Ressource T-EXDIZ - Datenunterstützte Effizienzsteigerung bei der Entwicklung textiler Produkte durch Experimentierbare Digitale Zwillinge am Beispiel des Tuftens

Das Ziel des abgeschlossenen Forschungsprojekts „Ressource T-EXDIZ“ war die Entwicklung eines experimentierbaren digitalen Materialzwillings, der in Zusammenarbeit mit den experimentierbaren digitalen Prozesszwilling und dem Einsatz von KI in der Produktentwicklung eine signifikante Steigerung der Ressourceneffizienz ermöglicht.

Eine der größten Herausforderungen bei einem solchen Digitalisierungsprojekt stellt die fehlende durchgängige Digitalisierung der Unternehmen dar. Die Grundlage für den Einsatz von KI / ML-Tools ist eine einheitliche, automatisiert auswertbare Datenbasis. Diese ist in vielen Fällen nicht flächendeckend vorhanden. Dies hat zur Folge, dass KI-Tools nur in Ausnahmesituationen einsetzbar sind.

Mit dem Experimentierbaren Digitalen Materialzwilling (EDMZ) wurde Expertenwissen zur Entwicklung von Tuftingprodukten in digitale Form überführt, womit eine a-priori Abschätzung zur Verbesserung der Produktentwicklung und eine effizientere Nutzung physischer Ressourcen möglich ist. Zur Entwicklung des EDMZ wurde ein Materialdatenraum aufgebaut, in dem der EDMZ abgebildet wurde. Dieser bestand aus den prozessrelevanten Material- und Prozessparameter. Aus der Kombination des realen Systems mit dem entwickelten Experimentierbaren Digitalen Prozesszwilling (EDPZ) (T-EXDIZ IGF21166) und dem hier entwickelten EDMZ resultierte ein wichtiger Baustein für ein Cyber-Physisches System (CPS) zur Abschätzung von Material- und Prozessparametern. Für ein CPS mussten eine Vielzahl potenziell relevanter Material-, Prozess- und Produktparameter integriert werden, was zu einer stetig steigenden Komplexität des Gesamtsystems führte. Um diese zu beherrschen, wurden mit Hilfe von Korrelations- und Clusteranalysen sowie Methoden des Maschinellen Lernens neue Zusammenhänge und Abhängigkeiten zwischen Material-, Prozess- und Produktparametern ermittelt. Die daraus resultierende KI-unterstützte datengetriebene Informations- und Wissensgewinnung ermöglichten die Vorhersage geeigneter Einstellparameter für neue Produkte und damit eine effiziente Produktentwicklung sowie eine verlustarme Nutzung physischer Ressourcen.

Im Projektverlauf wurde eine Parameterliste entwickelt, die die Einflussfaktoren aufführt, die aus Sicht des Projektteams und des Projektbegleitenden Ausschusses den größten Einfluss auf die Produkteigenschaften haben. Hier wurden neben den Einflüssen, auch die Messbarkeit, Einheiten und Messmethoden erfasst. Diese Liste wurde im Projektverlauf immer wieder verändert und ergänzt. Aufbauend auf dieser Grundlage wurde der DMZ in Form einer Ontologie entwickelt und ein ML-Modell auf Entwicklungs- und Produktionsdaten aus Industrie und Forschung trainiert. Der daraus entstandene EDMZ war am Projektende in der Lage, trotz noch überschaubarer Datenbasis, eine ausgewählte Parameterschar aus Material-, Produkt- und Prozessparametern für neue Produkte zu prognostizieren und auch Abhängigkeiten offenzulegen, die nicht in den Trainingsdaten dargestellt waren. Dies lässt den Rückschluss zu, dass die eingesetzten Methoden mit einer größeren Datenbasis, mehr Parameter einbezogen werden können und noch zuverlässigere Ergebnisse liefern können und somit ein wertvolles Tool in der Produktentwicklung sein können. Das beispielhaft ausgewählte Tuftingverfahren bot für die Erschließung neuer Anwendungen im Bereich der technischen Textilien großes Potenzial. Durch den Einsatz des EDMZ in Verbindung mit dem EDPZ kann die Entwicklung neuartiger technischer Textilien auf Basis von Materialien und Prozessen, auch solcher, die sehr stark vom Standard abweichen, simuliert werden. Dadurch werden Entwicklungskosten und Ressourcen gespart und eine hohe Effizienz und Effektivität bei einer variantenreichen Produktentwicklung gewährleistet.

Sowohl die Tuftingindustrie und ihre Zulieferer als auch die Maschinenindustrie und KI-Unternehmen waren im Projektbegleitenden Ausschuss (PA) repräsentiert. Dieser hat im Rahmen des Projektes in Workshops Wissen beigesteuern und Hinweise zur Entwicklung des EDMZ gegeben.

Der Schlussbericht zum Forschungsprojekt ist als TFI-Schriftenreihe 2024 / 127 im Download erhältlich.