Hybrides maschinelles Lernen für eine verbesserte Prozessüberwachung in Industrie 4.0

Wie können Produktionsprozesse effektiver kontrolliert werden? Wie können notwendige Veränderungen schnellstmöglich erkannt und umgesetzt werden? Und welche Rolle kann dabei Künstliche Intelligenz spielen? Mit diesen Fragen beschäftigt sich das Projekt "Hybrides maschinelles Lernen für eine verbesserte Prozessüberwachung in Industrie 4.0", das den englischen Originaltitel "Integrating machine learning and statistical methods for improving quality modelling in Industry 4.0" trägt.

Hintergrund

Prozesse unterliegen ständigen Veränderungen, da verschiedene Ursachen und Ereignisse zu Abweichungen führen können. Die Statistische Prozesskontrolle (SPK) gilt als ein entscheidendes Instrument zur Qualitätssicherung und Produktivitätssteigerung, da sie zur Stabilisierung und Effizienzsteigerung von Prozessen beiträgt. Mit zunehmender Komplexität von Prozessen und Produkten stoßen traditionelle SPK-Methoden jedoch an ihre Grenzen. Unterschiedliche Abweichungsmuster müssen identifiziert und klassifiziert werden, während Unsicherheiten in der Fertigung überwacht, vorhergesagt und kontrolliert werden müssen.

Zielsetzung des Projekts

Ziel des Projekts ist es, durch eine Kombination aus statistischen SPK-Werkzeugen und Techniken des Maschinellen Lernens Prozessabweichungen effizient zu überwachen und beheben zu können. Das zu entwickelnde Modell wird nicht nur Aspekte der Produktion einbeziehen, sondern auch Faktoren wie Systemeffizienz, Kostenbewertung und Instandhaltungspolitiken berücksichtigen. Dies ermöglicht eine breite Anwendbarkeit in unterschiedlichen Bereichen der Fertigung und Qualitätssicherung.

Zusätzlich adressiert das Projekt regional bedeutsame Themen und Bedürfnisse der lokalen Wirtschaft. Dabei werden Nachhaltigkeitsaspekte berücksichtigt, weshalb das Projekt eng mit dem NET-Forschungsschwerpunkt verknüpft ist. Durch die Implementierung hybrider ML-Techniken zur Optimierung von Fertigungsprozessen werden spezifische Bedürfnisse der Industrie in der Harz-Region berücksichtigt, insbesondere in den Bereichen Kostensenkung, Energieeffizienz und Abfallreduktion.