Der Forschungsbereich Industrie und Produktion des Lamarr-Instituts erforscht die transformierende Rolle von Maschinellem Lernen (ML) und Künstlicher Intelligenz (KI) bei der Optimierung von Prozessen in der Produktionstechnik. Neben der Gewährleistung qualitativ hochwertiger Produktionsergebnisse konzentriert sich diese Forschung auf die Minimierung des Ressourcenverbrauchs, einschließlich Zeit- und Materialkosten. Traditionelle Ansätze basieren oft auf technologischen Experimenten oder simulationsbasierter Optimierung. Die Integration von ML bringt jedoch einen Paradigmenwechsel mit sich und ermöglicht z. B. die Identifizierung von Mustern und Beziehungen in Produktionsdaten, die zuvor nicht möglich war.
In diesem Blogbeitrag ehrfahren Sie, wie ML die Produktionstechnik durch innovative Ansätze prägt, und erhalten Einblicke in ein aktuelles Forschungsprojekt, das als Fallstudie für Fortschritte in diesem Bereich dient.
Verbesserung von Produktionsprozessen durch Maschinelles Lernen
Maschinelles Lernen revolutioniert die Art und Weise, wie komplexe Produktionsprozesse analysiert und optimiert werden. Durch Lernen aus großen Datensätzen können ML-Algorithmen Vorhersagen über verschiedene Szenarien und Konfigurationen verallgemeinern und Erkenntnisse aufdecken, die mit herkömmlichen Methoden nur schwer zu erreichen sind. Diese Fähigkeit ist besonders in der Produktionstechnik von Vorteil, wo hybride Lernansätze durch die Kombination von datenbasierten ML-Modellen mit physikalischem und domänenspezifischem Wissen den experimentellen Aufwand für das Verständnis und die Verbesserung von Produktionsprozessen erheblich reduzieren können.
Im Forschungsbereich Industrie und Produktion des Lamarr-Instituts liegt ein Schwerpunkt auf der Kombination von Messdaten, Simulationsdaten und ML-Methoden zur Entwicklung hybrider Modelle. Diese Ansätze unterstützen die datenwissenschaftliche Analyse in Produktionskontexten, indem sie Datensätze mit synthetischen Daten ergänzen, die durch fortgeschrittene Techniken wie Simulationen oder generative Modellierung erzeugt wurden, um den manuellen Aufwand für die Datengewinnung und -annotation für überwachte Lernaufgaben zu verringern (Sie möchten mehr darüber erfahren, welche Arten von Maschinellem Lernen es gibt? Hier entlang: Arten von maschinellem Lernen.
Durch diese gezielte Modellbildung lassen sich datenbasierte Erkenntnisse gewinnen, die zur Optimierung industrieller Prozesse beitragen und eine ressourceneffiziente Produktion ermöglichen. Das Lamarr-Institut erforscht diese Methoden, um innovative KI-Technologien zu entwickeln, die datengetriebene Entscheidungsprozesse in der Produktion verbessern. So wird der Brückenschlag zwischen KI-Forschung und realen industriellen Anwendungen ermöglicht – ein zentraler Beitrag zur nachhaltigen und präziseren Gestaltung zukünftiger Produktionsprozesse.
Ein weiterer wichtiger Aspekt dieser Transformation ist die Integration von Expertenwissen. Die Kombination von datengetriebenen Modellierungstechniken mit Fachwissen hat nicht nur das Potenzial die Genauigkeit von Modellvorhersagen zu erhöhen, sie ermöglicht auch eine Interpretierbarkeit von Ergebnissen, was zu erhöhter Akzeptanz und mehr Vertrauen bei Anwender*innen führt. Die interdisziplinäre Zusammenarbeit spielt dabei eine entscheidende Rolle. Durch das Zusammenbringen von Expert*innen aus verschiedenen Fachbereichen, wie den Datenwissenschaften und der Fertigungstechnik, können komplexe Herausforderungen aus mehreren Perspektiven betrachtet werden. Diese Synergie verbessert nicht nur die Zuverlässigkeit von ML-Modellen, sondern fördert auch die Innovation, indem sie die Lücke zwischen theoretischem Wissen und praktischer Anwendung schließt.
ClusterSim: Maschinelles Lernen und Expertenwissen in der Produktionstechnik
Eine beispielhaftes Kooperationsprojekt in diesem Bereich ist „ClusterSim“, an dem die Arbeitsgruppe Virtual Machining (Informatik) und das Institut für Spanende Fertigung (Maschinenbau) der TU Dortmund beteiligt sind. Das Projekt demonstriert, wie ML gezielt in der Produktionstechnik eingesetzt werden kann. Ziel ist es, die Analyse und Vorhersage von Charakteristiken von Bearbeitungsprozessen – wie beispielsweise Werkzeugschwingungen, welche die Bauteilqualität beeinträchtigen können – zu verbessern.
