Veranstaltungsprogramm

Lightweight engineering (LE) is a systematic, interdisciplinary approach aiming for utmost efficiency under the constraint of minimal resource use. However, due to the inherent higher development, manufacturing or material costs, LE still lacks widespread adoption. Machine learning (ML) methods offer a way of streamlining LE to broaden its application in general engineering fields. Hence, a systematic mapping study on the use of ML in LE is conducted. A research method was developed using natural language processing techniques to classify their relevance and label studies according to their respective subdomains of LE/ML. It is revealed that deep learning and supervised learning methods account for 92% (resp. 47% and 45%) of ML applications in LE, while unsupervised (5%) and reinforcement learning (3%) remain underutilized. The main application areas in LE are form (49%) and material LE (28%), whereas manufacturing (13%), conditional (5%) and system (5%) LE remain largely unexplored, highlighting significant research gaps. With this study, a foundation for more in-depth research work in this intertwined research field is established, to contribute to the advancement of LE and ML.

Leichtbauprodukte werden trotz technischer und ökologischer Vorteile oft als minderwertig wahrgenommen, was ihre Kunden- und Nutzerakzeptanz einschränkt. Dieses Paper untersucht die Ursachen dieses Paradoxons und beleuchtet die Thematik tiefergehend. Auf Basis von 25 Experteninterviews mit Fachleuten aus Leichtbau und Design, die mithilfe eines strukturierten Leitfadeninterviews mit offenen Fragen durchgeführt wurden, wurde eine qualitative Inhaltsanalyse durchgeführt. Dabei wurde der Einfluss sensorischer Modalitäten sowie etablierter Leichtbaustrategien und Design-Teilgestalten auf die Wertigkeitswahrnehmung quantitativ untersucht. Erste Maßnahmen zur Verbesserung der Akzeptanz, wurden im Vorhinein entwickelt und durch die Experten evaluiert. Die Ergebnisse legen eine Grundlage für die Entwicklung umfassender Maßnahmen und Designrichtlinien, die im Rahmen eines Forschungsprojektes langfristig erarbeitet werden sollen. Ziel ist es, die wahrgenommene Wertigkeit leichtbaugetriebener Produkte zu steigern und somit ihre Akzeptanz zu fördern.

In the context of tolerance analyses, Key Characteristics (KCs) represent assembly properties that depend on the combined effect of part deviations. Non-geometric KCs, such as part stiffness, require the solution of partial differential equations (PDE), leading to increased computational effort compared to analytically solvable functional relations. To handle this issue, surrogate models replace the time-consuming PDE solutions. However, the inherent uncertainties affect the quality of the results of the determined KC values and therefore their significance. This uncertainty can be reduced by an extensive and precise training data set, but leads to increased computation times. To overcome this conflict and enable an efficient consideration of non-geometric KCs in tolerance analyses, a novel concept allowing the incorporation of several uncertainty levels in surrogate models by means of multi level and fidelity-based surrogate models is proposed. Thus, the time consuming computation of exact PDE solutions and the uncertainty of the surrogate model is reduced, by including solutions with a lower level of detail.

Um den Zielkonflikt aus Zeit, Kosten und Präzision im Rahmen des Produktentwicklungsprozesses aktiv zu entschärfen, wird die weitreichende Berücksichtigung von Felddaten nahegelegt. Im Kontext des technischen Produkts einer Hochvolt-Batterie wird beschrieben, welche Art der Daten innerhalb des Fahrzeugs im Feld erhoben werden und wie sich diese gewinnbringend in den Produktentwicklungsprozess einbinden lassen. Insbesondere die Berücksichtigung im Kontext der Produktvalidierung und -absicherung gibt den Rahmen für den vorgestellten methodischen Ansatz.

Die vorgestellte systematische Vorgehensweise ermöglicht die Visualisierung der relativen Anteile der jeweiligen Testebene an der Gesamtabsicherung der Zuverlässigkeit. Als Testebenen werden Lebensdauersimulationen, Prüfstände, Gesamtfahrzeugversuche und Felddaten angeführt.

Die Methode wird an dem Praxisbeispiel einer Hochvolt-Batterie validiert. Darüber hinaus kann diese grundsätzlich auch auf andere technische Systeme übertragen werden und ist somit eine gute Basis für eine effiziente Absicherung im Rahmen des Entwicklungsprozesses.