Für sehr viele Produktionsprozesse existieren numerische Simulationen, die auf Basis von partiellen Differenzialgleichungen die physikalischen Prozesse beschreiben. Diese Differenzialgleichungen werden typischerweise mit numerischen Methoden wie beispielsweise der Finite Elemente Methode gelöst und so eine Lösung basierend auf den Randbedingungen (Prozessparameter, Werkzeug etc) angenähert. Oft sind diese Verfahren sehr zeitintensiv, so dass die Simulationen für einzelne Berechnungen tauglich sind, nicht jedoch für inverses Lösen von Prozessproblemen (Was muss ich im Prozess einstellen, um ein bestimmtes Ergebnis zu erhalten?). Der Wunsch nach inverser Optimierung von Prozessparametern führt notwendigerweise zu schnell rechnenden Prozessmodellen, die nach Möglichkeit differenzierbar sind. Dies eröffnet die Nutzung von effizienten Optimierungsalgorithmen aus dem Bereich der Data Science. Ziel ist es zu erforschen, wie solche schnell rechnenden Ersatzmodelle effizient erstellt werden können und wie sie für die inverse Prozessoptimierung und echtzeitfähige Prozessregelung eingesetzt werden können. Dabei steht insbesondere die Kombination aus daten-basierten Methoden und Ingenieurswissen basierend auf physikalisch begründeten Differentialgleichungen im Fokus. Datenbasierte Methoden haben das Potential, Effekte wie Reibung und komplexe mechanische Kontakte, die traditionell schwer mit numerischen Methoden abzubilden sind, aus Versuchsdaten zu erlernen. Um die teure Erzeugung von konsistenten Daten im Rahmen zu halten, soll bestehendes Ingenieurswissen in das Training integriert werden (physikalisch informiertes maschinelles Lernen).

Damit wir mit dieser Forschungsstrategie langfristig Produktionsprozesse verbessern, werden die strategischen Ziele systematisch in Teilaspekte zerlegt und sequentiell von der Grundlagenforschung hin zur anwendungsnahen Forschung entwickelt. Aktuell wird aktiv an folgenden Prozessen geforscht:

• Wir arbeiten an Geometrieregelung und -optimierung beim Freiformbiegen.
• Wir forschen an der rechnerischen Optimierung der Prozesskette beim Druckgießen.