Projektbeschreibung EN-AI-BLER:
Intelligente Bereitstellung von Produktionsdaten zur Steigerung der Wertschöpfung durch KI-Anwendungen

Ausgangslage:
Durch den stark zunehmenden Technologiefortschritt der letzten Jahrzehnte ist es möglich, immer größere Datenmengen in annehmbarer Rechenzeit auszuwerten. Bereits heute existiert eine Vielzahl von Machine Learning Ansätzen in der Industrie, spezieller in der Produktionstechnik. Bislang werden Bestrebungen bei der Digitalisierung der Produktion durch algorithmische Funktionen allerdings häufig als Insellösungen an einer Anlage und in einem Prozesszustand in der Produktion umgesetzt. Eine Produktisierung dieser Ansätze zur einfachen Skalierung ist bislang im Stand der Technik nicht zu verzeichnen. Eine Wertschöpfung durch den Einsatz von KI-Methoden ist erst dann möglich, wenn letztere kostengünstig und zuverlässig angewandt werden können. Eine Standardisierung bei der Datenaufnahme sowie Datenstrukturierung gerade bei Anlagen unterschiedlicher Hersteller und Modellgenerationen ist bislang nicht ausreichend untersucht und findet in der Industrie kaum Anwendung.

Ziel:
Ziel des Forschungsvorhabens EN-AI-BLER ist die automatisierte Anbindung nicht standardisierter individueller Maschinen und Produktionsequipment an Plattformen zum Aufbau einer konsistenten Datenpipeline. Gerade in heterogenen Produktionslandschaften aus vielfältigen Maschinen und Anlagen zeigt sich enormes Optimierungs- und Forschungspotential. Nötig hierfür ist eine zu entwickelnde Out-of-the Box Lösung zur Anbindung relevanter Maschinensteuerungen (SPS, NC).
Im Rahmen des Kooperationsprojektes wird ausgehend von der oben beschriebenen Forschungslücke ein KI-basierter Identifikationsalgorithmus entwickelt. Mit Hilfe dieses Identifikationssystems werden verschiedenste Variablen unterschiedlicher Steuerungsarchitekturen durchsucht sowie konsistent Art und Benennung definiert bzw. einem definierten Modell zugeordnet. Damit ist eine einfache und skalierbare Anbindung bestehender Maschinen und Anlagen an die wachsende Anzahl an Plattformen möglich. Für industrielle Anwendungen wie Condition Monitoring Systeme, Prozessüberwachungen oder intelligente Planungsalgorithmen müssen die durch den Identifikationsalgorithmus konsistent definierten Daten einheitlich bereitgestellt werden. Zur Skalierung sowie Anwendung dieser Systeme auf vielen heterogenen Produktionsmaschinen sollen unterschiedliche Rohdaten der Maschinen über eine KI-basierte Segmentierungsfunktion einheitlich bereitgestellt werden. Trainierte Modelle können so über verschiedene Anlagen hinweg gewinnbringend Anwendung finden.

Vorgehen:
Das Forschungsprojekt gliedert sich in fünf Teilprojekte. Zuerst werden Kommunikationslösungen auf Basis der wesentlichen Steuerungssysteme und Kommunikationsschnittstellen evaluiert und entwickelt. Dabei steht die Entwicklung individueller Protokolle für Steuerungen verschiedener Hersteller und Kommunikationsstandards im Vordergrund. Um eine automatisierte Identifikation und Zuweisung der relevanten Signale auch bei proprietären Datensemantiken unbekannter Maschinen und Komponenten zu gewährleisten, wird eine KI-basierte Identifikationsfunktion entwickelt. Mithilfe von Ansätzen aus Internet-Suchmaschinen, sogenannten Crawlern, sollen Parameter wie Motorströme oder Positionsdaten u.a. durch ihr charakteristisches Zeitverhalten und Wechselwirkungen mit weiteren Parametern identifiziert und einem übergeordneten und übergreifenden Maschineninformationsmodell zugeordnet werden. Im vierten Arbeitspaket werden die identifizierten Daten aus den Steuerungen und Sensoren in wiederkehrende Bearbeitungssegmente geteilt. Ein Bearbeitungssegment wird durch wiederholendes Vorkommen, Ähnlichkeit des Verlaufs sowie zusätzliche Kontextinformationen (bspw. gleiches Werkzeug und Material) definiert. Hier sollen klassische Clusteralgorithmen aus dem Bereich des Unsupervised Learning verwendet werden. Speziell dichtebasierte Verfahren eignen sich zur Mustererkennung optimal. Im 5. Arbeitspaket wird eine Studie zur Umsetzung aufbauender KI-Anwendungen wie Prozessüberwachung oder Anomalieerkennung umgesetzt."