Schmiedeprozesse sind schwierig zu beherrschen und komplexe Zusammenhänge über die einzelnen Fertigungsschritte hinweg führen immer wieder zu Ausschuss und
Nacharbeit. Durch die hohe Kosten- und Energieintensivität dieser Prozesse verursacht das Kosten in Millionenhöhe und verringert zusätzlich die Kapazitäten.
Allerdings sind die Zusammenhänge, die dazu führen, zu komplex. Selbst Experten ist es nicht möglich diese nachzuvollziehen und zu identifizieren.

KI-Algorithmen und Big Data beinhalten hier für die Aerospace-Schmiedebranche ein enormes Potential zur Effizienzsteigerung, Prozessoptimierung und
Ressourcenschonung. So könnten z. B. komplexe Zusammenhänge über die einzelnen Fertigungsschritte hinweg, die immer wieder zu Ausschuss und Nacharbeit führen,
mittels KI-Modellen gefunden werden. Ein selbstlernendes KI-System, das aus Prozessdaten, Benutzerrückmeldungen und Simulationsdaten kontinuierlich
dazulernt, könnte dabei helfen einen Optimalprozess auszulegen. Damit könnten Ressourcen geschont, die Effizienz gesteigert und die Qualität der Bauteile verbessert
werden.

Um diese Vision zu verwirklichen ist es allerdings notwendig auf die speziellen Anforderungen eines Schmiedebetriebs für hochqualitative Flugzeugkomponenten
einzugehen. Heterogene Aggregatslandschaften und Kommunikationstechnologien, kleine Losgrößen, hohe Anforderungen an Qualität und Sicherheit sowie ein geringer
Automatisierungsgrad erschweren die Anwendung innovativer neuer Technologien. Es ist jedoch unbedingt notwendig Lösungen für diese Probleme zu finden um
wettbewerbsfähig zu bleiben, zukünftige Kapazitätsanforderungen zu erfüllen und Lösungsbeiträge zu globalen Problemen wie z. B. der Klimakrise zu leisten.

Im Projekt BrAIN soll während der nächsten drei Jahre ein selbstlernendes KI-System entwickelt werden, das aus Prozessdaten, Testdaten (Bauteilprüfung),
Simulationsdaten und Benutzerrückmeldungen lernt und dem Benutzer Vorschläge zur Prozessauslegung und Einstellparametern unterbreitet. Neben dem KI-System
selbst werden in diesem Projekt auch damit zusammenhängende Problemstellungen angegangen. Hybride Simulationen sollen die benötigten kurzen Rechenzeiten
ermöglichen. Eine Brownfield-CPS-Architektur soll die Vernetzung der benötigten Aggregate sicherstellen und ein xAI-Tool mit (Expert-) „User in the Loop” soll die
Interaktion zwischen Mensch und KI-System ermöglichen. Diese Teile werden parallel entwickelt und Stück für Stück zu einem Gesamtsystem zusammengesetzt. Nicht nur
ist die Lösung all dieser Probleme notwendig um ein selbstlernendes System einsetzen zu können, sondern der umfassende Ansatz erlaubt auch Synergien zu nutzen, die
schnellere und ausgereiftere Ergebnisse ermöglichen. Am Ende des Projekts soll eine, auf Vorschlägen des Prototyps aufbauende, Versuchsschmiedung durchgeführt
werden. Die Ergebnisse der Versuchsschmiedung werden mit realen Schmiedungen verglichen und das System evaluiert.

Durch die Ergebnisse des Projekts BrAIN, werden eine langfristige (5-10 Jahre) Effiziensteigerung von 20-30 % und jährliche Einsparungen im zweistelligen GWh-Bereich sowie von 3000 t CO2-Aquivalent, erwartet.