FORinFPRO - Intelligente Fertigungsprozesse & Closed-Loop-Produktion 

Der Forschungsverbund entwickelt selbstadaptive Regelungssysteme für Maschinen, Anlagen und Prozessketten, die aus vergangenen Prozessdaten lernen und sich an zukünftige Anforderungen anpassen. Ziel ist eine höhere Bauteilqualität, größere Robustheit und gesteigerte Ressourceneffizienz. Insbesondere soll der Einsatz schwankender Recyclingmaterialien durch robuste, lernfähige Regelungen ermöglicht werden. Wo starre Steuerungen an ihre Grenzen stoßen, sollen adaptive Prozesse Materialschwankungen aktiv kompensieren und konstante Qualität sichern.  Ressourceneffizienz soll durch intelligente Prozessführung verbessert werden, etwa durch vorausschauende Nutzung erneuerbarer Energien. So entstehen nachhaltige, ökonomisch und ökologisch optimierte Prozessketten. Das Projekt erforscht dafür sensorbasierte Zustandsüberwachung sowie datengetriebene Modellierung, Regelung und Optimierung, unterstützt durch Methoden der Künstlichen Intelligenz. Die Prozesse werden so vernetzt, dass eine Regelung in Echtzeit möglich wird. Zur praxisnahen Umsetzung werden Vliesherstellung, Umformung, Spritzguss, Infusion und Ultraschallschweißen als Modellprozesse betrachtet und zu einer realitätsnahen Prozesskette verknüpft. Über die Projektlaufzeit wird die Komplexität der Regelung schrittweise erhöht – von einzelnen Prozessen hin zu einem vernetzten Gesamtsystem mit generischen Schnittstellen und allgemeinem Vorgehensmodell. 

Am OC-Lehrstuhl erforschen wir die Regelung von Vakuuminfusionsprozessen mittels Reinforcement Learning (RL), einer Methode des maschinellen Lernens. Dabei lernt ein sogenannter Agent durch Interaktion mit dem Prozess – der im RL-Kontext als Umgebung bezeichnet wird – optimale Steuerungsstrategien. In jedem Zeitschritt führt der Agent eine Aktion aus, beobachtet die Reaktion der Umgebung sowie eine Belohnung für den neuen Zustand. Anhand dieser Rückmeldung optimiert er schrittweise sein Verhalten, um langfristig maximale Belohnungen zu erzielen. Auf den betrachteten Prozess übertragen, können solche Aktionen etwa die Anpassung von Prozessparametern zwischen einzelnen Schritten oder die direkte Steuerung innerhalb eines Prozessschritts umfassen. Das RL-Modell lernt dabei auf Basis von Simulationen, die mithilfe Finiter-Elemente- oder Finiter-Volumen-Methoden erstellt werden.

 

Ansprechpartner

MOOCS - Metaheuristiken für die Optimierung von Organic Computing Systemen

Der Einsatz von Metaheuristiken in OC Systemen bietet immer noch einige Herausforderungen, vor allem im Bezug auf die Auswahl der passenden Metaheuristik oder Metaheuristiken. Diese sollten für alle Optimierungsprobleme in einem OC System geeignet sein und sich dabei selbst-adaptiv an eine veränderliche Systemumgebung anpassen.
In diesem Projekt soll der Einsatz von Metaheuristiken in OC Systemen verbessert werden. Es wird untersucht, welche Metaheuristiken für welche Optimierungsprobleme geeignet sind, wobei der Stand der Technik dahingehend erweitert wird, dass Komponenten innerhalb der Metaheuristiken analysiert werden, die diese Eignung bedingen. Um einen möglichst generellen Optimierer zu erhalten, der für eine Vielzahl an OC-typischen Problemen verwendet werden kann, werden zudem selbst-adaptive Strategien für den Einsatz und den Austausch dieser Komponenten entwickelt. 

Ansprechpartner

KI-Produktionsnetzwerk Augsburg

Im KI-Produktionsnetzwerk Augsburg erforschen Partner aus Wissenschaft und Industrie zentrale Bausteine einer KI-gestützten Produktion. Die thematischen Schwerpunkte liegen in den Bereichen „Werkstoffe & Produktionstechnologie“ (Mathematisch-Naturwissenschaftlich-Technische Fakultät) sowie „Digitalisierung & Selbstorganisation“ (Fakultät für Angewandte Informatik).

Der Lehrstuhl für Organic Computing konzentriert sich auf Wireless Sensor Networks, die als Schlüsseltechnologie des industriellen Internets der Dinge eine kontinuierliche Erfassung von Prozessdaten ermöglichen – Grundlage für viele KI-Anwendungen. Im Fokus steht das Protokoll IEEE 802.15.4, das kostengünstige, energieeffiziente und zuverlässige drahtlose Kommunikation erlaubt. Ziel ist die Weiterentwicklung des Standards für höhere Zuverlässigkeit und geringe Latenz, auch unter schwierigen Bedingungen wie Interferenzen oder beweglichen Hindernissen. Künstliche Intelligenz soll dabei sowohl bei der effizienten Ressourcenallokation als auch beim adaptiven Umgang mit Störungen unterstützen.

Ansprechpartner

ProsKI - Resiliente Produktionsplanung und -steuerung durch den Einsatz von künstlicher Intelligenz

In Kooperation mit Partnern aus der Industrie, der Softwareentwicklung und dem Lehrstuhl für Ingenieurinformatik mit Schwerpunkt Produktionsinformatik entwickelt der Lehrstuhl für Organic Computing im Rahmen des ProsKI Projektes KI gestützte Methoden zur Unterstützung der Produktionsplanung. Ziel dabei ist die automatisierte Progonose von Logistischen Störungen und assistierte Umplanung zur Vermeidung von Produktionsausfällen. Nach umfassender Erfassung und Kategorisierung möglicher Störungsursachen durch die Projektpartner kommen Methoden der Stochastischen Optimierung zur Erzeugung neuer Planalternativen, die bezüglich Produktivität, Effizienz und Resourcennutzung optimal sind, zum Einsatz. In einem weiteren Schritt sollen Bayesian estimators verwendet werden, um die Wahrscheinlichkeit zukünftiger Lieferausfälle zu schätzen und bereits in die ursprüngliche Planung mit einbeziehen. Auf diese Weise wird die Anzahl logistisch bedingter Planungsausfälle reduziert und die Verbleibenden fristgerecht durch Ermittlung optimaler Alternativen umgangen. 

Ansprechpartner