Projekte

it’s owl-ML4Pro² :
Maschinelles Lernen für die Produktion und deren Produkte

Projektlaufzeit: 1.12.2018 bis 31.12.2022 (Laufend)
Forschungsbereich: Industrielle Kommunikation : Artificial Intelligence in Automation
Projektleiter: Prof. Dr.-Ing. Volker Lohweg


  

Motivation

Ziel des Verbundprojektes ist es, maschinelles Lernen (ML) für Intelligente Technische Systeme (ITS) nachhaltig verfügbar zu machen. Dieses erfordert den Transfer neuester ML-Methoden auf die in ITS zentralen Handlungsfelder, um ML-Technologien in die Produkte und in die Produktionsketten zu bringen, und umgekehrt das Bewusstsein der Unternehmen, wann und wie ML in agile Geschäftsmodelle und Produktionsketten integriert werden kann, zu schärfen. Das Verbundprojekt setzt auf den Digitalisierungsstrategien der beteiligten Unternehmen und der ML-Expertise der beteiligten Forschungspartner auf, um den Schritt zu einer effizienten Nutzung digitaler Daten durch ML zu realisieren.

 

Herausforderungen

Technische Innovationen basieren zunehmend auf maschinellem Lernen. ML hat das Potential, durch die Extraktion von Wissen aus digitalen Daten auf allen Stufen der Unternehmensprozesse Mehrwerte zu generieren. Mit den aktuellen ML-Forschungsthemen „Hybride Lernverfahren“, „Integration von Expertenwissen“, „Erklärungsfähigkeit“ und „Lernen auf Datenströmen in eingebetteten Systemen“ greift das Verbundprojekt zentrale Fragestellungen für ITS auf. Die ML-Methoden werden anwendungsübergreifend anhand von drei industriellen Anwendungsfällen betrachtet, die sowohl für die Produktion als auch für deren Produkte zukunftsweisend sind.

 

Forschungsaktivitäten

Die Anwendbarkeit der ML-Verfahren im industriellen Umfeld basieren zentral auf einer Interpretierbarkeit der betrachteten Modelle. Für eine breite Akzeptanz solcher Verfahren müssen Fragen der Validierung von ML-Methoden geklärt werden. Dieses verlangt nicht nur die Einsicht in die Verfahren, sondern auch die Integration von Vorwissen, um semantisch sinnvolle Erklärungen generieren zu können.

Ein weiterer Aspekt in diesem Zusammenhang ist die Bestimmung der Glaubwürdigkeit einer Informationsquelle. Es gilt zu unterscheiden, ob die von der Messtechnik bereitgestellten Daten den Systemzustand wiedergeben oder auf defekte Sensoren und Umwelteinflüsse hinweisen. Darüber hinaus ist die Qualitätsbeurteilung und anschließende Rückkopplung zur Beeinflussung des Prozesses und Erweiterung der Wissensbasis ein Themengebiet, das im Umfeld der ITS eine unzureichende Aufmerksamkeit erhält.


Partner:

Future Energy - Institut für Energieforschung

Weidmüller

BENTELER

HANNING

Miele

KEB

Lenze

Fachhochschule Bielefeld

Fraunhofer IEM

Fraunhofer IOSB-INA

Hochschule Ostwestfalen-Lippe

Universität Bielefeld

HESSE Mechatronic

Bild: Maschinelles Lernen für die Produktion und deren ProdukteBild: Maschinelles Lernen für die Produktion und deren ProdukteBild: Maschinelles Lernen für die Produktion und deren ProdukteBild: Maschinelles Lernen für die Produktion und deren ProdukteBild: Maschinelles Lernen für die Produktion und deren Produkte


gefördert durch: Ministerium für Wirtschaft, Innovation, Digitalisierung und Energie, Projektträger Jülich (PTJ)Förderkennzeichen: FKZ: 005-1807-0090, PTJ: 1807ow003e
Förderlinie: it’s OWL – Intelligente Technische Systeme Ostwestfalen-Lippe
Ansprechpartner: Prof. Dr.-Ing. Volker Lohweg