Engineering für die KI-basierte Automation in virtuellen und realen Produktionsumgebungen
Description
Engineering für die KI-basierte Automation in virtuellen und realen Produktionsumgebungen
Sowohl Endkunden als auch Industrie benötigen in immer kürzeren Abständen neue Produkte und Produktvarianten. Die Hersteller sehen sich nicht nur solchen Time-to-Market-Anforderungen gegen-über, sondern stehen auch unter ständigem Druck, die Produktivität zu steigern, Ressourcen zu sparen und Kosten zu senken. All dies hat zu einem starken Bedarf an neuen adaptiven und veränderbaren Anlagen und insbesondere an entsprechenden Automatisierungslösungen geführt. Gerade das Engineering, also das Anpassen der Automationslösung durch Experten, hat sich als Engpass erwiesen, daher müssen Engineering-Umgebungen für Automatisierungslösungen neu erfunden werden.
Künstliche Intelligenz (KI) ist ein Schlüssel zur Bewältigung dieser Herausforderungen. Aktuell bringen KI und vor allem Maschinelles Lernen (ML) ganz neue Automationsansätze hervor, vor allem für adaptive, d.h. veränderliche Systeme (z.B. für neue Produktvarianten). Diese KI-Ansätze erlauben es automatisch die Produktionsabfolge, d.h. die Automationstrategie, zu erstellen bzw. an neue Anforderungen anzupassen — anstelle der bisherigen aufwändigen manuellen Arbeiten. Andere KI-Komponenten wie Predictive Maintenance oder Energieananalysen nutzen maschinelles Lernen, um Anlagen zu überwachen.
Während solche Ansätze zur adaptiven Produktion seit Jahren in der europäischen Agenda gefordert werden, wurden bisher nur einige einzelne Aspekte wie Anlagenmodularisierung, Software und mechatronische Komponenten oder Parameteroptimierung untersucht. Für das Kernproblem wurde bisher keine allgemeine Lösung entwickelt. Dies ist hauptsächlich auf das Problem der fehlenden Engineeringmethoden zurückzuführen:
Aus Sicht der Anwender sind gerade die Engineeringansätze für solche adaptiven Systeme eine Kernherausforderung: Zum einen geht es darum, schneller auf neue Anforderungen als bisher reagieren zu können. Zum anderen werden auch ML und KI Algorithmen auf Dauer als SW-Komponenten verfügbar sein. Solche SW-Komponenten müssen aber in einer Engineering-Umgebung durch Integratoren und Maschinenbauer (d.h. durch Personen nicht aus dem KI-Bereich) zu Gesamtlösungen zusammengefügt werden. D.h. Kernproblem ist nicht die algorithmische Erstellung solcher KI/ML-Komponenten sondern die Engineering-Umgebung. Entsprechende Engineering-Ansätze existieren heute nicht. Als Lösung wird in diesem Projekt ein neuer offener Engineering-Ansatz mit offenen Schnittstellen entwickelt, welcher die Integration von ML- und KI-SW-Komponenten in das Engineering ermöglicht. Eine Kernidee sind Assistenzfunktionen, um Anlagenbetreibern bei der schnellen Erstellung neuer Automationslösungen zu unterstützen.
Sowohl Endkunden als auch Industrie benötigen in immer kürzeren Abständen neue Produkte und Produktvarianten. Die Hersteller sehen sich nicht nur solchen Time-to-Market-Anforderungen gegen-über, sondern stehen auch unter ständigem Druck, die Produktivität zu steigern, Ressourcen zu sparen und Kosten zu senken. All dies hat zu einem starken Bedarf an neuen adaptiven und veränderbaren Anlagen und insbesondere an entsprechenden Automatisierungslösungen geführt. Gerade das Engineering, also das Anpassen der Automationslösung durch Experten, hat sich als Engpass erwiesen, daher müssen Engineering-Umgebungen für Automatisierungslösungen neu erfunden werden.
