Toolgestütztes Vorgehensmodell zur Umsetzung von Maschinellem Lernen in Produktion

Im Fraunhofer Leitprojekt “ML4P – Machine Learning for Production” haben sich sechs Fraunhofer Institute zum Ziel gesetzt, ein toolgestütztes Vorgehensmodell zum Einsatz Maschineller Lernmethoden (ML) in der Produktion zu entwickeln. Die Ergebnisse helfen industrielle Produktionsprozesse mit angepassten ML-Methoden schnell und systematisch zu optimieren.

Was bedeutet “toolgestütztes Vorgehensmodell”?

Mithilfe des toolgestützten Vorgehensmodells wurde im Projekt ML4P eine Möglichkeit entwickelt, um Maschinelle Lernmethoden zielgerichtet in der Produktion einsetzten zu können. Dabei werden die Spezifika komplexer Produktionsanlagen und -prozesse berücksichtigt. Außerdem wird der Workflow zur Erstellung von ML-Modellen im Kontext der Produktion abgebildet.

In der industriellen Praxis finden zur Umsetzung von ML-Anwendungen folgende Arbeitsschritte Anwendung. Eine individuelle Anpassung der Schritte und Abfolgen auf bestimmte Problemstellungen in der Produktion ist möglich. Eine detailliertere Beschreibung des Vorgehensmodells ist hier zu finden.

1. Erfassung von zur Verfügung stehenden Informationen, welche aus verschiedenen Datenquellen stammen können. Neben klassischen Prozessdaten können auch Informationen, die während des Anlagen-Engineerings entstehen oder Expertenwissen erfasst werden.
2. Die entwickelten Tools bieten die Möglichkeit Daten interaktiv zu analysieren und auf Basis dessen Optimierungsziele für die Produktionsanlage oder den Produktionsprozess zu formulieren.
3. Training der ML-Modelle auf Basis der Daten und Integration in die entsprechenden Verabeitungspipelines zur Optimierung in der Produktion.

Unterstützend zu jedem der Arbeitsschritte stehen generalisierte Software-Tools zur Verfügung. Die Tools basieren auf Entwicklungen der sechs an ML4P beteiligten Fraunhofer Institute:

• IFF Fraunhofer Institut für Fabrikbetrieb und -automatisierung
• IAIS Fraunhofer Institut für Intelligente Analyse- und Informationssysteme
• IOSB Fraunhofer Institut für Optronik, Systemtechnik und Bildauswertung
• ITWM Fraunhofer Institut für Techno- und Wirtschaftsmathematik
• IWM Fraunhofer Institut für Werkstoffmechanik
• IWU Fraunhofer Institut für Werkzeugmaschinen und Umformtechnik

Besonders detailliert ausgearbeitet wurden die Verarbeitungspipelines für die Anwendungsbeispiele aus den Themenfeldern der jeweiligen Institute wurden betrachtet.

Wie können die erarbeiteten Methoden aus ML4P helfen in der Produktion ML einzusetzen?

Das toolgestützte Vorgehensmodell schafft den Rahmen für die Optimierung bestehender Anlagen oder Neuanlagen. Die darin enthaltenen Schritte sind flexibel gestaltet, sodass das Vorgehen beispielsweise auf die Größe des Unternehmens oder die Komplexität der Anlage übertragbar ist. Die in der Tool-Suite enthaltenen Methoden sind ebenfalls flexibel skalierbar und können auf die zu optimierende Anlage angepasst werden. Dabei werden neben industriellen Standards zur Kommunikation und dem Datenhandling auch etablierte Software-Standards und Programmierschnittstellen verwendet. Konkret können beispielsweise Aufgaben zum Condition Monitoring von Anlagen, Predictive Maintainence, Predictive Quality oder Optimal Process Control umgesetzt werden. Die Erstellung der ML-Modelle erfolgt sowohl mit in der Tool-Suite enthaltenen Methoden als auch Methoden aus gängigen Software-Bibliotheken. Diese können anschließend in die ML4P-Verarbeitungspipelines integriert werden.

Was wurde konkret am IWU umgesetzt?

Im Rahmen des Projekts ML4P erfolgte am Fraunhofer IWU eine Optimierung einer bestehenden Demonstratoranlage zur Herstellung von pressgehärteten Bauteilen durch ML-Methoden. Dabei war die Herausforderung, bei sich ändernden Randbedingungen stets eine gute Qualität im Bauteil zu erzielen. Hierfür eignet sich der Presshärteprozess besonders aufgrund der komplexen Zusammenhänge zwischen den Prozessparametern und der finalen Bauteilqualität. Die gesamte Anlage besteht aus einem Ofen, einem Roboter, einem Linearhandling-System und der Umformpresse. Die Anlage wurde mit zusätzlicher Sensorik, wie zum Beispiel Temperatursensoren im Werkzeug, ausgestattet. Auch die Steuerung der Anlage erfuhr eine Erneuerung.

Die Zielstellung „stets eine gute Qualität im Bauteil zu erzielen“ lässt sich mit einer ML-basierten Prozesssteuerung an der Anlage umsetzen. Dafür wurde die initiale ML4P-Verarbeitungspipeline zur Erfassung und Speicherung von Daten erstell. Mithilfe der Pipeline werden Daten aus den Maschinen und den Sensoren der Anlage direkt in Datenbanken gestreamt. Gleichzeitig findet direkt auf Dashboards der Anlage eine Visualisierung der Daten statt. Die jeweiligen Komponenten für das Streaming, das Speichern und das Visualisieren der Daten entstammen aus der ML4P-Tool-Suite.

Die zum Training der ML-Modelle benötigten Daten stammen aus definierten Versuchsplänen. Zur Prognose der Bauteilqualität in Abhängigkeit der Umgebungsrandbedingungen und der eingestellten Prozessparameter wurde ein polynomielles Regressionsmodell verwendet. Vor dem Modelltraining wurde zusätzliches Expertenwissen erfasst und in den Trainingsprozess integriert. So erzielt das resultierende ML-Modell mit möglichst wenig Daten eine möglichst hohe Prognosegüte. Mithilfe einer Anpassung der Prozessparameter wird die geforderte Bauteilqualität erzielt. Die entwickelte Verarbeitungspipeline wurde abschließend für den dauerhaften Einsatz an der Demonstratoranlage in Betrieb genommen.

Bei Rückfragen steht Ihnen Herr Patick Link gerne per Mail zur Verfügung patrick.link@iwu.fraunhofer.de oder Sie verlinken sich mit ihm bei LinkedIn.