Im Gegensatz zu herkömmlichen „Black Box“-Anwendungen wird bei ClusterSim der Schwerpunkt auf Interpretierbarkeit und Generalisierung gelegt, indem ML mit verschiedenen Datenquellen und technologischem Fachwissen kombiniert wird. Das Projekt konzentriert sich auf die Analyse von hochauflösenden Zeitreihendaten aus experimentellen Untersuchungen und geometrisch- physikalisch Prozesssimulationen. Unüberwachte Lernverfahren, wie z. B. Gaussian Mixture Models, können unter anderem genutzt werden, um wiederkehrende Muster in diesen Datensätzen zu identifizieren und in Klassen zu gruppieren (siehe Abb. 1).
Für jede identifizierte Klasse werden ML-Regressionsmodelle trainiert, um Prozessmerkmale für verschiedene Betriebspunkte vorherzusagen. Durch die Aufteilung der Daten in diese elementaren Prozesssegmente und die auf dieser Basis trainierten Expertenmodelle für jedes dieser Segmente wird einerseits eine gesteigerte Vorhersagegenauigkeit für sehr komplexe Prozesse und Wechselwirkungen zwischen Einflussgrößen und resultierenden Prozesscharakteristiken ermöglicht, welche sich nicht in einem einzigen Modell abbilden lassen. Andererseits wird die Fähigkeit des Modells verbessert, auf unterschiedliche Prozesse und Konfigurationen angewendet zu werden, da es zuverlässige Vorhersagen für praktisch jeden Prozess liefern kann, der ähnliche Muster in seinen grundlegenden Abläufen aufweist.
Von der Forschung zur Praxis: Die Rolle von Innovationsnetzwerken
Die Integration von ML in die Produktionstechnik wird durch die Zusammenarbeit mit der Industrie weiter vorangetrieben. Ein Beispiel dafür ist das Innovationsnetzwerk Virtualisierung und KI in der spanenden Fertigung (INTSPA). Dieses vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) im Rahmen des Zentralen Innovationsprogramms Mittelstand (ZIM) geförderte Netzwerk bringt Forscherinnen und Fachleute aus der Industrie zusammen, um fortschrittliche ML- und KI-Anwendungen in der spanenden Fertigung zu erforschen. Durch die Schaffung einer strukturierten Plattform für Expertinnen ermöglicht INTSPA die Analyse und Verknüpfung komplexer Themen wie Zerspanungsprozesse, Werkzeugmaschinen, Schneidwerkzeuge und Qualitätssicherung.
Diese Zusammenarbeit ermöglicht die Entwicklung intelligenter Systeme und Anwendungen für die gesamte Wertschöpfungskette, wodurch die Wettbewerbsfähigkeit der Industrie verbessert werden kann. Unternehmen profitieren von maßgeschneiderten Lösungen, die Produktionsprozesse optimieren, Kosten senken und die Produktqualität verbessern. Durch die Verknüpfung von akademischer Forschung mit realen industriellen Herausforderungen ist das ZIM-Netzwerk ein Beispiel dafür, wie technologische Fortschritte und wirtschaftliches Wachstum in der Produktionstechnik gemeinsam vorangetrieben werden können.
Potentiale des Maschinellen Lernens bei der Transformation der Produktionstechnik
Die Integration des ML in die Produktionstechnik leitet eine neue Phase der wirtschaftlichen und nachhaltigen Fertigung ein. Durch die Automatisierung von Erkenntnisgewinn, die hybride Verknüpfung von Modellen, Datenquellen und Expertenwissen bietet dieser Forschungsbereich innovative und ressourcenschonende Lösungen für industrielle Anwendungen. Mit interdisziplinärer Zusammenarbeit und den kontinuierlichen Weiterentwicklungen von ML-Technologien und ihrer Anwendung in der Produktionstechnik ist der Weg zur Verwirklichung der Vision von automatisiert optimierten, intelligenten Fertigungssystemen, die sowohl wirtschaftlich als auch nachhaltig sind, geebnet.
Trotz der bedeutenden Fortschritte bei der Anwendung von ML in der Produktionstechnik bleiben mehrere offene Forschungsfragen bestehen, welche die Richtung zukünftiger Arbeiten bestimmen. Eine wesentliche Herausforderung ist die nahtlose Integration von Expertenwissen in datengetriebene ML-Ansätze. Zwar hat sich die Kombination von Expertenwissen mit ML-Modellen in einzelnen Forschungsuntersuchungen als wirksam erwiesen, um die Genauigkeit und Effizienz zu verbessern, doch es besteht weiterhin Bedarf an standardisierten Frameworks, die eine solche interdisziplinäre Zusammenarbeit in großem Maßstab ermöglichen. Darüber hinaus stellt Konzeptdrift, bei dem sich die Prozessbedingungen und Datenverteilungen im Laufe der Zeit verändern, eine Herausforderung für die Gewährleistung einer robusten Vorhersagequalität in dynamischen Produktionsumgebungen dar. Schließlich ist die Förderung transparenter und nachhaltiger Verfahren zur Verwaltung von Forschungsdaten von entscheidender Bedeutung, um die Verfügbarkeit und Reproduzierbarkeit von Daten in der gesamten Forschungsgemeinschaft zu gewährleisten und so langfristige Fortschritte auf diesem Gebiet zu ermöglichen.
