Moderne Produktionsanlagen sind oft so komplex, dass die Zusammenhänge durch klassische Modellbildung nur unvollständig erfasst werden können. Optimierungspoten¬ziale lassen sich dann nur datengestützt mit Methoden des maschinellen Lernens (ML) erschließen. ML kommt deshalb zunehmend zum Einsatz, um etwa die Produktqualität zu steigern, den Ressourceneinsatz zu reduzieren oder ungeplante Maschinenausfälle durch vorausschauende Wartung zu vermeiden.
Den Chancen stehen allerdings große Herausforderungen gegenüber: 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. Es gibt keine etablierte Vorgehensweise für große, heterogene Projektteams, und die Anpassung im laufenden Betrieb an sich ändernde Rahmenbedingungen - Verschleiß, Eigenschaften der Eingangsmaterialien, strukturelle Umbauten am Prozess - muss gewährleistet sein.
 

Das Vorgehensmodell

Sechs Fraunhofer-Institute haben jetzt im Rahmen des Leitprojekts »ML4P – Machine Learning for Production« gemeinsam ein standardisiertes Vorgehensmodell und die zugehörigen Werkzeuge für den Einsatz von ML in der Produktion entwickelt. Der Ansatz des KI-Engineerings orientiert sich in vieler Hinsicht am Systems Engineering. Es wurde eine Kette interoperabler Softwarelösungen entwickelt. Die Tools dienen dazu, systematisch das relevante Wissen und die Daten einer Produktionsanlage zu erfassen, zu formalisieren und für die Nutzung des ML-Methodenspektrums aufzubereiten. Weiterhin können sie vorhandene Optimierungspotenziale aufspüren und bewerten, bestgeeignete ML-Verfahren anwendungsspezifisch auswählen und diese nutzbringend einsetzen.
“Für den Einsatz von ML in der Produktion sind die reinen KI-Algorithmen zwar zentral wichtig, aber sie machen häufig nur einen Bruchteil der Gesamtlösung aus”, erläutert Dr. Julius Pfrommer, Forschungsgruppenleiter am Fraunhofer IOSB und Teamleiter Vorgehensmodell. Ein weiteres wichtiges Puzzleteil liefert das Vorgehensmodell, das unabhängig von der konkreten Anwendung breit eingesetzt werden kann. Es gliedert sich in sechs Phasen mit klar definierten Ergebnissen und nutzt zwei zentrale Dokumente beziehungsweise Datenstrukturen, die den jeweils aktuellen Wissensstand über alle Phasen hinweg repräsentieren: das Machine Learning Pipeline Diagramm und die virtuelle Prozessakte.
 

KI-Algorithmen - nur einen Bruchteil der Gesamtlösung

“Für den Einsatz von ML in der Produktion sind die reinen KI-Algorithmen zwar zentral wichtig, aber sie machen häufig nur einen Bruchteil der Gesamtlösung aus”, erläutert Pfrommer. Ein weiteres wichtiges Puzzleteil liefert eben das Vorgehensmodell, das unabhängig von der konkreten Anwendung breit eingesetzt werden kann. Es gliedert sich in sechs Phasen mit klar definierten Ergebnissen und nutzt zwei zentrale Dokumente bzw. Datenstrukturen, die den jeweils aktuellen Wissensstand über alle Phasen hinweg repräsentieren: das Machine Learning Pipeline Diagramm und die virtuelle Prozessakte.

Expertenwissen gezielt einbinden

Hinzu kommt ein Rollenmodell, das die in jeder Phase benötigten Disziplinen, Kompetenzen und Funktionen umfasst. Pfrommer: “Damit ist der Weg von der Problemstellung bis zum kontinuierlichen Betrieb des ML-basierten Systems umfassend beschrieben. Insbesondere werden das Wissensmanagement und die Schnittstellen definiert, die erforderlich sind, um die Skalierung auf große Teams zu ermöglichen.”
Ein wichtiger Aspekt sei, die Spezifika und Vorwissen aus der Anwendungsdomäne gezielt einzubinden, so der Forscher weiter. “Das Expertenwissen aus den Ingenieurdisziplinen ist ein großer Schatz. 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.”
Beteiligt an den Arbeiten zum Vorgehensmodell sind neben den Standorten Karlsruhe und Lemgo des federführenden Fraunhofer IOSB auch die Fraunhofer-Institute für Intelligente Analyse- und Informationssysteme IAIS, für Fabrikbetrieb und -automatisierung IFF, für Techno- und Wirtschaftsmathematik ITWM, für Werkstoffmechanik IWM sowie für Werkzeugmaschinen und Umformtechnik IWU.
Das ML4P White Paper wird der Öffentlichkeit erstmalig am 26.10.2020 präsentiert. Im Anschluss steht das White Paper beim Fraunhofer IOSB zum Download zur Verfügung.