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
14 results
Settings
Now showing 1 - 10 of 14
- PublicationMetadata only
- PublicationOpen AccessEin formales Modell für Anwendungen künstlicher Intelligenz in AutomatisierungssystemenDie Integration von Künstlicher Intelligenz (KI) in Automatisierungssysteme wird durch mangelnde Standardisierung im Bereich der Dokumentationen von KI-Anwendungen behindert. Diese Arbeit schlägt ein formales Modell vor, das auf Standards und Ontologien basiert, um eine klare und strukturierte Dokumentation von KI-Anwendungen in Automatisierungssystemen zu ermöglichen. Das vorgeschlagene Informationsmodell für Künstliche Intelligenz in Automatisierungssystemen nutzt Ontologie-Design-Patterns, um verschiedene Aspekte von Automatisierungssystemen und KI-Software abzubilden und zu verknüpfen. Evaluiert durch ein praktisches Beispiel, zeigt das Modell seine Effektivität bei der Verbesserung der Dokumentation und bei der Unterstützung der nachhaltigen Integration von KI in Automatisierungssysteme.
- PublicationMetadata onlySummary of "A lazy approach to neural numerical planning with control parameters"(Schloss Dagstuhl - Leibniz-Zentrum für Informatik GmbH, 2024-11-26)
; ; ; This is an extended abstract of the manuscript "A Lazy Approach to Neural Numerical Planning with Control Parameters". The paper presents a lazy, hierarchical approach to tackle the challenge of planning in complex numerical domains, where the effects of actions are influenced by control parameters, and may be described by neural networks. - PublicationMetadata onlyInferring sensor placement using critical pairs and satisfiability modulo theory(Schloss Dagstuhl - Leibniz-Zentrum für Informatik GmbH , 2024-11-26)
; ; ; - PublicationMetadata only
- PublicationMetadata onlyLearning process steps as dynamical systems for a sub-symbolic approach of process planning in Cyber-Physical Production SystemsApproaches in AI planning for Cyber-Physical Production Systems (CPPS) are mainly symbolic and depend on comprehensive formalizations of system domains and planning problems. Handcrafting such formalizations requires detailed knowledge of the formalization language, of the CPPS, and is overall considered difficult, tedious, and error-prone. Within this paper, we suggest a sub-symbolic approach for solving planning problems in CPPS. Our approach relies on neural networks that learn the dynamical behavior of individual process steps from global time-series observations of the CPPS and are embedded in a superordinate network architecture. In this context, we present the process step representation network architecture (peppr), a novel neural network architecture, which can learn the behavior of individual or multiple dynamical systems from global time-series observations. We evaluate peppr on real datasets from physical and biochemical CPPS, as well as artificial datasets from electrical and mathematical domains. Our model outperforms baseline models like multilayer perceptrons and variational autoencoders and can be considered as a first step towards a sub-symbolic approach for planning in CPPS.
- PublicationMetadata onlyA lazy approach to neural numerical planning with control parameters(IOS Press, 2024)
; ; ; In this paper, we tackle the problem of planning in complex numerical domains, where actions are indexed by control parameters, and their effects may be described by neural networks. We propose a lazy, hierarchical approach based on two ingredients. First, a Satisfiability Modulo Theory solver looks for an abstract plan where the neural networks in the model are abstracted into uninterpreted functions. Then, we attempt to concretize the abstract plan by querying the neural network to determine the control parameters. If the concretization fails and no valid control parameters could be found, suitable information to refine the abstraction is lifted to the Satisfiability Modulo Theory model. We contrast our work against the state of the art in NN-enriched numerical planning, where the neural network is eagerly and exactly represented as terms in Satisfiability Modulo Theories over nonlinear real arithmetic. Our systematic evaluation on four different planning domains shows that avoiding symbolic reasoning about the neural network not only leads to substantial efficiency improvements, but also enables their integration as black-box models. - PublicationMetadata onlyTransformation eines Fähigkeitsmodells in einen PDDL-Planungsansatz(De Gruyter, 2023-02-08)
; ; ; Automated planning approaches provide robust and efficient methods to automatically find plans for a given problem and a set of possible actions. However, due to the rather high effort required to create planning models, these approaches cannot be used for adaptable manufacturing plants. In this contribution, we present a method to automatically generate a planning problem in the form of PDDL from an existing capability model. This method eliminates the additional effort required to model a planning problem, making planning approaches usable for adaptable manufacturing plants. - PublicationOpen AccessBeschreibungsmittel für die modellbasierte KI-Entwicklung in Automatisierungssystemen(Universitätsbibliothek der HSU/UniBw H, 2022-12-28)
; ; ; - PublicationOpen AccessAnforderungen an eine Engineering-Plattform für die KI-basierte Automation(Universitätsbibliothek der HSU/UniBw H, 2022-12-28)
; ; ; ;
