Einblicke ins Projekt EasyMLS
Wie können wir das Design eines Elektrolyseurs für die Montage optimieren? Und wie kann KI dazu beitragen, die Automatisierungseignung eines Produkts zu verbessern?
Mit diesen und weiteren Fragen beschäftigen sich Malte Jakschik (Lehrstuhl für Produktionssysteme) und Julian Rolf (Lehrstuhl Digital Engineering) im Forschungsprojekts „EasyMLS – Engineering Assistance for Hybrid Decision Support based on Machine Learning Surrogate Models“.
Am ZESS erforschen sie, wie Ersatzmodelle für maschinelles Lernen (MLS) Ingenieure und Designer dabei unterstützen können, in der Produktentwicklung die richtigen Entscheidungen zu treffen – und zwar so früh wie möglich. Dabei nähern sie sich der Frage interdisziplinär: Sie kombinieren Konstruktionsprozesse aus dem Maschinenbau mit Methoden aus der Informatik und verbessern so das Produktdesign. Die Ergebnisse ihrer Forschung überprüfen sie an einem Elektrolyseur, der auf dem Testfeld des ZESS zur Verfügung steht.
Die im Projekt gewonnenen Erkenntnisse können die Produktentwicklung zukünftig in mehrfacher Hinsicht verbessern:
- Die Effizienz bei der Produktentwicklung wird gesteigert. Produkte können so schneller auf den Markt gebracht werden.
- Probleme werden zu einem Zeitpunkt mitgedacht, an dem Änderungen noch leicht vornehmbar sind. Das spart Zeit und Kosten bei der Produktentwicklung.
- Die automatisierte Produktmontage benötigt weniger Personal – so kann der Fachkräftemangel ausgeglichen werden.
- Das Design von Produkten wird so optimiert, dass sie sich leichter reparieren und demontieren lassen. Das führt zu Einsparungen in der Wartungs- und Recyclingphase.
Das Projekt EasyMLS ist eins von sechs Teilprojekten des DFG Schwerpunktprogramms 2443 „Hybrid Decision Support“.
