Das Projekt RTI (Real-Time Intelligence) umfasst die Befähigung von Automatisierungssystemen auf Sensordaten von industriellen Prozessen mit Aktoransteuerungen auf Grundlage selbsterlernter Regeln zu reagieren, um die jeweiligen Prozesse mit einer vorgegebenen Zielsetzung zu erreichen. Die Steuerungsintelligenz darf dabei auch während des Lernens zu keinem ungewünschten Verhalten für Komponenten der Anlage oder der Produkte führen. Dies kann beispielsweise durch konservative Algorithmen, eine Anlernphase durch historische Daten oder eine rein virtuelle Anlernphase geschehen. Spezielle Ansätze aus dem Bereich des Reinforcement Learning und Online Learning stehen hierbei im Fokus.
Motivation
Die wachsende Digitalisierung führt in der Industrie zur Erfassung einer zunehmenden Menge von Aktor- und Sensordaten, die Funktionen der Steuerung und Analyse unterstützen können. Dies schafft neue Möglichkeiten in der intelligenten Automatisierung, welche allerdings mit Herausforderungen verbunden sind. Zudem wird es mit zunehmender Komplexität der Fertigungsprozesse immer schwieriger zu verstehen, wie ein Prozess von physikalischen Bedingungen beeinflusst wird. Das erschwert speziell die Optimierung der Prozessparameter mit traditionellen Methoden. Im Rahmen des Projekts soll durch die Nutzung von Methoden des Maschinellen Lernens eine sogenannte Echtzeitintelligenz befähigt werden, auf Umstände in der Umgebung zu reagieren und industrielle Prozesse somit aktiv zu beeinflussen. Komponenten der Anlage sollten durch diese Befähigung keinem erhöhten Risiko ausgesetzt werden. Vielversprechende Konzepte werden beispielhaft in Steuerungsarchitekturen der Firma Bosch Rexroth AG umgesetzt.
Kooperation
Das Projekt wurde im Kontext eines Promotionsverfahrens bei der Bosch Rexroth AG bearbeitet und durch die Fachbereiche Angewandte Informatik sowie Elektrotechnik und Informationstechnik an der HAW Fulda betreut.
Das Projekt wurde im September 2022 erfolgreich abgeschlossen.
Veröffentlichungen (Auszug)
DE BLASI, S. | Active Learning Approach for Safe Process Parameter Tuning.
In: Machine Learning, Optimization, and Data Science, S. 689-699, Springer
International Publishing 2019, ISBN: 978-3-030-37599-7,
https://doi.org/10.1007/978-3-030-37599-7_57
DE BLASI, S., ENGELS, E. | Next generation control units simplifying industrial machine learning. In Proceedings to 2020 IEEE 29th International Symposium on Industrial Electronics (ISIE), 2020
DE BLASI, S. | Machine Learning for Industrial Process Optimization.Dissertation 2022
Schutzrechtsanmeldungen
DE102019217859A1: Computerimplementiertes Verfahren und System zum Steuern einer Maschine und/oder einer Anlage
DE102020200173A1: Computerimplementiertes Verfahren und System zum Optimieren einer Prozessparametrierung
DE102021209582A1: Verfahren und Steuergerät zur automatisierten Optimierung von einstellbaren Parametern eines steuerbaren Systems zum Ausführen eines Prozesses basierend auf entsprechend eingestellten Parametern
Projektbearbeitung (abgeschlossen)
Dr. Stefano De Blasi
Betreuer
Prof. Dr. rer. nat. Alexander Gepperth
Prof. Dr.-Ing. Elmar Engels
Bildquellen: Bosch Rexroth AG
Ansprechpartner