Digitalisierung in der Werkstofftechnik

Auf dieser Seite:

Effiziente digitale Workflows

Fraunhofer IWM Videoserie: Digitalisierung in der Werkstofftechnik

Materialdatenräume und digitale Repräsentationen

Digitalisierung in der Werkstofftechnik umsetzen

Projekte und Aktivitäten

Digitalisierung von Materialien für bessere Produkte und Verfahren

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.

Zentraler Aspekt ist, geeignete Materialdatenräume zu schaffen, womit alle materialspezifischen Daten digital verwaltet, automatisierbar abgefragt und Materialeigenschaften und Zustandsinformationen rekonstruiert werden können. Der Materialdatenraum ist Voraussetzung für eine Einbindung der Materialien in digital vernetzte Systeme. Digitale Materialzwillinge, die aus dem Materialdatenraum heraus mit Datenanalysewerkzeugen und Materialmodellen rekonstruiert werden, ermöglichen die Durchlässigkeit von örtlich und zeitlich variierenden Materialeigenschaften entlang des Produktlebenszyklus und über Unternehmensgrenzen hinaus.

MaterialDigital in Baden-Württemberg - Materialien als Bestandteil einer digital vernetzten Wertschöpfungskette

Entwicklungs-, Fertigungs- und Betriebsprozesse lassen sich durch digitale Workflows wesentlich effizienter gestalten.  Erst durch eine durchgängige Beschreibung der Materialeigenschaften und ihrer Veränderungen, bekommt das Management des Produktlebenszyklus eine neue Qualität und es ergeben sich neue Geschäftsmodelle.

Unsere Zielsetzung ist digitale Workflows über mehrere Schritte hinweg so zu gestalten, dass eine möglichst umfassende digitale Repräsentation des betrachteten Prozesses entsteht und sich so »mit der Digitalisierung bessere Produkte erzeugen lassen«.

Erfolgsfaktoren, um Wert aus der digitalen Repräsentation von Werkstoffen zu schöpfen, sind

die Effizienz in der Datenerzeugung (experimentell, numerisch, sensorisch, …),

die Vollständigkeit (und die Vervollständigung) der zur Verfügung stehenden Datenbasis,

die Aussagekraft der zur Datenanalyse eingesetzten mechanistischen oder Machine Learning-Modelle,

die Durchgängigkeit der Datenströme in der anwendungsspezifisch abgebildeten Kette aus Entwicklungs- und Fertigungsschritten bzw. Einsatz und Betrieb und

die Qualität der Rückkopplung um Design und Engineering zu verbessern.

nach oben