idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
inIT macht KI-Anwendungen für die Industrie robust und leistungsfähig
Worum geht es in dem Projekt ML4Pro2?
In einem Konsortium, das ganz Ostwestfalen-Lippe umspannt, werden aktuell maschinelle Lernmethoden für den Einsatz in industriellen Produktionsanlagen auf Herz und Nieren geprüft. Ziel des Projektes ist es, eine interaktive Toolbox mit industrietauglichen KI- und Lernalgorithmen zusammenzustellen und damit auch kleinen und mittleren produzierenden Unternehmen den Einsatz von KI zu ermöglichen. Das Institut für industrielle Informationstechnik (inIT) forscht dabei 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 u.a. die Lenze SE, 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 z.B. 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 z.B. 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.
Christoph-Alexander Holst präsentiert die bisherigen Ergebnisse per Videokonferenz
None
Merkmale dieser Pressemitteilung:
Journalisten, Wirtschaftsvertreter, Wissenschaftler
Informationstechnik
überregional
Forschungs- / Wissenstransfer, Forschungsprojekte
Deutsch
Christoph-Alexander Holst präsentiert die bisherigen Ergebnisse per Videokonferenz
None
Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.
Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).
Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.
Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).
Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).
