Labor für die intelligente Leichtbauproduktion

The increasing complexity of modern manufacturing systems, driven by demands for sustainability, shorter product life cycles, and greater customization, necessitates frequent reconfiguration and redesign of production processes. In this context, knowledge about parameter interdependencies is crucial. Additionally, simulations play a vital role by enabling virtual testing of various parameter configurations to optimize key performance indicators such as energy consumption, emissions, processing time, and costs. This project report presents an integrated approach to enhance process planning by incorporating semantic models that describe process parameter interdependencies. Furthermore, we describe a concept for automating the generation of simulation sequences, thereby reducing the complexity and effort involved in manual planning. The combination of these approaches is demonstrated using a web-based application, showcasing the potential to support efficient and sustainable manufacturing practices.

Die Modellfabrik des dtec Labors für intelligente Leichtbauproduktion (LaiLa) hat sich in den letzten drei Jahren als Digitalisierungslabor für intelligente Leichtbauproduktion etabliert und den Wissenstransfer zwischen Grundlagenforschung, anwendungsnaher Forschung und industrieller Anwendung in der Luftfahrt vorangetrieben. Durch die Implementierung und Optimierung von Technologien wie energieoptimierter Produktionsplanung und -steuerung, robotergestütztem kontinuierlichem Ultraschallschweißen und digitalen Zwillingen konnten signifikante Fortschritte in Bezug auf Qualitätssteigerung, individualisierte Fertigung, Ressourceneffizienz und Transparenz erzielt werden. Der vorliegende Beitrag präsentiert die gewonnenen Erkenntnisse und zeigt auf, wie die dargestellte Digitalisierung der Modellfabrik dazu beiträgt, Nachhaltigkeit und Effizienz in der Leichtbauproduktion durch intelligente Vernetzung, automatisierte Produktionssysteme, Echtzeit-Abbildung, Überwachung und Steuerung sowie flexibles Produktionsdesign zu erreichen. Darüber hinaus werden die Potenziale für die Weiterentwicklung und Skalierung der erprobten Lösungen in der industriellen Anwendung diskutiert, um den Weg für eine zukunftsorientierte und wettbewerbsfähige Leichtbauproduktion in der Luftfahrtindustrie und darüber hinaus zu ebnen. Im Einklang mit den übergeordneten Zielen von LaiLa und dtec trägt die Modellfabrik dazu bei, die Digitalisierung in der Leichtbauproduktion voranzutreiben und die Wettbewerbsfähigkeit der deutschen Luftfahrtindustrie zu stärken. Durch die enge Zusammenarbeit von Partnern aus Industrie und Wissenschaft fördert LaiLa den Technologietransfer und die Entwicklung innovativer Lösungen.

Im vorliegenden Beitrag wird ein Konzept vorgestellt, das Large Language Models (LLMs) und eine Chatbot-Benutzeroberfläche nutzt, um eine intuitive Interaktion zwischen Anwendern und Ontologien zu ermöglichen. Eingaben in natürlicher Sprache werden dabei in SPARQL-Abfragen umgewandelt, um das Faktenwissen der Ontologie abzufragen und das Risiko von Fehlinformationen zu minimieren. Zur Steigerung der Ergebnisqualität wird die Ontologie mithilfe von etablierten, domänenspezifischen Standards um zusätzliche Kontextinformationen zu modellierten Klassen und Relationen erweitert. Eine experimentelle Untersuchung wurde durchgeführt, um die Genauigkeit der mittels LLMs generierten SPARQL-Abfragen zu ermitteln. Die vorläufigen Ergebnisse zeigen den Mehrwert des Konzepts für die Ontologieabfrage.

