Digitalisierung, Künstliche Intelligenz, Maschinelles Lernen, Softwareentwicklung, Veranstaltungen

Maschinelles Lernen für die Intelligente Produktion

Geschätzte Lesezeit: 4 Minuten


Am 06. September 2018 war Milestone Productions Software bei der zweiten Regionalkonferenz “Maschinelles Lernen für die Intelligente Produktion” im Produktionstechnischen Zentrum der Universität Hannover (PZH) vor Ort. Die interdisziplinäre Veranstaltung war eine Kooperation des Instituts für Fertigungstechnik und Werkzeugmaschinen (IFW) und des Forschungszentrums L3S – tätig im Bereich Web Science und digitale Transformation – der Leibniz Universität Hannover. In Vorträgen aus Forschung und Industrie wurden praxisrelevante Themen rund um Maschinelles Lernen im Anwendungsfeld Industrie 4.0 vorgestellt und diskutiert. Ziel der Veranstaltung ist es, die Möglichkeiten des Maschinellen Lernens nutzbringend in Unternehmen einzusetzen und damit Digitalisierungsstrategien voran zu treiben.

Sowohl das IFW als auch das L3S haben einen Fokus auf Lehre. Ein Schwerpunkt ist dabei die Verknüpfung von Theorie und Labor. So auch diese Veranstaltung. Durch dieses „Hands-on-Machine-Learning“ ist eine anschauliche Erfahrung von Industrie 4.0 möglich. In dem Sinne ist auch der Kontakt zu verschiedenen Unternehmen sehr anwendungsnah konzipiert. Die angestrebte „Intelligente Produktion“ durch maschinelles Lernen hat die kontinuierliche Verbesserung von Produktionsprozessen zum Ziel. Typische wirtschaftlich relevante Anwendung findet eine solche künstliche Intelligenz in der Automation des Fertigungsprozesses und der Individualisierung von Kundenangeboten.

Was sind konkrete Anwendungsfelder für maschinelles Lernen in der industriellen Praxis?

Ein großes Anwendungsfeld ist die Fabrikplanung, also die Produktionsstrukturierung, Layoutplanung, Bereichs- und Arbeitsplatzgestaltung sowie die wichtige Ablaufsimulation. Fabrikplanung ist von enormer Bedeutung für Unternehmen. Ein wesentlicher Fortschritt stellt hierbei die Einführung der digitalen Fabrikplanung dar. Was zuvor umständlich per Hand und Papierzetteln von statten ging, wird nun digital durchgeführt. So lassen sich Änderungen schnell und flexibel umsetzen und anzeigen. Weg vom „Kästchenschieben“ hin zu einem intelligenten Fabriklayout – unterstützt durch maschinelles Lernen. Materialflüsse, Energiekosten und Logistikeffizienz werden im Voraus berechnet und verschiedene Varianten verglichen. Dieser Planungsschritt sowie die zeitaufwendige und teure Layoutbewertung können durch den „virtuellen Planer“ für Fabriken enorm verkürzt werden.

Wie ist der Stand der Technik in der visuellen Bildverarbeitung?

Eine visuelle Prüfung der Bauteile ist schon seit Jahren ein fester Bestandteil in der Produktion. So wird zum Beispiel eine industrielle Bildverarbeitung genutzt, damit Greifarme Bauteile orten können, um diese präzise zu erfassen. Obwohl eine solche Technologie bereits Standard ist, weist diese ein enormes Potenzial auf. So wird die Bilderkennung vor Allem durch Visual-Analytics verbessert. Unter dem Begriff Visual-Analytics versteht man die anschauliche Darstellung vor allem großer Datenmengen. Als gängiges Tool in diesem Bereich gilt beispielsweise Tableau.

