Komplexe Daten beherrschen

In ingenieurtechnischen Anwendungen ist man mit einer Vielfalt an komplexen Daten konfrontiert, z.B.

• liefern Sensoren an technischen Anlagen stochastisch-deterministische, multivariate, mitunter korrelierte Zeitreihen;
• liefern Simulationen von Werkzeugpfaden räumlich lokalisierte Zeitreihen;
• liefern Bauteil-Simulationen numerische Repräsentationen von Funktionen, die auf Oberflächen definiert sind;
• liefern räumlich und zeitlich hochaufgelöste Simulationen von Strömungen immense Datenmengen.

Durch die vielfältigen Projekte, die ein breites Spektrum an ingenieurtechnischen Anwendungsfeldern abbilden, und jahrelange Kooperationen mit Industriepartnern hat die Abteilung NDV umfangreiche Erfahrung in der Aufbereitung, Verarbeitung, Speicherung und Analyse solcher komplexen Daten.

Wir befassen uns mit komplexen Daten aus dem Computer Aided Engineering (CAE), welches im Ingenieurbereich eingesetzt wird. Dies umfasst Simulationsergebnisse des physikalischen Verhaltens eines Produkts unter verschiedenen Lastbedingungen und Materialeigenschaften, die auf einer sehr detaillierten, zeitabhängigen 3D-Geometrie definiert sind. Die Daten bestehen aus einem Gitter und Funktionen, die auf diesem Gitter definiert sind. Die Daten sind inhärent hochdimensional, in der Größenordnung mehrerer Millionen Gitter-Elemente, jeweils mit mehreren tausend Zeitschritten. Der Vergleich verschiedener Produktvarianten, definiert durch verschiedene Materialparameter und Lastfälle, ist eine Herausforderung. Wir haben Methoden entwickelt, die anhand der Gitter-Daten einen effizienten Vergleich zwischen verschiedenen Produktvarianten ermöglichen.

Zum Projekt

Sensordaten aus technisch-mechanischen Systemen sind häufig mehrdimensional aufgrund der Vielzahl von Sensoren zur Systemüberwachung, im Projekt besteht der Fokus auf Windenergieanlangen. Methoden für die Analyse von Multisensordaten sind begrenzt, sie beinhalten in der Regel eine Dimensionsreduktion, etwa mittels PCA, um anschließend eine Anomalie-Erkennung durchzuführen. Wir entwickeln und verwenden Ansätze, die direkt alle Sensorsignale nutzen können.

Zum Projekt

In EVOLOPRO entwickeln wir Methoden, um wiederkehrende räumliche Muster über verschiedene Skalen in CAE-Daten identifizieren zu können. Diese können zur Verhaltensanalyse von Bauteilen genutzt werden, aber ebenso als Bestandteil von Verfahren des maschinellen Lernens, um Surrogatmodelle anhand weniger Daten zu trainieren. Die in EVOLOPRO betrachteten CAE-Daten sind gitterbasierte Simulationsergebnisse, die aus numerischen Simulationen für Tiefziehprozesse im Automobilbereich und Materialabtragssimulationen für Fräsprozesse stammen.

In vielen Fertigungsprozessen müssen Werkzeugpfade geplant, gesteuert sowie geregelt werden. Die Werkzeugpfade stellen räumlich eingebettete Zeitreihen dar. In EVOLOPRO entwickeln wir Verfahren, um solche Zeitreihen im Hinblick auf wiederkehrende Muster und Anomalien zu untersuchen. Konkret betrachten wir Werkzeugpfade in Fräsprozessen und im additiven Laserschweißen.

Zum Projekt

In Excellerat konzentrieren wir uns auf die Analyse von Strömungsdaten, die durch Computational Fluid Dynamics (CFD)-Simulationen zum Zweck der industriellen Produktentwicklung und wissenschaftlichen Forschung generiert werden. Aufgrund der sehr hohen räumlichen und zeitlichen Auflösung ist die Entwicklung geeigneter Techniken zur Datendarstellung und -reduktion ein wichtiger Anspruch des Projekts. Zusätzliche Herausforderungen ergeben sich bei der Nachbearbeitung von Simulationsbündeln für ein gegebenes Konstruktionsproblem. Dabei werden physikalisch basierte Größen und datengetriebene Merkmale abgeleitet, um Daten entsprechend relevanter Ähnlichkeiten zu clustern. Darüber hinaus ist die Verwaltung aller Randbedingungen der Simulationen, numerischen Eigenschaften und Entwurfsparameter eine wesentliche Voraussetzung, um deren Einfluss auf die Simulationsergebnisse zu identifizieren und zu modellieren.

Zum Projekt

Log-Dateien sind ein Nebenprodukt vieler digitalisierter Industrieprozesse, deren Potenzial oft ungenutzt bleibt. Ein Grund hierfür ist häufig eine unüberschaubare Formatvielfalt oder das Fehlen einer wohldefinierten Datenstruktur. NDV hat ein leistungsstarkes Tool zur Konvertierung beliebig formatierter Log-Dateien in strukturierte Daten entwickelt. Damit lassen sich Log-Dateien der Analyse durch maschinelle Lernverfahren zugänglich machen und versteckte Potenziale nutzen.

Zum Projekt