Fraunhofer-Institut für Werkstoffmechanik IWMMaschinelles Lernen entfaltet sein volles Potenzial erst, wenn Expertenwissen gezielt eingebunden wird. Genau das leisten Grey-Box-Modelle: Sie verbinden datengetriebene KI-Verfahren mit physikalischem und prozessspezifischem Domänenwissen. Das Projekt hat gezeigt, wie Materialparameter identifiziert, Produktionsprozesse modelliert und Mikrostrukturen automatisch klassifiziert werden können.
Grey-Box-Modelle – Integration von Anwendungswissen in Lernverfahren
Abgeschlossenes Forschungsprojekt
Projektbeschreibung
Marktbedarf und Herausforderungen
Produktionsprozesse in der Industrie werden zunehmend komplexer, während verfügbare Prozessdaten oft spärlich und unvollständig sind. Rein datengetriebene Black-Box-Modelle scheitern häufig an mangelnder Interpretierbarkeit und fehlender Generalisierbarkeit. Gleichzeitig sind physikalisch-basierte White-Box-Modelle rechenintensiv und nicht flexibel genug für den Einsatz in der Echtzeit-Prozesssteuerung. Industrie und KMUs benötigen Modelle, die beides verbinden: Effizienz und Verständlichkeit.
Lösungsansatz des Projekts
Grey-Box-Modelle integrieren gezielt Domänen- und Expertenwissen in maschinelle Lernverfahren. Im Projekt wurden Methoden entwickelt, die Simulationsdaten, physikalische Zusammenhänge und statistische Lernverfahren kombinieren. Konkrete Ansätze umfassen adaptive Sampling-Algorithmen zur effizienten Parameterexploration, Surrogatmodelle für Umformprozesse, Grey-Box-Ansätze zur Materialparameteridentifikation sowie kausalitätsbasierte Strukturerkennung in Produktionsanlagen – stets mit dem Ziel, Modelle interpretierbarer und robuster zu machen.
Beitrag zur Bewältigung der Herausforderungen
Die entwickelten Methoden ermöglichen es, mit deutlich weniger Daten und Rechenaufwand zuverlässige Prozessmodelle zu erstellen. Automatisierte Klassifikation von Mikrostrukturen ersetzt subjektive manuelle Bewertungen. Adaptive Sampling-Verfahren reduzieren den Simulationsaufwand erheblich. Kausalitätsanalysen helfen, Fehlerursachen in Anlagen frühzeitig zu erkennen. Damit leisten Grey-Box-Modelle einen konkreten Beitrag zur Qualitätssicherung, Prozessoptimierung und Digitalisierung in der produzierenden Industrie.
Die Arbeitspakete des Fraunhofer IWM:
Schwerpunkt 1: Materialparameteridentifikation
Das Fraunhofer IWM entwickelte Grey-Box-Ansätze zur Identifikation von Materialparametern aus experimentellen Daten. Eingesetzt wurden ein „Mixture of Experts"-Modell sowie neuronale Netze mit einer physikalisch informierten Custom-Loss-Funktion. Ergebnis: reproduzierbare Spannungs-Dehnungskurven auf Basis identifizierter Materialparameter.
Schwerpunkt 2: Surrogatmodellierung für Umformprozesse
Am Beispiel des Napfziehens wurden wissensbasierte und datengetriebene Merkmalsextraktionsmethoden (Feature Engineering vs. Feature Learning) verglichen. Ergebnis: ein Surrogatmodell mit Unsicherheitsquantifizierung (Gaußprozesse), das Prozessergebnisse aus wenigen Simulationsdaten zuverlässig vorhersagt.
Schwerpunkt 3:
Automatische Klassifikation von Mikrostrukturen Bruchflächen aus REM-Aufnahmen wurden mit Grey-Box-Ansätzen (Haralick-Texturmerkmale, Random Forests, SVMs) automatisiert klassifiziert. Ergebnis: erste validierte Methodik zur objektiven, reproduzierbaren Schadensanalyse als Alternative zur manuellen Bewertung.