Weiter werden die gefertigten Bauteile von sogenannten Verifikationsstationen registriert. Diese nehmen Bauteildaten auf und speichern sie. Diese Methodik wird bereits seit den 90er Jahren angewendet. Allerdings ist dies heute nicht mehr zeitgemäß und ökonomisch gesehen eher fragwürdig: Das volle Potenzial der Daten wird nicht ausgeschöpft, da diese zum Beispiel lediglich im Enterprise-Resource-Planning (ERP) abgespeichert werden und nicht weiter genutzt werden.

Die erfassten Daten können abhängig von der Datenmenge, der gewünschten Ergebnisgenauigkeit und dem akzeptablen Aufwand jeweils unterschiedlich ausgewertet werden. Dies kann heuristisch, analytisch oder algorithmisch mithilfe von künstlicher Intelligenz bzw. maschinellem Lernen erfolgen. Welcher Ansatz angewendet wird, ist stark davon abhängig, was für ein Datensatz vorliegt und worin das Ziel besteht.

Was muss hinsichtlich der verfügbaren Daten beachtet werden?

Auch ist die Qualität der Daten von essentieller Bedeutung. Es muss geprüft werden, ob die Daten hinsichtlich seltener, aber wichtiger Ausnahmefälle bereits verfügbar sind oder erst gesammelt werden müssen. Besonders bei extrem seltenen Produktionsfehlern kommt es zu Problemen: da Produktionsfehler in der Regel sehr selten vorkommen, ist der Datensatz entsprechend klein. Dies kann umgangen werden, falls bereits historische Daten zu dem Produktionsprozess vorliegen. Außerdem lassen sich Fehlerfälle z.B. vor der Fabrikplanung simulieren, um diese auszuwerten. Dies bedeutet allerdings zusätzlichen Aufwand.

Einen besonders interessanten Beitrag zur Optimierung von neuronalen Netzen lieferte Silas Fohlmeister.

Für eine effiziente Fabrikplanung sind somit reale Produktionsdaten essentiell. Deswegen ist jeweils zu klären, ob diese schon vorliegen, oder wie groß gegebenenfalls der Aufwand wäre, diese zu erlangen. Liegen diese Daten vor, ist es bei einer intelligenten Produktionssteuerung inzwischen möglich, dass gewisse Bauteile eigenständig den wirtschaftlichsten Weg durch die Produktion finden können.

Wie lernt man ein neuronales Modell an, das es „intelligente“ Entscheidungen treffen kann?

Für das Anlernen eines neuronalen Modells bestehen verschiedene Möglichkeiten. Übliche Methoden sind Supervised Learning, Rewarded Learning, sowie Q-Learning, um nur einmal die Schlagworte in diesem Zusammenhang zu nennen. Ein häufiges Problem beim Anlernen eines Modells, ist das Overfitting: Das Modell lernt die Daten aus der Stichprobe quasi auswendig, kann aber nicht in anderen Kontexten angewendet werden und wird somit unbrauchbar.

Maschinelles Lernen befindet sich in einem kontinuierlichen Optimierungsprozess. Momentan arbeiten die Forscher des L3S an datenbasierten Auswertungen in Echtzeit und an Methoden die Daten zu visualisieren.

Vielen Dank an alle Vortragenden und auch die Organisatoren für eine sehr interessante Veranstaltung mit vielen praktischen Beispielen und Problemen!

Kommende Veranstaltungen

Das Leibniz Startup & Industry Event „Künstliche Intelligenz“ findet am 20. November 2018 im Lichthof der Leibniz Universität Hannover statt. Die Veranstaltung bietet einen Einblick darüber, wie Sie Intelligente Systeme Produktionsprozesse weiter optimieren können. Auf der Veranstaltung werden Wissenschaft, innovative Start-ups und etablierte Unternehmen zusammenkommen und bietet so eine Möglichkeit, Wirtschaft und Wissenschaft zu verbinden. Wenn Sie sich für die Veranstaltung interessieren, finden Sie hier nähere Informationen:
https://artificial-intelligence.ama-academy.eu/

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.