Deutsch: In der modernen industriellen Fertigung lässt sich trotz hoher Stückzahlen eine zunehmende Individualisierung der Produkte beobachten. Die Digitalisierung, insbesondere im Kontext von Industrie 4.0 und 5.0, bietet großes Potenzial, diesen Trend zu beschleunigen und Marktbedürfnisse zielgerichteter zu befriedigen. Digital Twins (DTs) spielen dabei eine zentrale Rolle, indem sie Transparenz schaffen und zuvor isolierte Unternehmensbereiche verknüpfen. Trotz intensiver Forschungsbemühungen weisen DT-Projekte in der Industrie im Jahr 2024 noch einen geringen Reifegrad auf. Diese Dissertation untersucht anhand umfangreicher empirischer Studien die Gründe für den niedrigen Reifegrad von DTs in Fertigungsunternehmen und identifiziert dabei technische, organisatorische und methodische Herausforderungen. Der Fokus liegt besonders auf organisatorischen und methodischen Faktoren wie der Kostenbewertung, der Benutzerakzeptanz und der Zielsetzung, die zentrale Hürden darstellen. Zur Bewältigung dieser Handlungsfelder wurde ein neuartiges Framework entwickelt, das die Entwicklung und Implementierung von DTs systematisiert und die Erfolgsaussichten solcher Projekte erhöht. Das Kober Digital Twin Framework (KDTF) umfasst fünf neu entwickelte Modelle: 1. Digital Twin Stakeholder Communication Model (DT-SCM): Ein ganzheitliches Modell, das die Kommunikation zwischen den Stakeholdern durch eindeutig definierte Dimensionen verbessert. 2. Digital Twin Fidelity Requirements Model (DT-FRM): Ein strukturiertes Modell zur präzisen Zielsetzung und Priorisierung von Einflussfaktoren. 3. Digital Twin Benefit Curves (DT-BC): Grafische Darstellungen der Beziehung zwischen DT-Fidelity, Mehrkosten und Einsparpotenzialen. 4. Digital Twin Fidelity Calculation Model (DT-FCM): Ein methodischer Ansatz zur Berechnung der optimalen DT-Fidelity. 5. Digital Twin Cost-Benefit Framework (DT-CBF): Ein systematisches Modell zur Identifizierung und Bewertung der Potenziale und Kosten von DTs. Es wurde mithilfe der Design Science Research (DSR) Methodik entwickelt und validiert, welche eine flexible, iterative Entwicklung und kontinuierliche Verbesserung ermöglichte. Die übergeordnete Validierung des gesamten Frameworks erfolgte anhand eines fortschrittlichen Fallbeispiels aus der industriellen Praxis eines innovativen Sägewerks. Es wurde deutlich, dass das Framework die Entwicklung und Implementierung wirtschaftlich erfolgreicher und technisch komplexer DTs ermöglicht. Fertigungsunternehmen werden dabei unterstützt, ein optimales Kosten-Nutzen-Verhältnis bei der Entwicklung und Implementierung von DTs zu realisieren und informierte Entscheidungen der verantwortlichen Stakeholder zu fördern. Abschließend stellt das in dieser Dissertation entwickelte Framework eine wesentliche Innovation dar, die sowohl wissenschaftlich fundiert ist als auch praktische Anwendung findet. Es trägt dazu bei, die Verbreitung von DTs in der Fertigung zu fördern und sichert somit die nachhaltige Relevanz dieses Forschungsfeldes.

Manufacturing companies face challenges when it comes to quickly adapting their production control to fluctuating demands or changing requirements. Control approaches that encapsulate production functions as services have shown to be promising in order to increase the flexibility of Cyber-Physical Production Systems. But an existing challenge of such approaches is finding a production plan based on provided functionalities for a demanded product, especially when there is no direct (i.e., syntactic) match between demanded and provided functions. While there is a variety of approaches to production planning, flexible production poses specific requirements that are not covered by existing research. In this contribution, we first capture these requirements for flexible production environments. Afterwards, an overview of current Artificial Intelligence approaches that can be utilized in order to overcome the aforementioned challenges is given. For this purpose, we focus on planning algorithms, but also consider models of production systems that can act as inputs to these algorithms. Approaches from both symbolic AI planning as well as approaches based on Machine Learning are discussed and eventually compared against the requirements. Based on this comparison, a research agenda is derived.