Autor DOI
Application of federated learning in manufacturing V. Hegiste, T. Legler, M. Ruskowski doi.org/10.48550/arXiv.2208.04664
Federated Object Detection for Quality Inspection in Shared Production  V. Hegiste, T. Legler, K. Fridman, M. Ruskowski doi.org/10.1109/FMEC59375.2023.10305969
Fallbasiertes Schließen R. Bergmann, M. Minor, K. Bach, K. D. Althoff, H. Muñoz-Avila doi.org/10.1515/9783110659948-009