2. Fachtagung TestRig - September 2024 11 Digitales Prozess- und Werkstoffwissen für den beschleunigten Festigkeitsnachweis Alles hat seinen Preis - Welche Herausforderungen leiten sich für den Prüfmaschinenbetreiber aus Linked Data ab? Dr.-Ing. Michael Luke Fraunhofer-Institut für Werkstoffmechanik, Freiburg im Breisgau Zusammenfassung Der Beitrag behandelt den Nutzen semantisch strukturierter Daten für die Anwendung datengetriebener Methoden in der Festigkeitsbewertung. Es wird dargestellt, welche Vorteile dem Anwender die Verknüpfung von Metadaten (Halbzeugbeschreibungen, Bezugsquellen, Prüfgeräte, etc.), Prozesswissen (Gießen, Strangpressen, Umformen, Walzen, etc.) und Werkstoffwissen (Kennwerte, Mikrostruktur-Eigenschaftsbeziehungen, etc.) bieten. Darüber hinaus wird beispielhaft über Erfahrungen mit dem Umgang von Ontologien, Wissensgraphen und Triple Stores sowie über den Mehrwert von elektronischen Laborbüchern berichtet. Dies führt zu der abschließenden Frage, welche Erwartungshaltung (bezüglich offener Schnittstellen zur Datenübermittlung und -verarbeitung) könnte sich bei Prüfmaschinenbetreibern entwickeln. 1. Einführung Digitale Konzepte (linked data), die auf die systematische Verwendung von Werkstoffdaten zur Be-schleunigung der Produktentwicklung abzielen, sind ein aktuelles interdisziplinarisches Forschungsthema von Materialexperten und Datenanalysten. Das Zielbild ist a. im Sinne der Nachhaltigkeit können auf diese Weise bereits vorhandene Daten gezielt wiederverwendet werden, b. datenbasierte Vorhersagen von Werkstoff- und Bauteileigenschaften können kostspielige Experimente in der Produkt-Design-Phase ergänzen und teilweise ersetzen und c. Daten, die in entsprechend strukturierten Datenräumen und Wissensgraphen gespeichert sind, ermöglichen eine interoperable Verbindung verschiedener Analysetools. Hier spielen die FAIR-Prinzipien (siehe Abschnitt 3) eine entscheidende Rolle. Abb. 1 zeigt ein schematisches Nutzerszenario. Abb. 1: Zielbild als schematische Darstellung Werkstoffdaten (Kennwerte, Mikrostrukturinformationen etc.) und Metadaten (Halbzeugbeschreibungen, Bezugsquellen, Prüfgeräte, etc.) sind entlang der Prozesskette von der Halbzeugherstellung bis zum Produkt (Prozessdaten) verfügbar. Bauteileigenschaften und zugehörige Werkstoffzustände (Mikrostruktur-Eigenschaftsbeziehungen) können abgefragt und im Idealfall auch prognostiziert oder nötige Prozessrouten empfohlen werden. Dieses Zielbild ist für beliebig viele Anwendungsszenarien attraktiv. Für den Anwendungs-fall „Ermüdung hochfester Stähle“ wurde im Rahmen des Projekts „UrWerk“ [Urw22] u.a. eine erweiterte Machbarkeitsstudie für ein entsprechendes Datenraum-konzept erarbeitet. 2. Anwendungsfall „Ermüdung hochfester Stähle“ Die Ermüdungseigenschaften von Stählen hängen von verschiedenen Einflussfaktoren, wie z.B. chemische Zusammensetzung, Wärmebehandlung, Oberflächeneigenschaften, Lastparameter, Mikrostruktur und anderen ab. Während der Produktentwicklung sind verschiedene Materialcharakterisierungs- und Qualifikationsexperimente obligatorisch. In der Machbar-keitsstudie [Urw22] wurde versucht diesen Rand-bedingungen Rechnung zu tragen. Abb. 2 zeigt eine Nutzeroberfläche, die es ausgehend von einer Beschreibung von chemischer Zusammensetzung und Probenzustand erlaubt die Schwingfestigkeit für eine Schwingspielzahl von bei einem Spannungsverhältnis von vorherzusagen. Die Vorhersage beruht auf einer statistischen Auswertung (Random Forest Regression, ein Algorithmus für Maschinelles Lernen) und erzielt einen -score (Bestimmtheitsmaß oder Determinationskoeffizient) von 0.7 bis 0.8. In diesem Beitrag geht es nicht darum diese statistische Auswertung wissenschaftlich zu belegen, hierzu sei auf [Fli23, Fli24] verwiesen, sondern einerseits aufzuführen, welche Art Datenraum für eine solche Auswertung benötigt wird und andererseits zu diskutieren, welche Auswirkungen diese Art der Datenverarbeitung künftig auf Werkstoff- und Bauteilversuche haben könnte. 