Suchen

Neues Vorgehensmodell Schritt für Schritt maschinelles Lernen in der Produktion einsetzen

Redakteur: Katharina Juschkat

Wer maschinelles Lernen in der Produktion einsetzen will, steht vor großen Herausforderungen: Es gibt keine standardisierte Vorgehensweise und wenig Erfahrungswerte. Fraunhofer-Forscher haben jetzt ein allgemein anwendbares Vorgehensmodell entwickelt.

Firmen zum Thema

Moderne Produktionsanlagen mittels maschinellem Lernen zu verbessern, ist nicht einfach.
Moderne Produktionsanlagen mittels maschinellem Lernen zu verbessern, ist nicht einfach.
(Bild: ©j-mel - stock.adobe.com)

Maschinelles Lernen in modernen Produktionsanlagen hat viel Potential: Da moderne Anlagen hochkomplex sind, können Verbesserungsmöglichkeiten nur datengestützt und mit Methoden des maschinellen Lernens (ML) erschlossen werden.

Doch das ist alles andere als einfach: Es fehlt an Experten, die in ML-Methoden sowie Produktions- und Automatisierungstechnik gleichermaßen zuhause sind. Wiederverwendbare Komponenten für ML-basierte Systeme im Produktionsumfeld sind Mangelware. Die Anpassung im laufenden Betrieb an sich ändernde Rahmenbedingungen muss gewährleistet sein. Und es fehlt an etablierten Vorgehensweisen für große, heterogene Projektteams.

Ein Projekt, sechs Institute

Sechs Fraunhofer-Institute haben sich deshalb zu dem Projekt ML4P zusammengeschlossen. Hier entwickeln sie ein standardisiertes Vorgehensmodell und die zugehörigen Werkzeuge für ML in der Produktion. Durch das breite Wissen der Institute können gleichzeitig die grundlegende Methode detailliert und die dazu passenden Softwarelösungen entwickelt werden.

Mit den Tools können die Daten einer Produktionaanlage erfasst, formalisiert und aufbereitet werden, sodass sie mittels ML-Methoden analysiert werden können. Außerdem spüren sie vorhandene Optimierungspotentiale auf und bewerten sie. Welches ML-Verfahren am geeignetesten ist und wie man das einsetzt, ist der letzte Schritt.

Beteiligt sind folgende Institute:

  • Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB
  • Fraunhofer-Institut für Intelligente Analyse- und Informationssysteme IAIS
  • Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF
  • Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM
  • Fraunhofer-Institut für Werkstoffmechanik IWM
  • Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU

Dr. Julius Pfrommer, Teamleiter Vorgehensmodell im Projekt ML4P, erklärt die Herausforderung: „Man kann nicht einfach ein neuronales Netzwerk über die existierenden Modelle stülpen. Stattdessen muss eine tiefe Integration vorhandener Werkzeuge aus Ingenieurdisziplinen mit den KI-Verfahren erreicht werden. Nur so ist es möglich, dass die KI auch in den Bereichen gute Arbeit leistet, wo sie keine oder nur wenig Daten und Erfahrungswerte aus der Vergangenheit zur Verfügung hat.“

Kurzfassung des Modells als Whitepaper

Das zugehörige Vorgehensmodell ist jetzt fertiggestellt worden. Die Kurzfassung gibt es in Kürze als Whitepaper – auf den „Fraunhofer Solution Days“ wird es vorgestellt. Im Anschluss ist das Whitepaper auf der Projektseite zu finden. Die ausführliche Langfassung des Vorgehensmodells soll als Fachbuch im kommenden Jahr erscheinen.

Sechs-Phasen-Modell

Die sechs Phasen des neuen Vorgehensmodells.
Die sechs Phasen des neuen Vorgehensmodells.
(Bild: Fraunhofer IOSB)

Das Modell gliedert sich in sechs Phasen und nutzt zwei zentrale Dokumente bzw. Datenstrukturen, die den jeweils aktuellen Wissensstand über die Phasen repräsentieren: das „Machine Learning Pipeline Diagramm“ und die „virtuelle Prozessakte“.

Hinzu kommt ein Rollenmodell, das die in jeder Phase benötigten Disziplinen, Kompetenzen und Funktionen umfasst. Für die Skalierung auf große Teams ist das Wissensmanagement und die Schnittstellen definiert, die erforderlich sind.

(ID:46949628)