Automatisierung Wie maschinelles Lernen die Produktion optimieren kann

Maschinelles Lernen wird im Bereich der Industrieproduktion nicht oft eingesetzt. Mehrere Fraunhofer-Institute wollen das nun ändern.

Anbieter zum Thema

halstrup-walcher GmbH

CADFEM Germany GmbH

item Industrietechnik GmbH

Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB

Unter Federführung des Fraunhofer-Instituts für Optronik, Systemtechnik und Bildauswertung IOSB haben Forscher im Projekt "ML4P – Machine Learning for Production", eine Lösung erstellt, mit der Unternehmen ihre Produktion auf Basis von ML-Technologien optimieren können. Wie die Fraunhofer-Institute mitteilen, handelt es sich bei dem ML4P-Ansatz um eine Kombination aus einem wissenschaftlich fundierten Vorgehensmodell und darauf aufbauenden Software-Tools. Ziel sei es, die Produktion schneller, energieeffizienter und ressourcenschonender zu gestalten. Die ML-basierten Software-Tools sollen beispielsweise durch die Analyse der Maschinendaten versteckte Zusammenhänge entdecken und damit eine Optimierung des Fertigungsprozesses initiieren.

Optimierungspotenziale identifizieren

Eine entscheidende Grundlage ist das so genannte Vorgehensmodell, heißt es weiter. Dabei sei der erste Schritt die Analyse des Ist-Zustands des Produktionsprozesses. Auf dieser Basis identifizieren die Experten mögliche Optimierungspotenziale, legen Ziele fest und erarbeiten ein Konzept für den Einsatz von ML4P. In einem nächsten Schritt überprüfen sie, ob das Konzept auf Grundlage der vorhandenen Maschinen und Daten wirklich funktioniert und wie das zu den Unternehmenszielen passt.

"Das Vorgehensmodell ist in mehrere, aufeinander aufbauende Phasen gegliedert. Die Entscheidung, ob ein Unternehmen sich wirklich für den Einsatz von ML4P entscheidet, fällt erst dann, wenn sicher ist, dass das Konzept funktioniert, gut umsetzbar und betriebswirtschaftlich sinnvoll ist", sagt Lars Wessels, stellvertretender ML4P-Projektleiter. Im nächsten Schritt werden die Prozessdaten der Anlagen und Maschinen in ein umfassendes, digitales Informationsmodell überführt. Ebenso wichtig wie die Daten ist dabei laut den Fraunhofer-Instituten das Expertenwissen. Dieses fließe in digitaler Form in eine ML4P-Verarbeitungspipeline zum Erlernen eines Prozessmodells ein. Erst danach folgen die Implementierung und der Probebetrieb. Am Schluss stehen die Übergabe und der Start in den Produktionsalltag.

Erste Praxiserfahrungen

Zu den Stärken des Konzepts zählen unter anderem Skalierbarkeit und Flexibilität, so die Forscher. Nach der Inbetriebnahme sind die einzelnen Module jederzeit anpassbar, lernen mithilfe der eingehenden Maschinendaten laufend dazu und können so Optimierungspotenziale aufzeigen. Neue Anlagen sollen sich problemlos integrieren lassen, ebenso wie die meisten älteren Maschinen, auch solche, die vielleicht schon 30 oder gar 40 Jahre alt sind. Auch kleinere Betriebe sollen ML4P einsetzen können, selbst wenn sie nur bestimmte Abschnitte einer Fertigung optimieren wollen.

Das ML4P-Team hat laut eigenen Angaben das Konzept bereits in verschiedenen Anwendungsdomänen erprobt. Am Fraunhofer-Institut für Werkzeugmaschinen und Umformtechnik IWU wurden Lösungen für die Blechumformung entwickelt. Das Fraunhofer-Institut für Fabrikbetrieb und -automatisierung IFF hat die Fertigung von Membranfiltern optimiert, und das Fraunhofer-Institut für Werkstoffmechanik IWM testete das Konzept bei einer Anlage zum Biegen von Glas.

(ID:48171491)