Hybride Modellierung und digitale Prozessunterstützung
Wir verfolgen dabei einen interdisziplinären Ansatz, in dem Simulation, Messtechnik, Datenanalyse und KI eng verzahnt werden:
Systematische Prozessanalyse
Zunächst erfassen wir relevante Einflussgrößen und Zusammenhänge im Meltblown-Prozess mithilfe strukturierter Methoden wie Ursache-Wirkungs-Diagrammen. Auf dieser Grundlage definieren wir Anforderungen an Daten, Modelle und den Machine-Learning-Workflow.
Numerische Simulation von Teilprozessen
Für zentrale Prozessschritte – etwa das Spinnen, die Faserverwirbelung in turbulenten Luftströmungen sowie die Vliesablage – kombinieren wir bestehende Simulationswerkzeuge zu einer durchgängigen Simulationskette. Diese liefert einerseits hochwertige Trainingsdaten und andererseits physikalische Zwischengrößen, die experimentell nur schwer zugänglich sind.
KI-Modelle auf Basis realer Produktionsdaten
An Technikums- und Industrieanlagen erfassen und strukturieren wir Prozess- und Qualitätsdaten. Darauf aufbauend vergleichen und nutzen wir verschiedene Machine-Learning-Methoden, beispielsweise Neuronale Netze und Gaußprozess-Regression, sowohl für einzelne Teilprozesse als auch für den Gesamtprozess.
Hybride KI-Modelle
Im nächsten Schritt führen wir Simulationsdaten, reale Messdaten und Wissen in hybriden Modellen zusammen. Dabei kommen auch moderne Ansätze wie Physics-Informed Machine Learning zum Einsatz, die physikalische Gesetzmäßigkeiten direkt in die Lernverfahren integrieren. So entstehen robuste, teilphysikalisch fundierte und gleichzeitig datengetriebene Modelle.
Digitales Assistenzsystem zur Prozesseinstellung (Dashboard)
Die entwickelten Modelle überführen wir in eine digitale Einstellhilfe. Über ein interaktives Dashboard können Prozessparameter, Zielgrößen und Restriktionen variiert und deren Auswirkungen auf Produktqualität sowie Energie- und Materialeinsatz direkt visualisiert werden.
Nutzen für Unternehmen: Mehr Effizienz, Nachhaltigkeit und Tempo in der Vliesstoffproduktion
Die im Projekt entwickelten Methoden und Werkzeuge unterstützen Unternehmen der Vliesstoffbranche in mehreren Anwendungsbereichen:
Optimierung der laufenden Produktion
Wir ermöglichen eine verbesserte Einstellung der Anlagen und damit einen effizienteren Betrieb. Dadurch lassen sich der spezifische Energieverbrauch senken, Materialverluste reduzieren und Ausschuss minimieren.
Beschleunigte Produktentwicklung
Durch virtuelle Tests und datenbasierte Prognosen reduzieren wir den experimentellen Aufwand deutlich. Neue Rezepturen und Prozessfenster können schneller bewertet und gezielt weiterentwickelt werden.
Einsatz nachhaltiger Rohstoffe
Unsere hybriden Modelle erleichtern die Integration recycelter und biobasierter Polymere, da sich deren Verarbeitungsverhalten systematisch untersuchen und optimieren lässt.
Bessere Auslastung vorhandener Kapazitäten
Wir unterstützen Unternehmen dabei, neue Anwendungsfelder für Meltblown-Vliesstoffe schneller zu identifizieren und hinsichtlich technischer Machbarkeit sowie Wirtschaftlichkeit zu bewerten.
Übertragbarkeit der Methoden
Die im Projekt entwickelten Konzepte für hybride KI-Modelle und Systemarchitekturen sind nicht nur auf Meltblown-Prozesse beschränkt, sondern lassen sich auch auf weitere Vliesstoffverfahren und andere kontinuierliche Produktionsprozesse übertragen.
Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM
