?

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 h?here Bauteilqualit?t, gr??ere Robustheit und gesteigerte Ressourceneffizienz. Insbesondere soll der Einsatz schwankender Recyclingmaterialien durch robuste, lernf?hige Regelungen erm?glicht werden. Wo starre Steuerungen an ihre Grenzen sto?en, sollen adaptive Prozesse Materialschwankungen aktiv kompensieren und konstante Qualit?t sichern. ?Ressourceneffizienz soll durch intelligente Prozessführung verbessert werden, etwa durch vorausschauende Nutzung erneuerbarer Energien. So entstehen nachhaltige, ?konomisch und ?kologisch 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 m?glich wird. Zur praxisnahen Umsetzung werden Vliesherstellung, Umformung, Spritzguss, Infusion und Ultraschallschwei?en als Modellprozesse betrachtet und zu einer realit?tsnahen Prozesskette verknüpft. ?ber die Projektlaufzeit wird die Komplexit?t der Regelung schrittweise erh?ht – 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, k?nnen 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 ver?nderliche 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 m?glichst 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 Fakult?t) sowie ?Digitalisierung & Selbstorganisation“ (Fakult?t 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 erm?glichen – Grundlage für viele KI-Anwendungen. Im Fokus steht das Protokoll IEEE 802.15.4, das kostengünstige, energieeffiziente und zuverl?ssige drahtlose Kommunikation erlaubt. Ziel ist die Weiterentwicklung des Standards für h?here Zuverl?ssigkeit 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 St?rungen 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 St?rungen und assistierte Umplanung zur Vermeidung von Produktionsausf?llen. Nach umfassender Erfassung und Kategorisierung m?glicher St?rungsursachen durch die Projektpartner?kommen Methoden der Stochastischen Optimierung zur Erzeugung neuer Planalternativen, die bezüglich Produktivit?t, Effizienz und Resourcennutzung optimal sind, zum Einsatz. In einem weiteren Schritt sollen Bayesian estimators verwendet werden, um die Wahrscheinlichkeit zukünftiger Lieferausf?lle?zu sch?tzen und bereits in die ursprüngliche Planung mit einbeziehen. Auf diese Weise wird die Anzahl logistisch bedingter Planungsausf?lle reduziert und die Verbleibenden fristgerecht durch Ermittlung optimaler Alternativen umgangen.?

?

?

Ansprechpartner