EBLS4Industry - Erfahrungsbasierte Lernende Systeme für die Industrie 4.0 - Adaptive Produktionsprozesse und vorausschauende Wartungsansätze

Unternehmen sind heutzutage zunehmend mit einer steigenden Dynamik in ihrem Umfeld konfrontiert, sowohl durch eine höhere Vielfalt und schnellere Innovationszyklen bei Produkten und Produktionsanlagen, durch individuelle Kundenanforderungen (Losgröße 1), durch neue gesetzliche Regularien oder durch geplante und unerwartete Störungen wie den Ausfall von Maschinen und Mitarbeitern sowie die Unterbrechung von Lieferketten oder den Wegfall einzelner Absatzmärkte in Krisenzeiten. Dieser Dynamik kann aufgrund ihrer Komplexität nur mit Methoden der Künstlichen Intelligenz (KI) angemessen begegnet werden, die es erlauben, Ausfälle von Ressourcen (wie z. B. Maschinen) in Sensordatenströmen frühzeitig zu identifizieren und die Gesamtheit der auszuführenden Prozesse in einem Unternehmen als Ganzes zu betrachten und adaptiv anzupassen. 

In diesem Projekt soll untersucht werden, wie vorliegende Aufgaben bzw. Aufträge in der Produktion oder Logistik zielorientiert und in Abhängigkeit aktuell verfügbarer Ressourcen optimiert und für Störungen resilient gestaltet werden können. Dazu werden Ressourcen kontinuierlich überwacht, um den aktuellen Systemzustand zu ermitteln und gleichzeitig Vorhersagen zu erlauben, was zukünftige Systemzustände betrifft. Durch eine wachsende Verknüpfung von Produktionsanlagen und deren Komponenten mit dem Internet (Internet der Dinge), stehen eine Vielzahl an Datenströmen von Sensoren und Aktoren zur Verfügung, um einen zu erwartenden Ausfall von Komponenten vorherzusagen und diesem im Produktionsprozess zu begegnen. Diese Analyse bildet die Grundlage, damit dieses Wissen in einer intelligenten Prozessgestaltung (Planung von Prozessen und Wartungsarbeiten) und Prozessausführung berücksichtigt werden kann. Der Mensch als Akteur soll — insbesondere für wissensintensive Aufgaben — integriert werden, sodass Prozesse im Vordergrund stehen, bei denen menschliche und automatisierte Aktivitäten geeignet integriert werden.

Im Rahmen dieses Projektes werden Erfahrungsbasierte Lernende Systeme mit Methoden des Prozessorientierten Fallbasierten Schließens, der automatischen Planung und Konfiguration sowie maschinelle Lernverfahren wie Deep Learning erforscht und kombiniert. Dabei ist die Anwendung semantischer Technologien wie Ontologien und Industriestandards ein wichtiger Bestandteil in diesem Projekt. Entwickelte Forschungsprototypen werden in realitätsnahen Anwendungsszenarien mithilfe einer Fabriksimulationsanlage von Fischertechnik im IoT-Labor der Universität Trier erprobt und demonstriert.

Projektleiter

Wissenschaftliche Mitarbeiter

Wissenschaftliche Hilfskräfte

Publikationen

Eine Liste der Publikationen aus dem EBLS4Industry Projekt finden Sie hier.

Downloads

Ein Datensatz der Fischertechnik Simulationsanlage mit beispielhaften Fehlern ist hier verfügbar. Ein größerer Datensatz wird bald zur Verfügung gestellt. Darüber hinaus ist die entwickelte Domänenontologie (FTOnto) zum Download hier verfügbar.