Auf der Grundlage der Projektergebnisse kann das Fraunhofer IWM Industrieunternehmen folgende Forschungs- und Entwicklungsleistungen anbieten:
1. Materialparameteridentifikation mit Grey-Box-Methoden
Das Fraunhofer IWM identifiziert Materialmodellparameter aus experimentellen Daten durch die Kombination von maschinellem Lernen und physikalischem Domänenwissen. Eingesetzt werden Mixture-of-Experts-Modelle sowie neuronale Netze mit physikalisch informierten Verlustfunktionen. Industrieunternehmen profitieren von einer schnelleren, objektiveren und reproduzierbaren Kalibrierung ihrer Materialmodelle.
2. Surrogatmodellierung für Umformprozesse
Das Fraunhofer IWM entwickelt dateneffiziente Ersatzmodelle für Umformsimulationen, die mit vergleichsweise wenigen Simulationsläufen auskommen. Am Beispiel des Napfziehens wurde gezeigt, wie probabilistische Modelle (Gaußprozesse) Prozessergebnisse zuverlässig vorhersagen und dabei gleichzeitig Unsicherheiten quantifizieren. Für Unternehmen bedeutet das eine deutliche Reduktion des Rechen- und Zeitaufwands bei der Prozessauslegung.
3. Automatisierte Klassifikation von Mikrostrukturen und Bruchflächen
Grey-Box-Ansätze werden eingesetzt, um Bruchflächen und Mikrostrukturen in hochauflösenden REM-Aufnahmen automatisiert zu erkennen und zu klassifizieren. Dabei werden Haralick-Texturmerkmale mit klassischen ML-Verfahren wie Random Forests und Support Vector Machines kombiniert. Industrieunternehmen erhalten damit eine objektive, reproduzierbare Alternative zur aufwändigen manuellen Schadensanalyse mit dem Potenzial, Qualitätssicherungsprozesse zu beschleunigen und zu standardisieren.
4. Wissensbasierte Merkmalsextraktion für Prozess- und Simulationsdaten
Das Fraunhofer IWM entwickelt maßgeschneiderte Methoden zur Extraktion relevanter Merkmale aus hochdimensionalen Simulations- und Messdaten. Verglichen werden sowohl wissensbasierte (Feature Engineering) als auch datengetriebene Ansätze (Feature Learning), um die jeweils geeignete Strategie für den vorliegenden Anwendungsfall zu identifizieren. Ergebnis sind kompakte, interpretierbare Datenrepräsentationen, als Grundlage für Prozesssteuerung, Qualitätsbewertung.
5. Adaptive Sampling-Strategien für Simulationsräume
In Kooperation mit Partnern wendet das Fraunhofer IWM adaptive, datenbasierte Sampling-Verfahren an, um den Parameterraum von Simulationen gezielt und effizient zu erkunden. Durch die intelligente Auswahl neuer Simulationspunkte wird der Informationsgewinn je Simulationslauf maximiert. Unternehmen können damit den Aufwand für aufwändige Parameterstudien in der Prozess- und Produktentwicklung reduzieren und die Datenbasis für nachgelagerte ML-Modelle verbessern.
6. Grey-Box-Modelle zur Prozessmodellierung mit Unsicherheitsquantifizierung
Das Fraunhofer IWM erstellt Prozessmodelle, die physikalisches Expertenwissen gezielt mit statistischen Lernverfahren verbinden und dabei Vorhersageunsicherheiten explizit ausweisen. Dieser Ansatz eignet sich insbesondere für Anwendungsfälle, in denen nur begrenzte Prozessdaten vorliegen. Unternehmen erhalten neben präzisen Prozessvorhersagen, belastbare Informationen darüber, wie sicher diese Vorhersagen sind.
