Maschinelles Lernen revolutioniert die Prozesseinrichtung - Worauf warten Sie noch?

Ein Android bedient einen Touchscreen zur Produktionssteuerung

Künstliche Intelligenz und maschinelles Lernen werden laut Ansicht vieler Experten zu gravierenden Transformationsprozessen in der Industrie führen. Dies gilt v. a. für die Bereiche des autonomen Fahrens und die Robotik. Doch noch wissen viele Entscheider in den deutschen Unternehmen nicht, wie und in welchen Bereichen sie künstliche Intelligenz und maschinelles Lernen sinnvoll einsetzen sollen. Wie maschinelles Lernen zur Optimierung von Produktionsprozessen beitragen kann, zeigt beispielhaft das Whitepaper „Von der Simulation in die Maschine – Objektivierte Prozesseinrichtung durch maschinelles Lernen“.

Künstliche Intelligenz und maschinelles Lernen spielen eine zentrale Rolle auf dem Weg zu Industrie 4.0. Insbesondere werden Algorithmen, die aus „Erfahrung“ lernen, die Prozesse in der Industrie von Grund auf verändern. Noch ist auf dem Weg zum Maschinenlernen jedoch einiges an Entwicklungsarbeit zu leisten. Wissenschaftler vom Institut für Kunststoffverarbeitung an der RWTH Aachen zeigen exemplarisch in dem Whitepaper „Von der Simulation in die Maschine – Objektivierte Prozesseinrichtung durch maschinelles Lernen“, auf was es bei der Entwicklung von selbstlernenden Algorithmen für die Optimierung von Industrieprozessen ankommt.

Algorithmen auf Basis neuronaler Netze optimieren die Prozesseinrichtung

Die Prozesseinrichtung im Spritzgießen hat entscheidenden Einfluss auf die Qualität der Prozesse und Produkte. Bisher erfolgt sie meist von Hand auf Grundlage der Erfahrung des Maschinenbedieners. Das vorliegende Whitepaper beschreibt, wie mittels maschinellen Lernens die Zusammenhänge zwischen Einstellparametern und Zielgrößen modelliert und optimiert werden können. Die dafür entwickelten Algorithmen nutzen z. T. neuronalen Netzen.

Geringerer Versuchsaufwand durch numerische Simulationen - Mehr lesen im kostenlosen Whitepaper der RWTH Aachen

Voraussetzung für die erfolgreiche Optimierung ist eine ausreichende Datengrundlage. Dafür wären zahlreiche praktische Versuche notwendig. Mittels numerischer Simulation am Rechner kann der Versuchsaufwand jedoch deutlich reduziert werden. Die Wissenschaftler entwickelten eine kombinierte Lernstrategie, die sowohl auf Simulationsergebnissen als auch experimentellen Daten basiert und konnten die Machbarkeit von kombinierten ML-Modellen zur Prozesseinstellung eindeutig nachweisen. Sichern Sie sich jetzt das kostenlose Whitepaper der RWTH Aachen:

Von der Simulation in die Maschine – Objektivierte Prozesseinrichtung durch maschinelles Lernen
Von der Simulation in die Maschine – Objektivierte Prozesseinrichtung durch maschinelles Lernen

Sie erhalten im Whitepaper …

  • einen Überblick, wie maschinelles Lernen in der Industrie zur Prozessoptimierung eingesetzt werden kann.
  • einen Einblick in die theoretischen Grundlagen der Entwicklung von selbstlernende Algorithmen auf Basis neuronaler Netze.
  • eine aussagekräftiges Beispiel zur Modellierung komplexer Zusammenhänge, entwickelt von renommierten Wissenschaftlern der RWTH Aachen.

Autoren und Mitwirkende dieser Publikation

Prof. Dr.-Ing. Ch. Hopmann, Dr.-Ing. M. Theunissen, J. Heinisch, M.Sc., Institut für Kunststoffverarbeitung (IKV) an der RWTH Aachen, Aachen

Jetzt Whitepaper anfordern und sofort kostenlos als E-Mail erhalten!

Jetzt Whitepaper sofort und kostenlos per E-Mail anfordern und immer über fachliche Entwicklungen informiert bleiben.