41740 Digital fremstilling - Industri 4.0

2024/2025

Kursusinformation
Digital Manufacturing - Industry 4.0
Engelsk
5
Kandidat
Generel retningskompetence (MSc), Materials and Manufacturing Engineering
Retningsspecifikt kursus (MSc), Materials and Manufacturing Engineering
E4A (tirs 13-17)
Campus Lyngby
Forelæsninger og computerøvelser
13-uger
E4A
Bedømmelse af opgave(r)/rapport(er)
Bedømmelse af 2 individuelle rapporter. Helhedsvurdering.
7-trins skala , intern bedømmelse
Produktionsteknologi svarende til 41714/41787/41788. Materialelære svarende til 41681/41650/41659. Styrkelære svarende til 41502/41534. Matematik svarende til 01035. N.B.: For studerende, som ikke har forudgående erfaring i grundlæggende Matlab programmering, gives et en-eftermiddags crash-kursus inden kursusstart.
Guido Tosello , Lyngby Campus, Bygning 427, Tlf. (+45) 4525 4893 , guto@dtu.dk
Jesper Henri Hattel , Lyngby Campus, Bygning 425, Tlf. (+45) 4525 4710 , jhat@dtu.dk
Sankhya Mohanty , Lyngby Campus, Bygning 425, Tlf. (+45) 4525 4888 , samoh@dtu.dk
Murat Külahci , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 3382 , muku@dtu.dk
41 Institut for Byggeri og Mekanisk Teknologi
01 Institut for Matematik og Computer Science
I studieplanlæggeren
Dette kursus giver den studerende en mulighed for at lave eller forberede et projekt som kan deltage i DTUs studenterkonference om bæredygtighed, klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk
Overordnede kursusmål
Hovedformålet med kurset er at give de studerende en forståelse for og en portefølje af værktøjer (teknikker) til optimering af fremstillingsprocesser.
Opfyldelsen af målet er baseret på indhentning af data (både eksperimentelle og simulerede) og de tilsvarende analysemetoder til ekstrahering af nyttig information og viden fra disse data.
Rent konkret vil kurset integrere følgende tre hovedområder inden for data, analyse og digital fremstilling:
(1) Multi-fysisk processimulering (modeldrevet simulering, f.eks. finite element-metoder og computational fluid dynamics samt analytiske løsninger for simple systemer).
(2) Statistisk modellering (datadrevet simulering, f.eks. design af eksperimenter, multivariat analyse, maskinlæring).
(3) Digital tvillingteknologi (integration af fysiske data og simulerede data).
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • Beskrive de vigtigste tilgange og metoder anvendt indenfor digitalisering af fremstillingsprocesser og produktion.
  • Behandle og analysere data (både off-line og in-line) genereret under fremstilling og identificere sammenhænge til effektiv beslutningstagning på tværs af hele dataværdikæden, herunder: (i) Predefinering af data; (ii) Databehandling; (iii) Data efterbehandling; (iv) Datakvalitet.
  • Identificere og anvende de mest relevante ”1. principle”-baserede modelleringsteknikker til simulering og optimering af en given fremstillingsproces.
  • Identificere og anvende de mest relevante datadrevne modelleringsteknikker til simulering og optimering af en given fremstillingsproces.
  • Forklare produkt/proces kausaliteter og sammenhænge baseret på (a) viden om materialevidenskab og materialeopførsel; b) viden om fremstilling; (c) dataanalyse.
  • Skelne og diskutere forskelle mellem 'korrelation' (sammenhæng) og 'kausalitet' (årsagssammenhæng).
  • Anbefale optimeringsstrategier for at forbedre fremstillingsprocesser og proceskæder baseret på eksperimentelle og simulative data.
  • Bruge Reduced Order Models (ROMs).
Kursusindhold
Generelle digitale værktøjer til analyse af fremstillingsprocesser, herunder specielt additiv fremstilling og sprøjtestøbning. Klassificering af datatyper, herunder off-line data, in-line data, eksperimentelle data og observationsdata. Data processering og datakvalitet. Data-drevne modeller. Korrelation (sammenhæng) og kausalitet (årsagssammenhæng). Fysikbaserede modeller for sprøjtestøbning og additiv fremstilling til beskrivelse af temperaturer, flow og spændinger/​deformationer. Simple analytiske løsninger og numeriske løsninger. Reduced Order Models (ROMs) baseret på både eksperimentelle data, observationsdata og simulerede data. Optimering af processer baseret på ROMs.
Sidst opdateret
02. maj, 2024