Das Institut für industrielle Informationstechnik (inIT) forscht im Rahmen des Technologienetzwerkes it’s OWL zusammen mit dem Institut für Energieforschung (iFE) der TH OWL, den Fraunhofer Instituten IOSB-INA und IEM, der Universität Bielefeld und der Fachhochschule Bielefeld an der Transferierbarkeit von maschinellem Lernen.
Industriepartner, wie unter anderem Lenze, Weidmüller und die Hanning Elektro-Werke liefern konkrete Anwendungsfälle aus ihren Produktionswerken. Diese reichen von der Qualitätsprüfung in der Motorenherstellung, über die Prozessoptimierung in Stanzanlagen bis hin zur Komponentenüberwachung in Galvanikanlagen.
Was ist die Herausforderung?
Algorithmen des maschinellen Lernens sind nicht einfach eins-zu-eins auf industrielle Produktionsprozesse umsetzbar. KI-Algorithmen lernen auf sogenannten Trainingsdaten. Während aber im alltäglichen Anwendungsfeld Trainingsdaten, wie zum Beispiel Bilder von Hunden, Katzen oder Straßenschildern, zuhauf vorhanden sind, sind diese aber von Maschinen häufig nur begrenzt erzeugbar. Schließlich fährt niemand seine Anlage in kritische Zustände, nur um Daten zu erzeugen.
Darüber hinaus sind Daten in maschinellen Anlagen häufig wenig aussagekräftig oder nur schwer zu interpretieren. In Produktionsanlagen herrschen, auch für Messprozesse, widrige Umstände. Durch zum Beispiel Vibrationen, Temperaturschwankungen oder ätzende Flüssigkeiten wird die Sensorik so beeinflusst, dass sie verzerrte, verzögerte oder teilweise gar keine Daten liefert. Dies sind Umstände, mit denen sich klassische Maschinelle-Lern-Algorithmen schwertun.
Was macht das inIT?
Um diesen Unsicherheiten in maschinellen Daten entgegenzuwirken, werden am inIT Methoden entwickelt, die die Stärken von maschinellem Lernen und der Informationsfusion kombinieren. So werden einerseits komplexe Konzepte anhand von Trainingsdaten gelernt, andererseits bewirkt die Fusion, dass Sensoraussetzer und verzerrte Daten keine Auswirkungen auf die eigentliche Anwendung haben.
Dafür wird ausgenutzt, dass durch Multisensoren aufgenommene Maschinendaten nahezu immer teilredundant sind, also häufig dieselben Informationen in einem anderen Gewand liefern. Solche Teilredundanzen beeinträchtigen normalerweise Lernalgorithmen negativ. Durch die Informationsfusion nutzt das inIT aber genau diese Eigenschaft, um KI-Anwendungen für die Industrie robuster und performanter zu machen.
