Anomaliegetriebenes Reinforcement Learning zur Prozessoptimierung in der additiven Fertigung von Hybridmaterialien (A07)

• Fachliche Zuordnung: Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik ; Fügetechnik und Trenntechnik
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 511263698

Dieses Teilprojekt nutzt Deep Learning (DL) für eine dynamische Anpassung der Prozessparameter in L-DED bei der Herstellung von HyPo-Bauteilen. Dabei werden Prozessanomalien und ihr Einfluss auf Materialeigenschaften untersucht und optimale Prozessparameterbereiche identifiziert. Dies ermöglicht den Aufbau einer Datenbasis für das Training von DL-Modellen. Das Teilprojekt zielt auf bahnbrechende Fortschritte auf dem Gebiet der Anomalieerkennung und des Verstärkungslernens ab, indem es anomaliegesteuertes Verstärkungslernen für die Prozessparameteradapation entwickelt.

• DFG-Verfahren: Transregios
• Teilprojekt zu: TRR 375: Multifunktionale Hochleistungskomponenten aus hybriden porösen Werkstoffen
• Antragstellende Institution: Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau
• Teilprojektleiterinnen / Teilprojektleiter: Professor Dr.-Ing. Jan C. Aurich; Professorin Dr. Sophie Fellenz; Professor Dr. Marius Kloft