prognose von mate rial- und produkteigenschaften

F R AU N H O F E R - I N S T I T U T F Ü R T E C H N O - U N D W I R T S C H A F T S M AT H E M AT I K
PROGNOSE VON MATE RIAL- UND
PRODUKTEIGENSCHAFTEN
Unsere Kompetenzen
■
Datenbasierte Modellierung und Systemidentifikation
■
Modellierung und Identifikation von statischen und dynamischen nichtlinearen Systemen
■
Analyse und Verarbeitung von Messdaten
■
Schätzung und Optimierung von Prozessparametern
180
Verwendete Programmiersprachen und Simulationswerkzeuge
■
160
MATLAB, R, C++, Java, ABAQUS, etc.
140
Spannung σ [MPa]
Methoden
Fraunhofer-Institut für Technound Wirtschaftsmathematik ITWM
■
Systemtheorie (nichtlineare dynamische Modelle, Hysterese-Modelle)
67663 Kaiserslautern
■
Maschinelles Lernen (FeedForward und rekurrente Neuronale Netze)
Ansprechpartner
■
Approximationstheorie (Wavelets)
■
Mathematische Statistik (Maximum Likelihood, Bayessche Ansätze)
www.itwm.fraunhofer.de/rd_as/dhn/
■
Data Mining (Klassifikation, Clustering, Signifikanzanalyse)
Dr. Patrick Lang
■
Monte-Carlo-Methoden (Markov Chain Monte Carlo, Sequentielles Monte Carlo)
100
Fraunhofer-Platz 1
Dr. Alex Sarishvili
Telefon +49 631 31600-46 83
120
80
60
[email protected]
Prognose und Regelung«
Telefon +49 631 31600-46 39
[email protected]
www.itwm.fraunhofer.de
© Fraunhofer ITWM 2010
AS_Flyer_Prognose_Material-Produkteigenschaften_DE_nCD
Abteilungsleiter »Systemanalyse,
40
Ramberg-Osgood-Approximation
Gemessene σ-ε-Kurve
20
0
0
0.01
0.02
0.03
Dehnung ε
0.04
0.05
0.06
Input
Parametrisierung
Graybox
Systemidentifikation
Blackbox
Systemidentifikation
Bekanntes
Domänenwissen
Materialeigenschaften

Produktions

...
x1
x2
x4
γ1
γ2
γ3
γ4
γ5
γ6
φ
β1
φ
β2
φ
β3
φ
φ
1
160
140
b0
β4
β5
β6
Σ
1
Problem
120
100
φ
Output
1 Ablaufdiagramm einer
Wissensextraktion
180
x3
1
Prognose,
Systemidentifikation
Parameter
Prognose
Wissensextraktion
Modellwahl
Variablenwahl
Tests auf Modellvalidität
Bildanalyse

