Werkstoffe zum integralen Bestandteil durchgängiger und vernetzter Wertschöpfungsketten machen

Den Wirkungsgrad von Werkstoffdaten als Rohstoff für Innovationen verbessern

Je klarer die Entstehungsgeschichte eines Bauteils nachvollzogen und die relevanten Einflussfaktoren identifiziert werden können, die seinen Zustand bestimmen, umso besser kann Einfluss auf seine Zuverlässigkeit und die Lebensdauer genommen werden. Dazu sind wir auf Verfügbarkeit von Werkstoffdaten und -informationen entlang des gesamten Produktlebenszyklus angewiesen. Hier setzt die Digitalisierung in der Werkstofftechnik an, mit dem Ziel die Erzeugung, Speicherung und Auswertung von Werkstoffdaten so zu gestalten und zu vernetzen, dass durchgängige Datenflüsse und Datenräume entstehen.

Konsequente und einheitliche Datenintegration über möglichst viele Schritte eines Produktlebenszyklus verspricht eine weitreichende Rückverfolgbarkeit von Bauteileigenschaften und die Abschätzung ihrer Ursachen. Das Aufsetzen solcher Ketten oder Datenströme ist in vielen Industrien aus Ingenieurssicht schon lange bekannt. Deren Reichweite und Qualität repräsentieren heute oft einen entscheidenden Wettbewerbsfaktor. Zum Heben des vergleichbaren Potentials für die Werkstofftechnik, also der Nachvollziehbarkeit der materialeigenen Vorgänge, benötigt man jedoch vollkommen neue Ansätze. Denn der Status Quo der wissenschaftlichen oder industriellen Praxis ist meist dadurch gekennzeichnet, dass benötigte Werkstoffdaten nicht verfügbar, Datensätze unvollständig oder inkonsistent sind. Zudem sind die wichtigen (Meta-)Daten in den Organisationen weit verstreut oder es fehlen wichtige Kontextinformationen, da sie nie dokumentiert wurden. Und damit sind die entscheidungsrelevanten Werkstoffinformationen lückenhaft, nicht übertragbar oder nicht vergleichbar.

Darüber hinaus ist es die sogenannte Multiskaligkeit von Werkstoffen, die der Übertragbarkeit von Industrie 4.0-Konzepten auf die Werkstofftechnik eine enorme Komplexität verleiht: Verschiedene chemische, physikalische und mechanische Phänomene spielen sich auf unterschiedlichen Zeit- und Längenskalen ab und müssen je nach gewünschter Aussagekraft berücksichtigt und entsprechend modelliert werden. Beispielsweise wird die Leistungsfähigkeit eines Magneten auf der Elektronenskala definiert. Die Korrosionsbeständigkeit eines Stahls auf der atomaren Skala. Die mechanische Funktionsleistung übernimmt die weitgehend heterogene Mikrostruktur mit ihren vielfältigen Defekten.

Damit sich nun mit der Digitalisierung in der Werkstofftechnik »bessere« Produkte erzeugen lassen, müssen Datenerzeugung, Datenspeicherung und Datenauswertung und die entsprechenden Datenströme so beschaffen sein, dass die Entstehungsgeschichte und alle Einflussfaktoren, die zum Endprodukt geführt haben, einheitlich nachvollziehbar und transparent werden. Die richtigen Werkzeuge dafür sind beispielsweise Ontologien, Wissensgraphen, vernetzte Datenbanken, Werkstoffmodelle, künstliche Intelligenzen, oder digitale Zwillinge. Letztlich geht es stets um die Frage, an welchen der unzähligen möglichen Stellschrauben denn nun gedreht werden kann oder muss, um ein Bauteil günstiger, zuverlässiger, leistungsstärker oder langlebiger zu machen.

Treiber für die digitale Transformation der Werkstofftechnik sind der Kosten- und der Wettbewerbsdruck: Teure oder kritische Materialien müssen kosteneffizient substituiert werden, wirtschaftliche Wartungs- und Reparaturkonzepte benötigen belastbare Aussagen zur Restlebensdauer von Anlagen und Komponenten und Produktionsprozesse sollen wirtschaftlicher werden – möglichst ohne Einbußen bei der Leistungsfähigkeit der produzierten Bauteile. Und nicht zuletzt versprechen Datenprodukte zusätzliche Umsätze.

nach oben

Handlungsfelder der Digitalisierung materialintensiver Prozesse

Kern der Arbeiten des Fraunhofer IWM sind Werkstoffinformationen und Werkstoffdaten. Mit der Digitalisierung von Materialien leisten wir einen wichtigen Beitrag dazu, dass die zu verarbeitenden Materialien Bestandteil der digital durchgängigen und vernetzten Wertschöpfungskette werden.

