Karlsruhe, Starnberg, 10. Okt. 2022 - KIT und Fraunhofer Gesellschaft Forschungsgruppe zu „KI-basierte Methodik für die schnelle Ertüchtigung unreifer Produktionsprozesse“...

Zum Beitrag: Kürzere Produktlebenszyklen und volatile Märkte zwingen Unternehmen, qualitativ hochwertige Produkte schnell mit neuen, unreifen Prozessen herzustellen. Vergleichbar mit einer Software, die während der Anwendung durch Updates stetig weiterentwickelt wird, müssen die Produktionsprozesse dafür im laufenden Betrieb verbessert werden: Das ist das Ziel der Forschenden der Karlsruher Forschungsfabrik für KI-integrierte Produktion des Karlsruher Instituts für Technologie (KIT) und der Fraunhofer Gesellschaft. Mithilfe von Künstlicher Intelligenz (KI) wollen sie die Zeit bis diese Produkte auf den Markt kommen, signifikant verkürzen und Kosten einsparen.

Damit Unternehmen hochwertig und kosteneffizient produzieren können, sind ausgereifte Produktionsprozesse notwendig

Weil dafür viele verschiedene Faktoren berücksichtigt werden müssen, ist ihre Entwicklung bisher besonders aufwendig – insbesondere, wenn neue Materialien und Verfahren verwendet werden, der Produktionsprozess hochkomplex ist oder keine ausgereiften Modelle zur Verfügung stehen. Der systematische Einsatz von KI soll Prozessanpassungen kostengünstiger, schneller und effizienter machen.

Die Forschungsgruppe „KI-basierte Methodik für die schnelle Ertüchtigung unreifer Produktionsprozesse“ des KIT und der Fraunhofer Gesellschaft will es für Unternehmen leichter machen, neue Produktionsprozesse in Feldern wie dem Leichtbau oder der Elektromobilität zukünftig schneller gesamtheitlich zu durchdringen, gezielt zu verändern oder anzupassen. Anhand der Herstellung faserverstärkter Kunststoffbauteile, etwa für den Automobilbereich, will das Team nach vorliegenden Informationen zeigen, wie sich mittels KI-Methoden die Prozessreife und die Produktqualität in kurzer Zeit und im laufenden Betrieb steigern lassen können.

Abb.: Bearbeitung von faserverstärkten Kunststoffbauteilen in der Karlsruher Forschungsfabrik. (Foto: wbk, KIT)

Quelle / Link > Karlsruher Forschungsfabrik > https://www.karlsruher-forschungsfabrik.de

Querverweis / Link > KI-Forschungsgruppe > https://for5339.kit.edu/

Prozesse ausgestalten und „überinstrumentieren“: So lernt die KI schnell

Kommentar Professor Jürgen Beyerer, Institut für Anthropomatik und Robotik des KIT und Institutsleiter des Fraunhofer-Instituts für Optronik, Systemtechnik und Bildauswertung IOSB: „Wir betrachten zunächst den Prozess der Umformung von Faserhalbzeugen. Das sind flächige Gewebe, die als Ausgangsmaterial für die Herstellung von Bauteilen genutzt werden. Hier sind aktuell manuelle Nacharbeiten wie erneutes Erwärmen oder Umformen notwendig, bis die richtigen Prozessparameter und -schritte gefunden und eingestellt sind. Ziel ist es, den Vorgang möglichst schnell zu verstehen, um auf dieser Basis den Prozess so regeln zu können, dass früher Produkte mit guter Qualität entstehen.“

Dafür stattet das Team den Produktionsvorgang mit erweiterter Aktuatorik und Sensorik aus – zum Beispiel mit Robotik und zusätzlichen Messinstrumenten. Dies nennt sich „überinstrumentieren“. Ziel ist es, möglichst viele Informationen wie Temperaturen, Drücke oder Kräfte zu erfassen. Je nach Vorhersage eines selbstlernenden Modells können dann die Größen identifiziert werden, die zur Prozesskontrolle benötigt werden. „Wir wollen die unreifen Prozesse systematisch so ausstatten, dass eine KI relativ schnell lernen kann, wie Prozessparameter und -ergebnis mit der Produktqualität zusammenhängen“, so Beyerer.

