Künstliche neuronale Netze

Der konstruktive Aufbau von Zahnradpumpen bedingt Spaltströmungen, welche einer exakten Dosierung entgegenwirken. Durch die komplexen Zusammenhänge von Druck, Temperatur, Fertigungstoleranzen und den Stoffeigenschaften des Fördermediums lassen sich diese Spaltströmungen jedoch mit physikalischen Gleichungssystemen nicht prozesssicher in Echtzeit beschreiben.

Mit zunehmender Datenverfügbarkeit wird der Einsatz Maschinellen Lernens zur Steuerung und Optimierung von Supply Chains attraktiver, da die Qualität der Datenauswertung erhöht und gleichzeitig der Aufwand gesenkt werden kann. Anhand des SCOR-Modells werden exemplarische Ansätze als Orientierungshilfe eingeordnet und dazu passende Verfahren des Maschinellen Lernens vorgestellt.

Künstliche Intelligenz und ihr Teilgebiet Maschinelles Lernen sind in aller Munde. Genaueres Wissen darüber, was die Begriffe eigentlich meinen, ist jedoch oft noch nicht umfassend vorhanden. Deshalb stellt der Beitrag zunächst einiges Grundwissen zum Thema vor und zeigt dann auf, welche Einsatzmöglichkeiten und Mehrwerte insbesondere maschinelle Lernverfahren für die Produktion bieten können. Die Robotik, beispielsweise ein autonomer Griff-in-die-Kiste, ist ein Teilgebiet im Produktionsumfeld, das von den beschriebenen Technologien insbesondere profitiert. Abschließend geht der Beitrag auf das Thema Erklärbarkeit von maschinellen Lernverfahren ein. Das Entschlüsseln der „Black Box“ ist aus technischen, rechtlichen und gesellschaftlichen Gründen eine essenzielle Aufgabe für KI-Experten.

Presslinien führen einen mehrstufigen Umformprozess durch, der in der Praxis weitestgehend als Blackbox betrieben wird. Erst am Ende der Linie findet eine Qualitätskontrolle und gegebenenfalls eine Anpassung der Anlagenparameter statt, sollte ein Fehler aufgetreten sein. Im Forschungsprojekt SmartPress wird ein System entwickelt, das mithilfe bildgebender Sensorik Informationen über die aktuelle Platine aus den einzelnen Prozessstufen extrahiert. So werden z. B. Daten über Ziehränder mit dem Wissen über den aktuellen Systemzustand (z. B. aktuelle Haltekräfte) kombiniert. Ein neuronales Netz bildet die hochkomplexen Zusammenhänge zwischen Anlagenparametern und Produkteigenschaften ab. Auftretende Veränderungen an den Platinen werden so im laufenden Prozess erkannt und Anlagenparameter entsprechend produktindividuell angepasst.

In der Metallbearbeitung wird die Qualitätsüberwachung von Kühlschmierstoff-Emulsionen (KSS) nach dem Stand der Technik labortechnisch und nicht prozessintegriert bewerkstelligt. In einem deutsch-brasilianischen Kooperationsvorhaben (BRAGECRIM: Brazilian - German Collaborative Research Initiative on Manufacturing Technology) soll die Möglichkeit zur direkten Überwachung der KSS-Stabilität und -Qualität innerhalb des Prozesses mithilfe der Trübungsspektroskopie aufgezeigt werden. Der resultierende prozessintegrierte KSS-Emulsions-Monitor zeigt Wege für ressourcen- und energieeffiziente Metallbearbeitungsprozesse auf.

Die Komplexität und Dynamik heutiger Produktionssysteme führt etablierte Ansätze zur Produktionsplanung und -steuerung zunehmend an ihre Grenzen. Ein möglicher Ansatz zur Lösung dieser Problematik ist die Kombination einer dezentralen Regelungsstruktur in der Fertigung mit innovativen Methoden aus dem Bereich der künstlichen Intelligenz. Bei der Entwicklung und Umsetzung dieser Methoden haben sich Werkzeuge aus dem Open Source Bereich bewährt. Sie sind frei verfügbar und können flexibel an vielfältige Problemstellungen angepasst werden. In diesem Beitrag wird ein Konzept zur dezentralen Regelung einer Werkstattfertigung vorgestellt. Als Regelungsinstrumente kommen künstliche neuronale Netze zum Einsatz, die mithilfe des Stuttgart Neural Network Simulator (SNNS) und des Java Neural Network Simulator (JNNS) erzeugt, trainiert und simuliert werden.

Aufgrund des zunehmend turbulenten Umfelds steigt die Bedeutung einer exakten und zuverlässigen Produktionsplanung und -steuerung. Viele der dafür notwendigen Entscheidungen finden auf Shop-Floor-Ebene statt. Sie sind von dem Wissen und der Fähigkeit der Mitarbeiter, auf unvorhergesehene Ereignisse zu reagieren, abhängig und daher nicht explizit beschrieben. Eine realitätsnahe Simulation erfordert jedoch eine möglichst genaue Abbildung dieser Entscheidungen. Dieser Beitrag stellt eine Methodik vor, die durch den Einsatz Künstlicher Neuronaler Netze auf im Unternehmen erfasste Betriebsdaten eine automatische Identifizierung der angewandten Steuerungsstrategien ermöglicht.

Die Verbesserung, Nutzung und Verbreitung des Wissens der Mitarbeiter, mithin die Umsetzung des organisationalen Lernens, ist eine der bedeutendsten Maßnahmen zur nachhaltigen Sicherung der Marktposition. Forschungsschwerpunkt der vergangenen Jahre am Lehrstuhl für Produktionssysteme war hierbei die Abbildung von Planungsentscheidungen innerhalb der kurzfristigen Reihenfolgeplanung in ein künstliches neuronales Netz und die Generierung von Vorschlägen für zukünftige Planungssituationen. Dieser Beitrag beschreibt die Invertierung dieses Lernprozesses.