12 2. Fachtagung TestRig - September 2024 Digitales Prozess- und Werkstoffwissen für den beschleunigten Festigkeitsnachweis 2.1 Welches Datenraumkonzept könnte der datengetriebenen Festigkeitsanalyse künftig zugrunde liegen? Als ein Lösungsansatz soll hier das Konzept der semantischen Interoperabilität vorgestellt werden. Mit einem ontologiebasierten, semantisch verknüpften Wissensgraphen, der die Herstellungsgeschichte des Materials darstellt, kann der Einfluss von Prozessgrößen beispielsweise bei der Halbzeugherstellung oder einer Wärmebehandlung auf die resultierenden Eigenschaften berücksichtigt werden. Kernelement für ein solches Szenario ist ein geeigneter Ermüdungsdatensatz mit einer ausreichenden Anzahl von Materialien und Versuchsdaten, in der Regel zusammengestellt aus eigenen Untersuchungen und Literaturangaben. Abb. 3 zeigt den Datensatz, der in [Urw22] verwendet wurde. Neben den im Diagramm sichtbaren Wertepaaren enthält der Datensatz weitere Angaben zur chemischen Zusammensetzung, Probenform, Oberflächenzustand etc. Die verwendeten Begrifflichkeiten sind definiert und entsprechen akzeptierten Normen und Regelwerken. Ebenfalls im Datensatz enthalten sind zehn 100Cr6-Materialvarianten für die die Prozessfolge (Austenitisieren, Abschrecken, Auslagern etc.), Prozessspezifika (z.B. ein- oder mehrfache Auslagerung, Standard-Aufschmelzprozess, Aufschmelzen unter Vakuum VIM-VAR) oder der Mikrostruktur (bainitisch, martensitisch) beschrieben sind. Abb. 2: Mögliche Nutzeroberfläche für eine Lebens-dauer-Prognose 2. Fachtagung TestRig - September 2024 13 Digitales Prozess- und Werkstoffwissen für den beschleunigten Festigkeitsnachweis Abb. 3: Darstellung des Beispieldatensatzes aus [Urw22] Abb. 4 zeigt ein Beispiel wie diese Abhängigkeiten und Prozesse beschrieben werden. Über die Knotenbeziehungen „hasTemporalNext“ kann die zeitliche Abfolge der Prozessschritte dargestellt werden, über „hasOutput“ bzw. „isInputFor“ die Ein- und Ausgabegrößen für die Prozessschritte. Abb. 4: Verschiedene Materialzustände beim Durchlaufen der Prozesskette (stark vereinfachte Dar-stellung), grün gefüllte Boxen = Prozessschritte, weiß gefüllte Boxen = Eigenschaften, grau gefüllte Boxen = Materialzustände aus [Fli23] Beides, die Begrifflichkeiten und die Knotenbeziehungen sind Bestandteile der Ontologie, d.h. des Datenkonzeptes. Wobei das übergeordnete Datenkonzept wiederum mit vielen verschiedenen Datenkonzepten für einzelne Prozesse untersetzt wird. 14 2. Fachtagung TestRig - September 2024 Digitales Prozess- und Werkstoffwissen für den beschleunigten Festigkeitsnachweis Die Verknüpfung und das Speichern von Datenkonzept und Daten erfolgt in Triple Stores (speziellen Datenbanken). Mit Triples werden Subjekt-Prädikat-Objekt Beziehungen bezeichnet. Über die Aneinanderreihung von Triples können umgekehrt Abfragen gebildet werden, die Werkstoffdaten mit der Information zum Prozess und der zeitlichen Zuordnung verbinden. Es entsteht eine semantische Verknüpfung bzw. Interoperabilität, die für datengetriebene Festigkeitsanalysen nutzbar ist. Ontologiebasierte Plattformen werden derzeit für die verschiedensten Anwendungsfelder entwickelt (siehe Absatz 4). Für den einzelnen Nutzer stellt ihre Einführung eine nicht unerhebliche Hürde dar. Im Labor- und Versuchsbereich bieten Elektronische Laborbücher (ELN) oder Labor-Informations-Systeme (LIMS) eine gute Einstiegsmöglichkeit. Metadaten, Messgeräte, Prozesse und Auswertemethoden können hier bereits so angelegt werden, dass sie den späteren Umgang mit Ontologie, Triple Stores und Wissensgraphen ermöglichen. 