Spannung σ [MPa]
Komplexer Prozess
bzw. komplexes System

Beispiele
y
80
60
40
Ramberg-Osgood-Approximation
Gemessene σ-ε-Kurve
20
0
0
0.01
0.02
0.03
Dehnung ε
0.04
0.05
0.06
1 Datenbasierte Model-
datenbasierten System-
lierung des Spannungs-/
identifikation
Dehnungsverhaltens eines
■
Der industriellen Herstellung von Materia-
repräsentative Messdaten vor, beispiels-
Beispiele für Fragestellungen, bei denen
lien und Produkten liegt oft ein komple-
weise aus systematischen Versuchsreihen
von uns geeignete Black- bzw. Graybox-
xer physikalischer, chemischer und auch
oder weil diese Daten im Herstellungs-
Modelle identifiziert wurden:
ökonomischer Prozess zugrunde, der
prozess ohnehin erhoben werden, so
von einer großen Zahl von Einflussfakto-
lässt sich mit geeigneten Techniken der
ren und Prozessparametern abhängt. Zur
Systemidentifikation, des Data Mining
Crashperformance eines Verbundwerk-
Verbesserung der Herstellungsprozesse
und der mathematischen Statistik eine
stoffes in Abhängigkeit der Herstellungs-
strebt man die Optimierung dieser Fak-
Systembeschreibung in Form eines Black-
parameter, der verwendeten Material-
toren in Bezug auf gewisse Performance-
box-Modelles erstellen. Möglich ist auch
spezifikationen und der Geometrie
größen an.
die Einbeziehung von Einsichten in physikalische und phänomenologische Zusam-
■
■
Erstellung von datenbasierten Modellen
■
Durchführung der Simulationen
und Auswertung der Ergebnisse
■
Prognose und Sensitivitätsanalyse der
■
anhand der identifizierten Modelle
Softwareentwicklung
■
Vorhersage des elasto-plastischen Verhal-
Beispiele für interessante Performance-
menhänge des Prozesses; dies führt zu
tens eines Kfz-Druckgussbauteils unter
größen im Materialdesign sind u. a. das
Graybox-Modellen.
speziellen Belastungsszenarien
■
Simulation und Optimierung von
■
Die identifizierten Modelle können für
■
Oberflächenfehlerklassifikation eines Druck-
(Prototypen). Potenzielle Einflussfakto-
Prognose- und Simulationszwecke einge-
gussbauteils auf Basis simulierter lokaler
ren sind Geometrieparameter, chemische
setzt werden und erlauben damit insbe-
Gießparameter
Materialzusammensetzung, Herstellungs-
sondere auch eine Optimierung der Pro-
methoden usw.
zessparameter.
■
Einbindung dieser Module in bestehende
Prognose und Sensitivitätsanalyse ausge■
Bereitstellung von Möglichkeiten zur
Die Aussagekraft dieser Art von mathe-
ten Werkstoffs basierend auf einstellba-
Neu- Identifikation oder Adaption der
Vorhersage über das Verhalten der Per-
matischen Modellen hängt entschei-
ren Prozessparametern und verwendeter
Simulationsmodelle
formancegrößen bei einer Änderung der
dend von der Qualität der Messdaten
Rezeptur
Einflussfaktoren schwierig.
ab. Die Durchführung von Experimenten
Die Komplexität des Prozesses macht eine
■
zur Datenerhebung muss daher so ge■
Prozessen
Simulationswerkzeuge
■
wählter Qualitätsparameter eines extrudier■
Entwicklung und Implementierung
individueller Software-Module zur
Crashverhalten, die Zugfestigkeit oder
die Wärmeleitung von Komponenten
Optimierung von Prozessparametern
■
Vorhersage des Software-Restfehlergehalts
Eine Lösung bieten Computer-Simulationen
plant werden, dass unter Berücksichti-
und Software-Zuverlässigkeitsanalyse in
basierend auf einer physikalisch-mathe-
gung der technischen und ökonomischen
frühen und fortgeschrittenen Phasen der
matischen Modellierung des Prozesses.
Beschränkungen eine möglichst informa-
Software-Testprozesse
Rein physikalische Modellierungen sind
tionshaltige Menge von Daten bestimmt
wegen unzureichender Einsichten in die
wird (Design-of-Experiments).
ge oder wegen Beschränkungen bezüg-
■
ne Erkenntnisse oder durch Änderungen
Fällen nicht machbar oder nicht sinnvoll.
der Prozesscharakteristiken ist eine An-
Datenbasierte Modelle bieten hier eine
passung der Modelle bzw. Prozesspara-
mögliche Alternative: Liegen ausreichend
meter sinnvoll.
Mitarbeit in nationalen / internationalen
Förderprojekten im Verbund mit der In-
■
Entwicklung neuartiger Lösungsansätze
für die datenbasierte Systemidentifikation,
Durch im Laufe der Zeit hinzugewonne-
lich der benötigten Ressourcen in vielen
■
dustrie
Wir bieten Ihnen
physikalisch-chemischen Zusammenhän-
Entwicklung neuer Lösungen
■
Modellierung und Simulation
Simulation, Prognose und Optimierung
von Prozessparametern
■
Beratung und Unterstützung zur Planung
und Durchführung von Messreihen
Magnesium-Gussbauteils