Der globale Trend zur Digitalisierung und Automatisierung der Fertigungsprozesse und der Betriebsüberwachung in der Industrie führt dazu, dass die Abläufe durch den Einsatz von Analyse- und Überwachungstools effizienter gestaltet und optimiert werden können. Während die Serienproduktion große Mengen an Daten generiert, die das Trainieren der KI-Modelle erleichtern, zeichnet sich die Herstellung von kundenspezifischen Maschinen und Anlagen durch kleine Produktmengen, lange Fertigungsdauer, hohen manuellen Arbeitsaufwand und entsprechend niedrige Automatisierbarkeit der Prozesse aus. Die kleinen Losgrößen führen dazu, dass nur wenige Daten zur Verfügung stehen, sodass die etablierten Machine Learning-Ansätze nicht übertragbar sind.
Im Rahmen des von der Bayerischen Forschungsstiftung (BFS) gesponserten Projekts KI-BAYOPT wird ein KI-basiertes Vorhersagemodell zur Analyse und Entscheidungsunterstützung für Betriebsüberwachung unter Berücksichtigung der Produktions- und Fertigungsprozesse bei kleinen Losgrößen entwickelt. Das Predictive-Analytics-Modell soll am Beispiel der Herstellung und der Performance von Helium-Transportcontainern die Verfahrensführung verbessern, indem es die Echtzeit-Messwerte mit Expertenwissen, historischen Daten und Simulationsmodellen nutzt, um Aussagen zur Prozessstabilität zu treffen und die Handlungsempfehlungen für die Mitarbeiter abzuleiten.
Der Lehrstuhl bedankt sich herzlich bei der Bayerischen Forschungsstiftung für die finanzielle Unterstützung.