2.2 Welchen Nutzen bietet die datengetriebene Festigkeitsanalyse? Die Verknüpfung von Daten als Bestandteil eines übergeordneten Datenkonzeptes ermöglicht die Beant-wortung komplexer und interessanter Fragestellungen, wie z.B. • Welchen Einfluss hat die Änderung der chemischen Zusammensetzung (ein Element liegt außerhalb des geforderten Bereichs) auf die Schwingfestigkeit? • Welchen Einfluss hat die Überschreitung eines Wärmebehandlungsparameters auf die Duktilität des Werkstoffs? • … • Welcher Energieaufwand wird für ein Produkt entlang seiner Wertschöpfungskette für die Festigkeit aufgebracht? • Welchen CO 2 -Fußabdruck erzeugt ein bestimmtes Produkt? mit Methoden des Maschinellen Lernens (daten-getriebene Festigkeitsanalysen). Da es sich hier um statistische Analyseverfahren handelt, müssen für eine hohe Prognosequalität Daten im ausreichenden Umfang vorhanden sein. 3. Mögliche Erwartungshaltung von Prüfmaschinenbetreibern Aufgrund der bisherigen Ausführungen könnte der Eindruck entstehen, dass die experimentelle Datenerhebung für den Festigkeitsnachweis an Bedeutung verliert. Nach Meinung des Autors ist auf absehbare Zeit das Gegenteil zu erwarten. These 1: Für die Anwendung datengetriebener Metho- den in der Festigkeitsanalyse werden künftig mehr Datensätze denn je gebraucht. Diese müssen zudem umfänglich beschrieben sein und Mikrostrukturinformationen enthalten, um einen Mehrwert erzeugen zu können. Die Datenqualität erfordert i.d.R. eine Nachbearbeitung und Kuratierung der Daten bevor Vorhersagen von mechanischen Eigenschaften durch Maschinelles Lernen zu akzeptierten Ergebnissen führen. These 2: Für jeden Nutzer (jede Branche) wird nur ein spezifischer Bereich von Prozessen und Methoden von Interesse sein. Es werden daher anwendungsspezifische Datensätze entstehen. Die Qualität und die Verfügbarkeit von kuratierten Datensätzen wird zum Geschäftsmodell. Um Grundlagen für automatisierte datengetriebene Festigkeitsanalysen zu schaffen bzw. diese weiterzu-entwickeln, werden Prüfmaschinenbetreiber ihre Prozesse und Ergebnisse, wie z.B. • Messgeräte und Messketten • Einbindung von anwenderseitiger Sensorik • (Echtzeit-) Datenerfassung und -filterung • Datenfusion (Metadaten, Messdaten, Bilddaten) • Automatisierung von Auswertemethoden (Python- Skripte, Jupyter Notebooks etc.) künftig umfassender und maschinenlesbar dokumen-tieren und erfassen und dabei auf offene Datenformate zurückgreifen wollen. Ein weiterer wichtiger Aspekt ist die Speicherung von Daten nach dem FAIR Data Prinzipien. Diese sind in [Wil16] beschrieben: Findable - auffindbar F1 (Meta-)Daten sind mit einem weltweit eindeutigen und dauerhaften persistent identifier versehen. F2 (Meta-)Daten werden mit umfangreichen Metadaten beschrieben. F3 (Meta-)Daten sind in einer durchsuchbaren Ressource registriert oder indiziert. F4 (Meta-)Daten enthalten eine klare und eindeutige Identifizierung der Daten, die sie beschreiben. Accessible - zugänglich A1 (Meta-)Daten können anhand ihrer Identifizierung über ein standardisiertes Kommunikationsprotokoll abgerufen werden. A1.1 das Protokoll ist offen, frei und universell imple- mentierbar. A1.2 das Protokoll ermöglicht bei Bedarf ein Authentifizierungs- und Autorisierungsverfahren. A2 - (Meta-)Daten sind zugänglich, auch wenn die Daten nicht mehr verfügbar sind. Interoperabel - interoperabel I1 (Meta-)Daten verwenden eine formale, zugängliche, gemeinsame und weithin anwendbare Sprache zur Wissensdarstellung. 