Dazu müssen Datenerzeugung, Datenspeicherung und Datenauswertung und die entsprechenden Datenströme so beschaffen sein, dass die Entstehungsgeschichte und alle Einflussfaktoren, die zum Endprodukt geführt haben, einheitlich nachvollziehbar und transparent werden. Um nun Mehrwerte in werkstoffintensiven Produktlebenszyklen erzeugen zu können, müssen vier Kompetenzfelder ineinandergreifen, die momentan häufig isoliert betrachtet werden: 

Daten strukturieren und Dateninseln integrieren: Die Basis der Digitalisierung in werkstoffintensiven Wertschöpfungsketten bildet die Strukturierung von Werkstoffdaten. Erst durch eine »gemeinsame Sprache« werden ein sinnhafter Austausch und eine Verknüpfung von Informationen möglich. Auf dieser Grundlage können Prozesse oder Prozessschritte datenbasiert dargestellt und Dateninseln zusammengeführt werden.

Datenströme implementieren: Die vielzitierte durchgängige Verfügbarkeit von Werkstoffinformationen erfordert die Implementierung von Datenströmen. Dazu müssen Messdaten, Maschinen und -geräte zu einem digitalen Workflow integriert werden. Beispielsweise gilt es digitale Pfade von der Prüfmaschine bis zum Simulationstool mit automatischen Schnittstellen (»APIs«) zu etablieren.

Datenbestände analysieren und nutzen: In vielen Unternehmen schlummern ungenutzte wertvolle Datenbestände, die es zu analysieren und zu nutzen gilt. Zentrale Arbeitsfragen sind: Wie können vorhandene, gegebenenfalls inkonsistente Werkstoffdaten für die Entwicklung neuer Produkte genutzt werden? Hierbei werden aufgrund der Vielzahl der Daten in Zukunft sicherlich die Methoden des maschinellen Lernens eine viel zentralere Rolle einnehmen.

Datenprodukte entwickeln: Letztlich eröffnen digitalisierte Entwicklungs- und Produktionsprozesse neue Geschäftsmodelle. Dazu gehören digitalisierte Werkstoffe und digitale Zwillinge oder die Verhaltensvorhersage zur Auswahl eines neuartigen Materials. Daten werden für die Industrie von heute so vom rein internen Kompetenzfeld zum extern anbietbaren Produkt – und eröffnen dabei ganz neue Lernfelder, wie die Klärung rechtlicher Aspekte beim Datenaustausch.

© Fraunhofer IWM

Materialintensive Prozesse digitalisieren - Unternehmenswissen digital lesbar machen – Entwicklungsbausteine aus dem Projekt MaterialDigital Baden-Württemberg

Die Digitalisierung zahlt sich dort aus, wo viele Werkstoffdaten in Fertigungs- oder Betriebsprozessen erzeugt werden oder für die Prozesssteuerung erforderlich sind. Der systematische Umgang mit Werkstoffinformationen lohnt sich, wo Prozesse von der Materialexpertise langjähriger Erfahrungsträger im Unternehmen abhängen. Doch wie packt man diese Herausforderung an? In dem vom Land Baden-Württemberg geförderten Projekt MaterialDigital wurde vom Fraunhofer IWM zusammen mit Partnern das Rezept dafür exemplarisch für den Aluminium-Guss entwickelt und erprobt.

Auslöser dafür, sich der Digitalisierung werkstofftechnischer Sachverhalte zu widmen, sind ein hoher Aufwand bei der Erzeugung oder Beschaffung von Werkstoffdaten oder teure Rechenzeiten in der Produktentwicklung oder dem virtuellen Produktdesign. Der strukturierte und Kontext basierte Umgang mit Werkstoffdaten verspricht hier, dass dieselbe Informationsbasis schneller und wirtschaftlicher mit bestehenden Daten erzeugt werden kann. Übertragen auf den Anlagenbetrieb kann man sich die Frage stellen, welche Vorteile es bringt, wenn Erfahrungswerte des gesamten Maschinenparks in einer Wissensbasis digital zugänglich sind, statt mit Insellösungen zu operieren.

