Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«
Fraunhofer-Gesellschaft | KI-Fortschrittszentrum »Lernende Systeme und Kognitive Robotik«

Potenzialanalyse Selbstlernender Rüstkonfigurator

Ausgangssituation

Die betrachtete Produktionsanlage stellt ein großes Portfolio an Produktkonfigurationen her. Teilweise ist dazu jedoch eine Umrüstung der Komponenten notwendig, welche sehr zeitaufwendig ist. Um eine Rüstkonfiguration für eine derartige Produktionsanlage zu erhalten, werden mit einer gegebenen Software aktuelle Aufträge eingelesen und daraus eine bestimmte, notwendige Mindestanzahl an Rüstungen generiert. Derzeit erfolgt eine manuelle Reduktion der Auftragsmenge, bis die verwendete Software lediglich eine Rüstung wiedergibt. Diese manuelle Reduktion basiert auf langjährigem Erfahrungswissen, was z.T. nicht in den Daten abgebildet ist.

Lösungsidee 

Ein maschinelles Lernverfahren soll eine Untermenge aus einer Auftragsmenge bilden, sodass die gegebene Software ausschließlich eine Rüstung wiedergibt. Der generelle Ansatz erfolgt über bestärkendes maschinelles Lernen. Dadurch können bessere Auftragsuntermengen entdeckt werden, als durch Mitarbeiter vorgegeben. Im Rahmen des Quick Checks erfolgt eine Überprüfung der Machbarkeit, ob Auftragsuntermengen hinsichtlich einer Minimierung notwendiger Umrüstungen gebildet werden können. Dazu wird zunächst ein überwachtes maschinelles Lernverfahren verwendet, welches die durch einen Mitarbeiter vorgegebene Rüstkonfiguration adaptiert und imitiert. In einem möglichen Folgeprojekt wird eine Erweiterung des Algorithmus auf ein bestärkendes maschinelles Lernverfahren durchgeführt.

© Tobias Heinrich Nagel, Fraunhofer IPA

Nutzen

Die Innovation liegt in der Analysemethodik, explizites und implizites Expertenwissen gegen Ansätze des Maschinellen Lernens zu bewerten. Die generische und allgemein-gültige Beschreibung des Prozesses erlaubt eine einfache Übertragung auf weitere produzierende Unternehmen, welche ebenfalls mit dem täglichen Rüstkonfigurations-problem konfrontiert sind.

Umsetzung der KI-Applikation

Zunächst erfolgt eine Generierung von Trainingsdaten, welche Auftragsmengen und die zugehörigen notwendigen Rüstkonfigurationen beinhalten. Anschließend wird damit ein künstliches neuronales Netz zur Imitation der gegebenen Bewertungssoftware trainiert, sodass dieses einfach angebunden und schnell evaluiert werden kann. Daraufhin wird ein weiteres neuronales Netz trainiert, welches eine optimale Auftragsuntermenge bildet, sodass die Bewertungsimitation möglichst wenige notwendige Umrüstungen vorschlägt. Es zeigt sich, dass das zweite neuronale Netz tatsächlich Auftragsmengen bildet, welche höchstens ein bis zwei Umrüstungen notwendig machen.