Für traditionelle industrielle Mess- und Kalibrierverfahren beruht die metrologische Qualitätsinfrastruktur auf akkreditierten Kalibriereinrichtungen und standardisierten Auswerteverfahren, um Messwerten eine quantitative Aussage über ihre Verlässlichkeit zuzuordnen. Im Zuge der digitalen Transformation müssen die zugrundeliegenden Verfahren grundlegend überarbeitet werden, um die Güte von Messdaten in sich verändernden Systemen im Kontext Industrie 4.0 automatisch ermitteln zu können, da die Qualität und Verlässlichkeit von Sensoren aufgrund unterschiedlicher Messfähigkeiten und Umgebungseinflüsse teilweise stark variieren.
Im Vorhaben werden hierfür einzelne Sensoren mit einem digitalen Zwilling verknüpft, der in der Lage ist, Informationen über die Messunsicherheit zu kommunizieren. Sub-Netze von Sensoren werden in flexiblen mathematischen Modellen zusammengefasst, um maschinennahe Datenauswertung zu ermöglichen. Mit Hilfe von Methoden des Organic Computing werden dabei flexible und teilweise autonom agierende Sub-Netzwerke gebildet. Weiterhin wird eine Methodik entwickelt, um unsichere Messstellen aus aggregierten Messwerten bzw. Kennwerten zu erkennen.
Ansprechpartner bei PSt1:
Maximilian Gruber
Website des Projekts:
https://famous-project.eu