© Fraunhofer IWM (Grafik: Gebhard | Uhl, Freiburg)
Auf dieser Seite:
Den Wirkungsgrad von Werkstoffdaten als Rohstoff für Innovationen verbessern
Handlungsfelder der Digitalisierung materialintensiver Prozesse
Materialintensive Prozesse digitalisieren
Informationen und Nachrichten aus der Digitalisierung
Fraunhofer IWM Videoserie: Digitalisierung in der Werkstofftechnik
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.
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.
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.
Das im Projekt MaterialDigital erarbeitete Portfolio an Projektergebnissen für den Anwendungsfall Aluminium-Kokillengussprozess mit zweistufiger Wärmebehandlung umfasst u.a. folgende Bausteine:
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
Fraunhofer-Institut für Werkstoffmechanik IWM
