Praxisbericht: Machine Learning in der Fertigungstechnik

Am Werkzeugmaschinenlabor (WZL) der RWTH Aachen wird am Beispiel einer Feinschneidanlage mit einem Datenstrom von bis zu 10 Gbit/s erforscht, wie mit Machine-Learning-Algorithmen und Künstlicher Intelligenz implizites Prozesswissen sichtbar und unbekannte Prozessmuster identifiziert werden können.

Das ist deshalb besonders herausfordernd, da das Feinschneiden ein nichtlinearer mehrdimensionaler Prozess mit bis zu 1004 Datenströmen ist, der durch statistische Analysen nicht vollständig beschreibbar ist. Ziel ist es, künstliche Entscheidungsvorschläge zur Prozessführung zu entwickeln.

Gegenstand des Vortrags sind der implementierte Data Lake, eine Edge-Computing-Architektur, die gewählten Frameworks sowie der aktuelle Stand an Algorithmen zum Cognitive Computing visueller und akustischer Maschinensignale.

Vorkenntnisse

Interesse an der künstlichen Entscheidungsfindung in cyber-physikalischen Systemen. Darüber hinaus werden keine Vorkenntnisse benötigt. Die Grundlagen aus dem Bereich der Ingenieurswissenschaften werden kurzerhand leichtverständlich mitkommuniziert.

Lernziele

* Aufzeigen der Herausforderungen beim Digitalisieren und Vernetzen von large-scale cyber-physischen Systemen.
* Sensibilisieren für das Spannungsfeld aus physikalisch-basierten Modellen (aus der Ingenieurwissenschaft) und datengetriebenen Modellen (aus der Informatik) und wie diese gemeinsam durch Machine Learning verwendet werden könnten.
* Erläutern der „ersten Schritte“ für die Implementierung eines Data Lake und entsprechenden Software-Stacks in einer Produktion zur Implementierung von Data Mining- und Machine-Learning-Algorithmen.
* Vorstellen von Ansätzen, wie durch Machine Learning Entscheidungen zur Prozessführung verbessert werden können.
* Teilen der Lessons Learned.