Machine Learning for Production - ML4P

Im Leitprojekt ML4P forschen sechs Fraunhofer-Institute an der Entwicklung eines toolgestützten Vorgehensmodells sowie an der Realisierung entsprechender interoperabler Software-Tools, um systematisch das Optimierungspotential in produktionstechnischen Anlagen durch den Einsatz von Methoden des maschinellen Lernens zu erschließen.

Mit Methoden des Maschinellen Lernens (ML) lassen sich datengestützt unbekannte Zusammenhänge lernen, Prozesse modellieren sowie adaptive Mechanismen realisieren, die Produktionsanlagen flexibel und schnell wandelbar machen. Im Gegensatz zu jenen Anwendungsdomänen des Maschinellen Lernens, in denen gigantische Datenmengen vorliegen (Bildverarbeitung, Spracherkennung, soziale Medien usw.), sind im industriellen Kontext »nur viele Daten« gepaart mit detailliertem Expertenwissen vorhanden. Bei einer konsequenten Anlagenoptimierung muss beides genutzt werden; alle verfügbaren Daten und das gesamte Expertenwissen. Dabei sind nicht nur das derzeitige Trendthema Deep Learning, sondern darüber hinaus eine große Vielfalt weiterer speziell angepasster ML-Methoden interessant, die auch mit weniger Daten unter gleichzeitiger Nutzung von Vorwissen gut umgehen können.

Maschinelles Lernen im produktionstechnischen Umfeld

Ausgehend von den umfangreichen Erfahrungen in verschiedenen Fraunhofer-Instituten zeigt sich sowohl in der Prozess- als auch in der stückgutproduzierenden Industrie ein großer einschlägiger Bedarf, der sich oft mit fehlendem ML-Know-how beim Anwender paart. Dementsprechend stellt sich das Fraunhofer-Leitprojekt ML4P die Aufgabe, speziell die Fragestellungen bei der Anwendung von ML-Methoden im produktionstechnischen Umfeld zu adressieren und industrietaugliche Tools für den effizienten Einsatz von ML-Methoden zu entwickeln. 

Toolgestütztes Vorgehensmodell

Forschungsziele des Fraunhofer-Leitprojekts sind

  • Entwicklung eines toolgestützten Vorgehensmodells
  • Realisierung eines Software-Tools, mit dem der Ist-Zustand erfasst und analysiert wird, um mögliche Optimierungspotentiale aufzuzeigen
  • Ableitung und Auswahl geeigneter Verfahren des Maschinellen Lernens in der Produktion

Eckdaten zum Projekt

Laufzeit 
2018 - 2022

Koordination
Fraunhofer IOSB

Projektpartner

  • Fraunhofer IFF
  • Fraunhofer IAIS
  • Fraunhofer ITWM
  • Fraunhofer IWM
  • Fraunhofer IWU