Künstliche Intelligenz (KI) ist ein Schlüssel zur Bewältigung dieser Herausforderungen. Aktuell bringen KI und vor allem Maschinelles Lernen (ML) ganz neue Automationsansätze hervor, vor allem für adaptive, d.h. veränderliche Systeme (z.B. für neue Produktvarianten). Diese KI-Ansätze erlauben es automatisch die Produktionsabfolge, d.h. die Automationstrategie, zu erstellen bzw. an neue Anforderungen anzupassen — anstelle der bisherigen aufwändigen manuellen Arbeiten. Andere KI-Komponenten wie Predictive Maintenance oder Energieananalysen nutzen maschinelles Lernen, um Anlagen zu überwachen.
Während solche Ansätze zur adaptiven Produktion seit Jahren in der europäischen Agenda gefordert werden, wurden bisher nur einige einzelne Aspekte wie Anlagenmodularisierung, Software und mechatronische Komponenten oder Parameteroptimierung untersucht. Für das Kernproblem wurde bisher keine allgemeine Lösung entwickelt. Dies ist hauptsächlich auf das Problem der fehlenden Engineeringmethoden zurückzuführen:
Aus Sicht der Anwender sind gerade die Engineeringansätze für solche adaptiven Systeme eine Kernherausforderung: Zum einen geht es darum, schneller auf neue Anforderungen als bisher reagieren zu können. Zum anderen werden auch ML und KI Algorithmen auf Dauer als SW-Komponenten verfügbar sein. Solche SW-Komponenten müssen aber in einer Engineering-Umgebung durch Integratoren und Maschinenbauer (d.h. durch Personen nicht aus dem KI-Bereich) zu Gesamtlösungen zusammengefügt werden. D.h. Kernproblem ist nicht die algorithmische Erstellung solcher KI/ML-Komponenten sondern die Engineering-Umgebung. Entsprechende Engineering-Ansätze existieren heute nicht. Als Lösung wird in diesem Projekt ein neuer offener Engineering-Ansatz mit offenen Schnittstellen entwickelt, welcher die Integration von ML- und KI-SW-Komponenten in das Engineering ermöglicht. Eine Kernidee sind Assistenzfunktionen, um Anlagenbetreibern bei der schnellen Erstellung neuer Automationslösungen zu unterstützen.
Project Title
Engineering für die KI-basierte Automation in virtuellen und realen Produktionsumgebungen
Acronym
EKI
Project Web Site
Status
ongoing
Start Date
September 1, 2020
End Date
August 31, 2024
5 results
Settings
Now showing 1 - 5 of 5
- PublicationOpen Access
- PublicationOpen AccessInvestigating the use of AI planning methods in real-world CPS use cases(UB HSU, 2022)
; ; ; - PublicationOpen Access
- PublicationOpen AccessAnforderungen an eine Engineering-Plattform für die KI-basierte Automation(UB HSU, 2022)
; ; ; ; - PublicationMetadata onlyA research agenda for AI planning in the field of flexible production systems(IEEE, 2021-12-31)
; ; ; ; Manufacturing companies face challenges when it comes to quickly adapting their production control to fluctuating demands or changing requirements. Control approaches that encapsulate production functions as services have shown to be promising in order to increase the flexibility of Cyber-Physical Production Systems. But an existing challenge of such approaches is finding a production plan based on provided functionalities for a demanded product, especially when there is no direct (i.e., syntactic) match between demanded and provided functions. While there is a variety of approaches to production planning, flexible production poses specific requirements that are not covered by existing research. In this contribution, we first capture these requirements for flexible production environments. Afterwards, an overview of current Artificial Intelligence approaches that can be utilized in order to overcome the aforementioned challenges is given. For this purpose, we focus on planning algorithms, but also consider models of production systems that can act as inputs to these algorithms. Approaches from both symbolic AI planning as well as approaches based on Machine Learning are discussed and eventually compared against the requirements. Based on this comparison, a research agenda is derived.
