XDP-Opt: Erfahrungsbasierte Prozessoptimierung im Design für die industrielle Fertigung

Projektübersicht

Der Produktentwicklungsprozess ist ein hochkomplexer, iterativer Vorgang, der zahlreiche Phasen von der Konzeptualisierung bis zum finalen Prototyp durchläuft. In jeder Phase stehen Produktdesigner vor kritischen Entscheidungen, die maßgeblich die Komplexität, Fertigbarkeit und Ressourcennutzung der Produktion beeinflussen. Traditionell wird dieser Prozess vorwiegend durch digitale Werkzeuge wie Datenbanken unterstützt und basiert stark auf dem Erfahrungswissen der Designer aus früheren Produktentwicklungen.

Die Einführung von Entscheidungsunterstützungssystemen (Decision Support Systems, DSS) in diesen überwiegend manuellen und komplexen Entwicklungsprozess ist ein vielversprechender Ansatz zur Optimierung und Effizienzsteigerung. Dabei eröffnet Künstliche Intelligenz (KI) als Schlüsseltechnologie neue Möglichkeiten, erklärbare Empfehlungen für Entscheidungsprozesse bereitzustellen. Obwohl erste Ansätze den Einsatz von KI in der Produktentwicklung untersuchen, steckt die Nutzung von KI-Methoden hier noch in den Anfängen.

Das Projekt XDP-Opt wird in enger Zusammenarbeit zwischen dem Lehrstuhl für Werkzeugmaschinen und Steuerungen der Technischen Universität Kaiserslautern-Landau und dem Lehrstuhl für Künstliche Intelligenz und Intelligente Informationssysteme der Universität Trier durchgeführt.

Ziele

Das Ziel von XDP-Opt ist es, innovative KI-Methoden mit bewährten Verfahren des Maschinenbaus zu kombinieren, um Produktdesigner in den frühen Phasen der Produktentwicklung gezielt zu unterstützen. Im Zentrum steht die Entwicklung eines hybriden Interaktiven Design Decision Support Systems (IDDSS), das:

• Erfahrungswissen von Produktdesignern mithilfe der Methodik des Fallbasierten Schließens (Case-Based Reasoning, CBR) integriert,
• datengetriebene Methoden des Föderierten Lernens (Federated Learning, FL) für die Qualitätskontrolle einsetzt und
• durch die Rückführung von Produktionsdaten und Informationen zu Designentscheidungen es Designern ermöglicht, direkt aus bekannten Ineffizienzen zu lernen und diese zu vermeiden.