Im Forschungsprojekt MaterialDigital wurde u.a. am Beispiel Aluminium-Kokillenguss ein Procedere konzipiert, getestet und kontinuierlich verfeinert, wie werkstoffintensive Prozesse – ganz gleich ob diese die Entwicklung, die Herstellung oder den Betrieb betreffen – digital abgebildet und die werkstoffbestimmenden Prozessgrößen verknüpft werden können.

Ein entscheidender Baustein ist ein geeignetes Interviewformat, um mit den Prozesseignern eine Art Datenlandkarte erstellen zu können. Denn für Neueinsteiger in die Welt der digitalisierten Werkstofftechnik besteht die Mühe darin, „selbstverständliche“ und auf Erfahrung basierende Informationen einerseits zu identifizieren und zu benennen und andererseits strukturiert zu beschreiben. Erst durch die Verknüpfung von Rohdaten mit den zughörigen Metadaten entsteht der Kontext, der die rohen Daten wertvoll macht und letztlich Zusammenhänge erkennen lässt. Für den digitalen Workflow wurde darauf aufbauend ein Workaround entwickelt, wie die erzeugten Datenpakete ausgehend von einem einfach zu handhabenden Excel-Format in semantisch strukturierte Datensätze und schließlich in einen Wissensgraphen überführt werden können.

Das „Softwerkszeug“, um das Unternehmenswissen rund um ein Produkt oder ein Herstellungsverfahren digital darzustellen und abrufbar zu machen, ist zunächst die Festlegung auf eine grundlegende Datenstruktur (Ontologie), mit der die Sachverhalte zu einem Produkt oder Prozess strukturiert werden können. Die Geschichte zum Produkt oder Prozess mit allen wichtigen Verknüpfungen wird im Detail mit einem Wissensgraphen digitalisiert erzählbar. Für den Live-Betrieb des digitalisierten Workflows müssen Daten direkt an der Produktionsanlage möglichst automatisiert erfasst und die so entstehenden Datenpakete konvertiert und in den Datenraum überführt werden. Auch dazu wurden spezielle Apps entwickelt. Und letztlich braucht es eine Abfragesprache um im Wissensgraphen die entscheidungsrelevanten Zusammenhänge zu finden.

Der mit der systematischen Ablage und Verknüpfung (fast) aller prozessrelevanten Daten und Informationen entstehende Wissensgraph kann letztlich zu jedem hergestellten Produkt die Aussagen liefern, auf welchen Maschinen, mit welchen Parametern, aus welchen Rohstoffen dieses gefertigt wurde. Die Tragweite eines solchen Wissensgraphen wird deutlich, wenn beispielsweise die Entscheidung zum Wechsel eines Rohstofflieferanten oder zu einer Produktionsumstellung ansteht und mit einer Abfrage in der Graphdatenbank wissensbasiert untermauert werden kann. 

© Fraunhofer IWM

Das im Projekt MaterialDigital erarbeitete Portfolio an Projektergebnissen für den Anwendungsfall Aluminium-Kokillengussprozess mit zweistufiger Wärmebehandlung umfasst u.a. folgende Bausteine:

  • Digitaler Workflow zur Abbildung und Strukturierung von Prozessschritten mit Meta- und Rohdaten
  • Prozessgraphvorlage zur digitalen Abbildung von werkstoffintensiven Prozessen am Beispiel Al-Kokillenguss
  • BWMD-Ontologie für werkstoffintensive Prozesse
  • Digitaler Workflow zur Fusion von einzelnen Prozessschritten zu Prozessketten
  • Materialdatenraum für den Aluminium-Kokillengussprozess mit zweistufiger Wärmebehandlung
  • Die Integration des digitalen Zwillings (eines Guss-Demonstrators) in Simulations- und Bewertungsketten

Die Wissensbasis wächst mit der Zahl der beteiligten Informationsquellen – auch unternehmensübergreifend – Die Frage liegt auf der Hand, wie dabei wettbewerbsrelevante oder vertrauliche Daten geschützt werden können. In einem Folgeprojekt werden momentan genau hierfür Lösungen getestet, mit dem Ziel dezentrale Wissensgraphen zusammenzuführen und den Datenaustausch zwischen verschiedenen Akteuren so zu organisieren, dass Mehrwerte für beide Seiten entstehen ohne dass geschütztes Wissen preisgeben werden muss. Anfang 2021 werden hierzu Demonstratoren vorliegen.               

