Met4FoF – Metrology for the Factory of the Future

Motivation

Die „Fabrik der Zukunft“ (Factory of the Future, FoF) als vernetzte Produktionsumgebung mit einem autonomen Informations- und Entscheidungsfluss stellt die digitale Veränderung der Fertigung zur Steigerung von Effizienz und Wettbewerbsfähigkeit dar. Transparenz, Vergleichbarkeit und nachhaltige Qualitätssicherung erfordern verlässliche Messdaten, Verarbeitungsmethoden und Ergebnisse. Zu einer umfassenden messtechnischen Infrastruktur gehören rückführbare Kalibrierungen, die Behandlung von Messunsicherheiten sowie Industriestandards und -richtlinien. Die Digitalisierung verändert fast alle Aspekte in dieser Infrastruktur: z. B. werden Sensoren intelligent und große Sensornetzwerke werden zusammen mit ML-Algorithmen eingesetzt, um automatisierte Entscheidungen zu treffen und Produktionsprozesse zu steuern. Dabei ist die Datenqualität eine der wichtigsten industriellen Bedürfnisse in der „Fabrik der Zukunft“ mit dem sich das Projekt Met4FoF befasst. Methoden für die Messtechnik in Sensornetzwerken müssen erweitert und Echtzeit-ML-Methoden entwickelt werden, um die Messunsicherheitsbewertung in industriellen Sensornetzwerken zu ermöglichen.

Zielstellung

Im Projekt Metrology for the Factory of the Future (Met4FoF) wird ein messtechnischer Rahmen für den gesamten Lebenszyklus von Messdaten in industriellen Anwendungen geschaffen: von der Kalibrierung einzelner digitaler Sensoren bis hin zur Bestimmung von Messunsicherheit im Zusammenhang mit maschinellem Lernen (ML) in industriellen Sensornetzen. Die Implementierung in realitätsnahen Prüfständen demonstriert die praktische Anwendbarkeit der Verfahren und bietet Vorlagen für weitere Anwendungsbereiche und die zukünftige Nutzung durch die Industrie.

Anwendungsszenarien in der Produktion

Die technische Arbeit konzentriert sich auf zwei häufige Herausforderungen in der Fertigung, Prozessoptimierung und vorausschauende Instandhaltung, repräsentiert durch drei spezifische Prüfstände mit unterschiedlichen Arten von Sensornetzen. Der ZeMA-Prüfstand verwendet eine Reihe von Sensoren, die verschiedene Größen für End-of-Line Prüfungen und zur Zustandsüberwachung von elektromechanischen Zylindern messen. Dabei soll die Messunsicherheit während des gesamten Datenflusses berücksichtigt werden, also von den einzelnen Sensoren bis hin zur Ausgabe der Datenanalyse mittels maschinellem Lernen. Der am ZeMA entwickelte Methodenbaukasten zur Merkmalsextraktion und -selektion sowie zur Klassifizierung und Validierung von zyklischen Sensordaten wird im Rahmen des Projektes insbesondere um die Messunsicherheitsbetrachtung für alle verwendeten Methoden erweitert.

Projektbearbeitung: Tanja Dorst

Projektleitung: Prof. Dr. Andreas Schütze

Laufzeit: 01.05.2018 – 31.05.2021