2. Fachtagung TestRig - September 2024 15 Digitales Prozess- und Werkstoffwissen für den beschleunigten Festigkeitsnachweis I2 (Meta-)Daten verwenden Vokabulare, die den FAIR- Grundsätzen entsprechen. I3 (Meta-)Daten enthalten qualifizierte Verweise auf andere (Meta-)Daten. Reusable - wiederverwendbar R1 (Meta-)Daten haben mehrere genaue und relevante Attribute. R1.1 (Meta-)Daten werden mit einer klaren und zugänglichen Datennutzungslizenz freigegeben. R1.2 (Meta-)Daten sind mit ihrer Herkunft verbunden. R1.3 (Meta-)Daten entsprechen den für den Bereich relevanten Gemeinschaftsstandards. Die Einhaltung der FAIR Data Prinzipien bedeutet nicht, dass Daten unentgeltlich zur Verfügung gestellt werden. Vielmehr wird dadurch, im Zusammenhang mit den eingangs formulierten Thesen, ein Rahmen gesteckt, diese auch wirtschaftlich nutzen zu können. Mit Daten, die in aufwändigen Versuchsreihen ermittelt werden können, der eigene Datenraum fortlaufend ergänzt und die Qualität eigener Produkte und deren Eigenschaftsabsicherung belegt werden. 4. Ausblick Vielfältige Initiativen und Entwicklungen für Daten- raumkonzepte im Kontext Industrie 4.0 unterstreichen die Dynamik, mit der die Digitalisierung von Fertigungsabläufen, Prozessen einerseits, aber ander-erseits auch der Informations- und Daten-Austausch zwischen Marktteilnehmern vorangetrieben wird. Hierzu gehören • Gaia-X, ein Projekt zum Auf bau einer leistungs- und wettbewerbsfähigen, sicheren und vertrauens-würdigen Dateninfrastruktur für Europa, das von Vertretern aus Wirtschaft, Wissenschaft und Ver-waltung aus Deutschland und Frankreich gemein-sam mit weiteren, vorwiegend europäischen Part-nern getragen wird. https: / / gaia-x.eu/ • CATENA-X Automotive Network, eine Plattform für die Automobilindustrie, die Datenketten entlang der Wertschöpfungskette optimiert. • https: / / catena-x.net/ de/ • Manufacture-X, ein Großprojekt für die Industrie, das den Datenraum für Industrie 4.0 entwickelt. • https: / / digitalstrategie-deutschland.de/ manufacturing-x/ Diese Branchen-Digitalisierungs-Projekte bilden derzeit werkstoffrelevante Prozesse und Methoden nicht im Detail ab. Genau hier setzen andere Initiativen, wie z.B. die • BMBF Plattform MaterialDigital (PMD), zum Aufbau eines virtuellen Materialdatenraums und der Systematisierung des Umgangs mit Werkstoffdaten. Mit derzeit 24 Projekten aus den verschiedensten Materialbereichen und -anwendungen und den Kerninstituten Bundesanstalt für Materialfor-schung und -prüfung (BAM), Fraunhofer-Institut für Werkstoffmechanik IWM, KIT Institut für Nanotechnologie, Leibniz-Institut für Werkstoff-orientierte Technologien IWT, Max-Planck-Institut für Eisenforschung MPIE. https: / / www.materialdigital.de/ • Nationale Forschungsdateninfrastruktur (NFDI), der sich als gemeinnütziger Verein zum Ziel gesetzt hat rechtskonforme, interoberable und nachhaltige Dateninfrastrukturen zu schaffen. https: / / www.nfdi.de/ an. Diese Initiativen zielen darauf ab, die digitale Infrastruktur in Forschung und Entwicklung zu verbessern und Innovationen im Bereich der Materialwissenschaften zu fördern. Insbesondere die Datenerhebung und -verarbeitung in der Werkstoff-charakterisierung, der Bauteilbewertung und der Durchführung von Validierungsversuchen wird sich den Anforderungen an datengetriebene Festigkeitsanalysen anpassen. Literatur [Urw22] Fraunhofer-internes Projekt MAVO „UrWerk - Unternehmensspezifische Werkstoff(system)- Datenräume zur beschleunigten Produktentwicklung“, Lauf-zeit 3/ 2019 bis 8/ 2022, interne Fördernummer MAVO 840 114 [Fli23] Fliegener, S. et al.: Digitale Methoden für die Lebensdauerbewertung am Beispiel hochfester Stähle. 49. Tagung des DVM-Arbeitskreises Betriebsfestigkeit, 11. und 12. Oktober 2023 in München [Fli24] Fliegener, S. et al.: Digital Methods for the Fatigue Assessment of Engineering Steels. Wiley VCH, submitted for publication, 2024 [Wil16] Wilkinson, M., Dumontier, M., Aalbersberg, I. et al. The FAIR Guiding Principles for scientific data management and stewardship. Sci Data 3, 160018 (2016). https: / / doi.org/ 10.1038/ sdata.2016.18