ML und AI
Machine Learning (ML) und Artificial Intelligence (AI) sind große Hypes dieser Zeit, getrieben durch die wachsenden Möglichkeiten der Informationstechnologie. Die Anwendung von ML im Umfeld von Big Data erlaubt die Erstellung von Prognosen. Bei der Steuerung von Materialflusssystemen gehören AI bzw. KI (Künstliche Intelligenz) schon bald zum Standard. Werden auf AI und ML basierende Optimierungsverfahren entwickelt und eingesetzt, lässt sich künftig eine wirklich optimale Auslegung und Planung von Systemen erreichen.
Sehr interessant für die Produktion und Logistik wird der Teilbereich Reinforcement Learning werden. Seit Google mit AlphaGO gezeigt hat, dass mit Reinforcement Learning die Großmeister im Go besiegt werden können, erfährt dieses Teilgebiet des ML großen Aufwind.
Bei den klassischen Denkspielen wie Schach, Go und beim Computer-Strategiespiel ‚StarCraft‘ haben menschlichen Profi-Spieler schon lange keine Chance mehr gegen einen virtuellen Gegner, der mittels Reinforcement Learning trainiert wurde. Der letzte Erfolg ist eine AI, die den 3D-Shooter ‚Quake 3‘ auf ‚übermenschlichem‘ Niveau spielt.
In der Produktion und Logistik könnte das Reinforcement Learning zur Planung und Steuerung von Fertigungsabläufen einsetzen werden. Ein Reinforcement Learning Verfahren kann auch ohne Expertenwissen und ohne hohe Investitionen genutzt werden, um die Abläufe innerhalb einer Fertigung effizient zu gestalten und den Fertigungsplaner zu entlasten – entlasten, nicht ersetzen!
Das Training – also das Lernen – des Verfahrens könnte über ein Simulationsmodell, das den realen Produktions- bzw. Logistik-Bereich wiederspiegelt, erfolgen. Da Simulationen schneller als Echtzeit laufen, muss nicht gewartet werden bis langsam – über Jahre – das Wissen aufgebaut wird. Das Wissen steht innerhalb kurzer Zeit zum Training der ML-Verfahren zur Verfügung. Diese Verfahren lernen dann über die Zeit mit den Real-Daten weiter.
Das klassische ML wird heute schon umfassend in der Qualitätskontrolle verwendet. Anhand von gemessenen Produkt- und Umgebungsvariablen kann damit schon vor Fertigstellung des Produktes die Qualität des Endproduktes prognostiziert werden. Mit dieser Information können dann Prozessparameter frühzeitig geändert werden, um so die Qualität zu maximieren.
Sehr häufig wird dabei die Bilderkennung eingesetzt, um Qualitätsmängel zu erkennen, und das Produkt in Qualitätsklassen einzuteilen.
Auch in Maschinen wird ML bereits zur vorausschauenden Wartung eingesetzt. Im Rahmen von Industrie 4.0 wird dies unter dem Namen ‚Predictive oder Preventive Maintenance‘ geführt. ‚Predictive Maintenance‘ verfolgt einen vorausschauenden Ansatz und wartet Maschinen und Anlagen proaktiv, um Ausfallzeiten niedrig zu halten. Das Verfahren nutzt hierfür Messwerte, die von Sensoren innerhalb der Maschine erfasst werden. Implementiert werden diese Verfahren in den Steuerung der Maschinen und Anlagen, ohne dass zusätzliche Soft- und Hardware erforderlich ist.
Ziel ist es, Störungen vorherzusagen, bevor es zu Auswirkungen oder Ausfällen kommt. Durch die frühzeitig proaktiv eingeleiteten Wartungsmaßnahmen wird versucht, das tatsächliche Eintreten der Störung zu verhindern und somit eine unterbrechungsfreie Produktion zu ermöglichen.
Stefan Pfaff
Geschäftsführer
PPI – Informatik
Dr. Prautsch & Partner