Kontinuierlich steigende Anforderungen an Beschichtungsprodukte hinsichtlich Effizienz, Reproduzierbarkeit und Nachhaltigkeit erfordern eine systematische Erfassung von Produkt- und Prozessdaten. Digitale Zwillinge nutzen diese Datenbasis zur Erkennung der Ursachen von Drifts oder Defekten und können komplexe Abhängigkeiten zwischen Prozessschritten aufdecken und können somit bei der Prozessoptimierung in der Oberflächentechnik Hilfestellung leisten. In der Oberflächentechnik existieren diese bereits für ausgewählte Teilprozesse, eine Digitalisierung kompletter Produktionslinien stellt nach heutigem Stand jedoch eine hohe Herausforderung dar.
Das Fraunhofer IST bündelt Simulationslösungen aus dem Bereich Oberflächentechnik mit jahrzehntelangen Erfahrungen aus realer Beschichtungsprozesstechnik und Schichtanalytik. Alle Voraussetzungen zur experimentellen Validierung daten- und modellgetriebener Simulationscodes stehen vor Ort zur Verfügung. Mit diesen Werkzeugen bieten wir Simulationsstudien zur Prozessoptimierung oder Know-how-Transfer in Form von Lizenzen und Workshops. Des Weiteren bieten wir Unterstützung bei der Digitalisierung von Produktionslinien mittels Sensordatenerfassung, Konzeption und Implementation von Prozess- und Produkt-Datenbanken sowie bei der Auswahl und Installation von High Performance Computing Hardware und im Cloud-Computing.
Am Fraunhofer-Institut für Schicht- und Oberflächentechnik IST haben wir den gesamten Produktlebenszyklus im Blick und entwickeln nachhaltige Produkte und zugehörige Produktionssysteme. Digitalisierung, Vernetzung und Automatisierung sind dabei Schlüssel zur ganzheitlichen Gestaltung von Prozessketten und deren Einbettung in Fabriksysteme. Zentral für unsere Arbeit ist ein tiefergehendes Verständnis der Beziehungen zwischen den Prozessparametern, der resultierenden Struktur von Schichten und Oberflächen sowie den finalen Eigenschaften des Produkts. Inline- und Laboranalytik schaffen dafür das Fundament und liefern wichtige Daten für simulationsbasierte Ansätze, z. B. für eine Simulation des Schichtwachstums oder neue daten-getriebene Ansätze z. B. auf Basis von Machine Learning.