Der Nutzen von Wissensgraphen für werkstoffintensive Prozesse

  • In Zeiten von Fachkräftemangel kann Unternehmens-Know-how mit Wissensgraphen langfristig gesichert werden. Die Entwicklung und Herstellung wissensintensiver Produkte wird durch eine umfassende Informationsbasis beschleunigt.
  • Wissensgraphen ermöglichen digitale Zwillinge von Produkten entlang der Prozesskette. Versuch-Irrtum-Schleifen in Entwicklung und Fertigung können durch Prozessparameterstudien ersetzt werden, denn diese erlauben schnelle und valide Entscheidungen.
  •  Zwischen Kunden und Lieferanten eröffnen Wissensgraphen neue Kooperationsformen und Datenprodukte. Ohne die Preisgabe von Unternehmens-Know-how können beispielsweise Prozessdaten in aus Wettbewerbssicht weniger kritische Materialeigenschaften umgerechnet werden – also ohne Rückschlüsse, wie man diese erzeugt hat. Diese digitalen Zwillinge können Kunden zur Verfügung gestellt werden, damit diese eigene Vorhersagen durchführen können. Die Kooperation erfolgt in diesem Fall über das digitale Abbild des Produkts oder über einen gesicherten Datenraum, in dem die Berechnungsmodelle des Kunden die Prozesskennwerte des Herstellers, ohne Zugriff darauf zu haben, in Werkstoffeigenschaften übersetzen.
  • Präzise virtuelle Bewertungsketten, die mit einem Wissensgraph aufgesetzt werden können, führen effektiv und wirtschaftlich zu neuen Optionen für Materialeinsparungen, Kostenreduktion, Zeitersparnis und Risikominimierung.

nach oben 

Öffentlich geförderte Initiativen zur Digitalisierung von MatWerk

 

BMBF Plattform
MaterialDigital

Ziel der Plattform MaterialDigital (PMD) ist der Aufbau der Strukturen für einen virtuellen Materialdatenraum und die Systematisierung des Umgangs mit Werkstoff­daten. Dazu sollen Übereinkünfte zu Datenstrukturen und Schnittstellen entwickelt werden, die Nutzerinnen und Nutzern des Frameworks einen konkreten Mehrwert in eigenen Projekten bieten.

 

NFDI-MatWerk

 

Im Rahmen der Ausschreibung zur Nationalen Forschungsdateninfrastruktur (NFDI) bewirbt sich das Konsortium NFDI-MatWerk (NFDI für die Materialwissenschaft & Werkstofftechnik) auf Projektmittel zur Entwicklung wegweisender Übereinkünften und Tools zur Umsetzung der Digitalisierung in der Materialwissenschaft.

 

Landesprojekt MaterialDigital BW

Sieben Forschungsinstitute demonstrieren unter der Leitung des Fraunhofer IWM, wie Werkstoffe in digitale Wertschöpfungsketten im Sinne von Industrie 4.0 integriert werden. Für zwei Anwendungen werden digitale Repräsentationen, sogenannte Materialzwillinge, der verarbeiteten Materialien erzeugt.

BMBF-Ausschreibung MaterialDigital: Projekte mit Beteiligung des Fraunhofer IWM

StahlDigital 

 