Prozesse richtig einstellen: KI gibt Empfehlungen

Damit dieser Vorgang nicht für jeden einzelnen Prozess wiederholt werden muss, wollen die Forschenden die Erkenntnisse verallgemeinern und einen Baukasten entwickeln, der für alle ähnlichen Prozesse verwendet werden kann. Mittels dynamischer Modellierung soll ein digitales Abbild des Prozesses datenbasiert erstellt werden, um schon vorab die Datenbasis testen zu können. „Der so entstehende Ansatz zur schnellen Reifmachung noch nicht vollständig ausspezifizierter Produktionsprozesse ermöglicht es zudem, die Erkenntnisse aus der Forschung schnell in die Industrie zu übertragen: Unternehmen erhalten sowohl eine Vorgehensweise, um ihre Prozesse schnell anzupassen, als auch Möglichkeiten, den Prozessreifegrad zu messen“, sagt Professor Jürgen Fleischer, Leiter des wbk Instituts für Produktionstechnik des KIT.

Mit ihrem neuartigen Ansatz setzte sich die Forschungsgruppe nach vorliegenden Angaben in einem harten Wettbewerb durch: Die Deutsche Forschungsgemeinschaft (DFG) fördert sie als eine von acht Gruppen in der mit 90 Millionen ausgestatteten strategischen Förderinitiative „Künstliche Intelligenz“ für vier Jahre mit 4,79 Millionen Euro. Nach einer erfolgreichen Begutachtung ist eine Verlängerung um weitere vier Jahre vorgesehen. Für das Vorhaben sollen Promotionsstellen in den Fachrichtungen Maschinenbau, Informatik, Mechatronik und Wirtschaftsingenieurwesen entstehen. Die Forschungsgruppe soll nach vorliegenden Angaben zum 1. Januar 2023 die Arbeit aufnehmen.

Unser Querverweis zum Themenkomplex:

Blogpost  >  Der gemeinsame Nenner zwischen Storage, KI und modernen IoT-Anwendungen. Der Schnittpunkt zwischen künstlicher Intelligenz und modernen Anwendungen sind die Daten; Engpässe liegen potentiell auf der Speicherebene:

"IoT oder Big Data Analytics werden die Datenkapazitäten weiter und vor allem auch immer schneller vergrößern. Für Unternehmen sind diese Daten aber nur dann wertvoll, wenn sie in einen sinnvollen betrieblichen Zusammenhang gestellt werden können. Hier setzt KI an, denn alle wesentlichen Elemente dieses Ökosystems wie auch die Bereiche Robotik, Sensorien, Speicherverwaltung, Netzwerke etc. müssen künftig dadurch unterstützt werden. Latenzen und der Durchsatz der Speichersysteme wirken sich direkt auf die Leistung eines KI-Gesamtsystems aus (balanced system). Der zentrale Datenengpass liegt dabei meist auf der Speicherebene und der Fähigkeit, höchsten Durchsatz (IOPS, GB/s) bei möglichst niedrigen Latenzzeiten zu liefern. Moderne Implementierungen von z.B. maschinellem Lernen sind stark auf GPU-basierte parallele Berechnungen angewiesen und diese wiederum benötigen einen extrem schnelle Speicher (DRAM, Persistent Memory, Flash). Storage-Systeme, die handelsübliche SSDs mit seriellen Schnittstellen (SATA, SAS) verwenden, stoßen dabei schnell an Leistungsgrenzen...."

Hier den ganzen Beitrag lesen > https://storageconsortium.de/content/content/der-gemeinsame-nenner-zwischen-storage-ki-und-modernen-iot-anwendungen

Weiterer Querverweis mit Link > Wirtschaftliche Alternativen zu Intel® Optane™ Persistent Memory SCM Technologie