Datengetriebene Prozessoptimierung

Neuentwicklung und Optimierung von Prozessen tragen dazu bei, Produktionssysteme optimal auszulasten. Dies kann durch etablierte Ansätze wie Lean-Methoden oder Six Sigma erreicht werden. Das Fraunhofer IPT hat langjährige Erfahrungen im Einsatz dieser klassischen Optimierungsmethoden und -techniken.

Die voranschreitende Verfügbarkeit von Maschinen- und Prozessdaten im Zuge der Digitalisierung bietet nun neue Möglichkeiten Produktionssysteme auf Basis dieser Daten weiter zu verbessern. Das Fraunhofer IPT nutzt diese Datengrundlage für den Einsatz von Machine Learning und Künstlicher Intelligenz zur Optimierung von Prozessen.

Herausforderungen und Lösungen bei der datengetriebenen Prozessoptimierung

Durch Machine Learning können Produktqualität, Maschinenstillstände oder Prozesszustände vorausgesagt werden, auf die dann rechtzeitig und mit den richtigen Maßnahmen reagiert werden kann. Die Interpretation der Ergebnisse obliegt Data Scientists oder Prozessexperten. Interpretationsspielräume, inhärente Unsicherheiten der Modelle oder fehlendes Wissen über die korrekten Reaktionsschritte stellen aktuelle Problemstellungen dar. Der Einsatz voll- oder teilautonomer Systeme bietet die Möglichkeit, Optimierungspotentiale in der Produktion zu schöpfen und die genannten Herausforderungen zu bewältigen. Selbst Unternehmen, denen entsprechende Fachkräfte fehlen, könnten so einzelne Prozesse oder Prozessketten mithilfe von Machine-Learning-Modellen optimieren.

Die Zukunft der Prozessoptimierung

Das Fraunhofer IPT forscht an der Umsetzung voll- und teilautonomer Systeme für das Deployment (z. Dt. Einsatz) von Machine-Learning-Modellen in der Produktion. Multi-Agent-Systeme und serviceorientierte Architekturen ermöglichen die Integration einer AutoML-Pipeline. AutoML bezieht sich auf den Prozess der Automatisierung einiger oder aller Teile der Machine-Learning Pipeline, mit dem Ziel, den Aufwand für den Anwender zu reduzieren.

Durch den Einsatz von Optimierern können Prozessparameter auf Basis von Vorhersagen der Machine-Learning-Modelle angepasst werden, um eine optimale Qualität der Endprodukte zu erreichen und Produktionssysteme vollständig autonom zu regeln. Dabei muss sichergestellt sein, dass das Ergebnis des Machine-Learning-Modells die Anlagen- und Arbeitersicherheit nicht gefährden kann. Durch eine gute Nachvollziehbarkeit der Modelle werden die Ergebnisse für Prozessexperten leichter interpretierbar. Es wird angestrebt die Modelle und Anwendungen des Machine Learning zu zertifizieren, um einen breiten industriellen Einsatz abzudecken.

Unsere Leistungen im Überblick

• Prozessoptimierung in der Produktion
• Deployment von Machine-Learning-Algorithmen in der Produktion
• Machbarkeitsstudien