Ausgangspunkt / Motivation

Faserverstärkte Kunststoffe sind heutzutage in der Luftfahrtindustrie unabdingbar, daher sind Steigerungen der Stückzahlen und Kostensenkung ein vorrangiges Ziel. 40% der Gesamtkosten eines Leichtbauteiles resultieren aus der Produktion des Faserhalbzeuges, der "Preform".

Stand der Technik sind Drapiersimulationen (kinematisch und zu einem gewissen Teil FE-basiert), welche den Prozess der Faserhalbzeugproduktion digital abbilden können und dem Entwicklungsingenieur erste Eindrücke für kritische Bereiche am Bauteil, geben können.

Die tatsächliche Produktion der Preform erfolgt oftmals per Hand, wo der jeweilige Experte für sich selbst (basierend auf Erfahrung) die notwendige Reihenfolge von Handlungsschritten definiert und ausführt. Dieses Projekt soll diese notwendige Lernerfahrung mit Hilfe einer virtuellen Lernumgebung nachbauen.

Ziele

• Entwicklung einer KI-gestützten Methodik zur automatisierten Generierung optimaler Arbeitsanweisungen für die Preform-Herstellung von Faserverbundbauteilen
• Aufbau einer virtuellen Lernumgebung durch die Kombination von Machine Learning und digitalen Zwillingen, um menschliche Expertise systematisch nachzubilden
• Experimentelle Validierung und Bewertung der KI-generierten Arbeitsanweisungen in einer realen Ausführungsumgebung

Inhalt

Die zentrale Innovation von JARVIS4Pre besteht darin, mithilfe von Methoden der Künstlichen Intelligenz und des Machine Learning in Kombination mit einem digitalen Zwilling eine virtuelle Lernumgebung zu schaffen, in der menschliche Erfahrung systematisch nachgebildet werden kann.

Ziel dieses Ansatzes ist die automatisierte Ableitung von Arbeitsanweisungen, also klar definierter Abfolgen und Beschreibungen einzelner Prozessschritte, die als Grundlage für zukünftige Entwicklungen dienen. Aufgrund der hohen Modellkomplexität digitaler Zwillinge sowie der anspruchsvollen Randbedingungen und Materialmodelle ist der Übergang von klassischen Optimierungsverfahren hin zu KI-basierten Algorithmen dabei ein wichtiger Schritt.

Methodik

Die mithilfe von Künstlicher Intelligenz erstellten Arbeitsanweisungen werden in einer eigens für das Projekt entwickelten Ausführungsumgebung physisch geprüft und bewertet. Dabei werden die Möglichkeiten und Randbedingungen der realen Umgebung erfasst und in den Lernprozess der KI zurückgeführt, um die Effizienz zu steigern, Ressourcen zu schonen und nachhaltigere Produktionsprozesse zu ermöglichen.

Ergebnisse

Die Ergebnisse des Projekts JARVIS4Pre umfassen die automatisierte Erstellung präziser und reproduzierbarer Arbeitsanweisungen für die Preform-Herstellung von Faserverbundbauteilen, basierend auf KI-gestütztem Lernen aus digitalen Zwillingen. Diese Anweisungen wurden in einer realen Ausführungsumgebung validiert, wodurch die Prozessqualität gesteigert, ineffiziente Trial-and-Error-Schritte reduziert und Produktionszeit sowie Ressourcenverbrauch signifikant gesenkt wurden.

Langfristig liefert das Projekt eine methodische Grundlage für die Integration künstlicher Intelligenz in die Fertigung, die zu nachhaltigeren, effizienteren und kostengünstigeren Produktionsprozessen in der Luftfahrtindustrie führen kann.

Die Ergebnisse von JARVIS4Pre wurden bereits im Projekt AutoDrape der FH OÖ eingesetzt. Mittels Machine Vision Algorithmen und Korrelationsanalysen wird eine automatisierte Auswertung von Finite Elemente Simulationen im Detail betrachtet, um verlässliche Ergebnisse zu erzielen.

Projektkoordination

• Alpex Technologies GmbH
• Alpex Immobilien GmbH

Projektpartner:innen

• FH OÖ Forschungs & Entwicklungs GmbH
• EnliteAI GmbH
• BRIMATECH Services GmbH
• Aerospace & Advanced Composites GmbH

ALPEX Technologies GmbH
Gewerbepark 38
A-6068 Mils
Tel.: +43 (5223) 466 64-0
E-Mail: info@alpex-tec.com
Web: www.alpex-tec.com