Ontologie-basierte interoperable Workflows zur Entwicklung und Optimierung von Stahlwerkstoffen für den Bauteileinsatz: Von der Blechhalbzeugherstellung zur Crashsicherheit. Die zukünftigen Herausforderungen im Bereich der Stahlherstellung und –verarbeitung sind die Neu- und Weiterentwicklung von Stählen mit maßgeschneiderten Anwendungseigenschaften sowie die Umstellung der Stahlherstellung auf CO2-arme Verfahren. Ziel des Projektes StahlDigital ist es, Ontologie-basiert einen interoperablen Workflow für Stähle mit zugehöriger Datenspeicherung zu schaffen, in die Plattform MaterialDigital zu integrieren und den Mehrwert für einen ausgewählten, Industrie-relevanten Anwendungsfall für das Material-, Prozess- und Bauteildesign, repräsentiert von den Industriepaten thyssenkrupp Steel, Kirchhoff Automotive, Daimler und DYNAmore, zu demonstrieren. Der Anwendungsfall behandelt die Entwicklung und Optimierung von Stahlblechen für Karosseriebauteile und reicht von der Halbzeugherstellung, über die Bauteilherstellung (Umformen) bis zur Bauteileigenschaft (Crashsicherheit). 

 

 

KupferDigital

 

Datenökosystem für die digitale Materialentwicklung auf Basis Ontologie-basierter digitaler Repräsentationen von Kupfer und Kupferlegierungen zur Steigerung der Performance, Sicherung der Nachhaltigkeit und Optimierung des Materiallebenszyklus.

iBain

 

Intelligent-datengeführtes Prozessdesign für ermüdungsresistente Stahlbauteile am Beispiel bainitischer Mikrostruktur. Ziel des beantragten Vorhabens ist die Implementierung und Zusammenführung umfassender Versuchs- und Simulationsdaten in Wissensgraphen, die die Mikrostruk-turbildung in Abhängigkeit von der thermomechanischen Prozessführung und dem resultierenden Ermüdungsverhalten am Beispiel bainitischer Stähle erfassen.

Weitere Informationen

 

Digitaler Zwilling für Werkstoffe

 

Sollen Produktionssysteme digital vernetzt und im laufenden Betrieb werkstoffgerecht verbessert werden, müssen dafür auch die Veränderungen der Werkstoffe gemessen, analysiert und abgebildet werden – im sogenannten »digitalen Materialzwilling«. Fraunhofer-Forscherinnen und -Forscher haben mit einem Werkstoffdatenraum die Grundlage hierfür geschaffen.

 

MagnetPredictor: Magnetische Materialeigenschaften vorhersagen

Permanentmagnete für Elektroautos und Windräder enthalten bisher Seltenerdmetalle. Deren Anteil soll sinken, da es beim Abbau dieser wertvollen Ressourcen zu Gesundheits- und Umweltschädigungen kommt. Ein neues Machine-Learning-Tool hilft in der Magnetentwicklung, ferromagnetische Kristalleigenschaften neuer Materialzusammensetzungen einfach und schnell vorherzusagen...

 

DGM-Interview mit Prof. Dr. Peter Gumbsch zum Thema Digitalisierung

Die Digitalisierung des produzierenden Gewerbes verspricht Wettbewerbsvorteile durch Vernetzung, Integration und neue Dienstleistungen auf der Basis von Informationsströmen und der Auswertung großer Datenmengen. Sie ist ohne eine digitale Repräsentation der Produkte und verarbeiteten Materialien nicht vorstellbar. DGM-Interview mit Prof. Dr. Peter Gumbsch zum Thema Digitalisierung in der Materialwissenschaft und Werkstofftechnik (MatWerk)...

 

Werkstoffdaten für Umformsimulation im virtuellen Labor ermitteln

Bei der Umformung werden Blechwerkstoffe häufig bis an ihre Grenzen belastet. Wie weit man in der Produktion gehen kann wird mit Computersimulationen getestet. Doch diese Simulationen sind nur so genau wie die Daten, die man ihnen zugrunde legt. Ein Team am Fraunhofer-Institut für Werkstoffmechanik IWM in Freiburg hat jetzt ein virtuelles Versuchslabor entwickelt, mit dem beliebige Belastungszustände für metallische Materialien »auf Knopfdruck« untersucht und präzise werkstoffmechanische Daten ermittelt werden können...

Fraunhofer IWM Videoserie: Digitalisierung in der Werkstofftechnik

Der Bedarf an Digitalisierung in der Werkstofftechnik

Der digitale Zwilling in der Werkstofftechnik

Wie wird die digitale Repräsentation eines Werkstoffs erzeugt?

Der digitale Zwilling eines Werkstoffs
im Produktlebenszyklus


 

How do knowledge graphs improve materials data management in process chains?