Ein Software-Framework zur Analyse des zeitlichen Verhaltens von Produktions- und Logistikprozessen
Die Anwendung von Künstlicher Intelligenz ist derzeit ein wesentlicher Innovationstreiber für Produktions- und Logistikprozesse. Es existieren dementsprechend viele Methoden, die zur Analyse der Prozessdaten verwendet werden können. In der Praxis scheitern diese Projekte jedoch häufig, weil eine elementare Information in Produktions- und Logistikprozessen – die Zeit – nicht genutzt wird.
Gerade das Zeitverhalten spiegelt jedoch viele Effekte und Wechselwirkungen wider und steht oft ohne den Einsatz zusätzlicher Sensoren zur Verfügung. Warum wird also dieser kostenlos verfügbare, unsichtbare Sensor Zeit im Rahmen von Optimierungen so wenig genutzt?
Hauptgrund ist, dass Zeitdauern nur zwischen zwei Ereignissen gemessen werden können – und in solchen Systemen sind diese Ereignisse im Allgemeinen nicht definiert. Zwar existieren messbare Ereignisse (z.B. Steuerungssignale oder Zustandsänderungen diskreter Sensoren), aber meist sind gerade die optimierungsrelevanten Ereignisse durch komplexe Muster in kontinuierlichen, untereinander abhängigen und hochdimensionalen Sensorwertverläufen verborgen. Sie sind daher unbekannt und nicht explizit für Optimierungsalgorithmen nutzbar.
Das Projekt Time4CPS zielt daher auf die Entwicklung einer Methodik und einer SW-Plattform, die aus typischen Logistik- und Produktionsdaten relevante Ereignisse automatisch diskretisiert. Diese können anschließend zur Systemüberwachung und Optimierung genutzt werden.
Forschungsfragen im Rahmen des Projekts:
FF1: Diskretisierung und Ereignisgenerierung
Wie können diskrete Ereignisse aus den Sensordatenverläufen extrahiert werden? Die Daten können hierbei sowohl wertkontinuierlich als auch wertdiskret sein. Das Lernmodell muss somit in der Lage sein, diese hybriden Daten gemeinsam zu nutzen und relevante und diskrete Ereignisse aus ihnen zu extrahieren.
FF2: Integration von Vorwissen
Die Nutzung von Vorwissen ist dem Lernen aus den Prozessdaten in der Regel überlegen. Durch die Verwendung von Vorwissen lässt sich die Menge der benötigten Daten reduzieren, sowie die Qualität der Ergebnisse verbessern. Es ist also zu identifizieren, welches Vorwissen das Lernen unterstützen kann und welches Vorwissen die Ereignisgenerierung verbessert.
FF3: Semantische Annotation
Die gelernten (oder übernommenen) Ereignisse müssen in einer einheitlichen Datenhaltung vorliegen und semantisch annotiert sein. Diese Informationen müssen in Form von Ontologiemodellen definiert werden.
FF4: Optimierung des Prozessablaufs
Die Optimierung basiert in diesem Projekt auf manuellen Eingriffen des Experten. Hierzu braucht es eine entsprechende Oberfläche zur Darstellung der generierten Ereignisse und des relevanten Kontexts. Hierzu soll ein Konzept erarbeitet werden, das die optimale Einbindung des Benutzers darstellt.
Seitens der HSU wird das Projekt bearbeitet durch M.Sc. Tom Westermann
Laufzeit: 01.07.2020 – 30.06.2022
Projektpartner
Recogizer Analytics GmbH
ISI Automation GmbH & Co. KG
Hendricks Automotive Group GmbH
GTP Schäfer Gießtechnische Produkte GmbH
Helmut-Schmidt-Universität / Universität der Bundeswehr Hamburg
Fraunhofer IOSB-INA
Das Projekt Time4CPS wird unter dem Förderkennzeichen 01IS20002E im Förderprogramm KI in der Praxis vom Bundesministerium für Bildung und Forschung (BMBF) gefördert.
Letzte Änderung: 20. November 2023