Institut für Transport- und Automatisierungstechnik Institut Team
DIGITRUBBER – Data Mining und KI zur optimierten prozessübergreifenden Steuerung

Forschungsprojekte

DIGITRUBBER – Data Mining und KI zur optimierten prozessübergreifenden Steuerung

Leitung:  M. Sc. Sebastian Leineweber
E-Mail:  sebastian.leineweber@ita.uni-hannover.de
Jahr:  2021
Förderung:  BMBF
Laufzeit:  04/2021 – 03/2024
Ist abgeschlossen:  ja

DIGITRUBBER ist ein Verbundprojekt von sieben Instituten aus ganz Niedersachsen, die im Rahmen der Innovations-Plattform MaterialDigital die Digitalisierung des Werkstoffes Kautschuk vorantreiben. In ganz Deutschland wird anhand von 13 Verbundprojekten unter der Gesamtorganisation von MaterialDigital die Digitalisierung verschiedenster Werkstoffe erforscht.

Das Verbundprojekt DIGITRUBBER hat sich dabei zum Ziel gesetzt, dass durch die Kombination von neuen Messtechnikansätzen, klassischer Modellbildung und maschinellem Lernen eine nachhaltigere Produktion von extrudierten Kautschukbauteilen entwickelt werden soll. Dies soll durch eine Online-Überwachung des Extrusionsprozesses geschehen. Dabei werden fortlaufend die notwendigen Daten aus dem Prozess aufgenommen. Bei einer Abweichung der Sollwerte werden die Regelgrößen automatisiert durch eine zu entwickelnde künstliche Intelligenz (KI) angepasst.

Die Verbundpartner sind aufgrund ihrer fachlichen Ausrichtung entweder für die Werkstoffentwicklung und Charakterisierung, die Messwertaufnahme oder die Datenverarbeitung zuständig. Das ITA ist schwerpunktmäßig für das Data-Mining, also das automatische Erkennen von Abhängigkeiten in einer großen Datenmenge und für die KI zur Regelung des Prozesses verantwortlich. Hierzu gilt es einen Data-Mining-Algorithmus zu implementieren, sodass die immanenten Zusammenhänge qualifizierend und quantifizierend beschrieben werden können sowie die resultierenden Auswirkungen auf die Qualität des Endprodukts vorhersagbar werden. Zu diesem Zweck soll der zu entwickelnde Algorithmus auf die aufgenommenen und aufbereiteten Messergebnisse zurückgreifen, welche in der vorhabensinternen Prozessdatenbank gespeichert werden.

Auf Grundlage dieser Ergebnisse soll eine KI Prozess- und Werkstoffparameterabweichungen identifiziert und die Regelung der Anlage sicherstellen, um eine konstante, hohe Qualität des Endproduktes zu sichern. Dazu sollen die durch das Data-Mining identifizierten prozessimmanenten Wirkzusammenhänge genutzt werden, um eine Regelung zur Online-Optimierung der gesamten Prozesskette durch eine KI zu implementieren.