ReLOOP - KI-basierte aktive Optimierung von bildgebenden Fertigungsprozessen

Projektbeschreibung

Methoden des Reinforcement Learnings haben vielfach gezeigt, dass sie optimale Lösungen für hochkomplexe Entscheidungsprobleme mit einer Vielzahl ausführbarer Aktionen und großen Unsicherheiten erlernen können. Gerade in der weiteren Automatisierung von Produktionsprozessen schlummert hier viel Potenzial, denn die Entwicklung adaptiver und robuster Fertigungsprozesse erfordert einen hohen manuellen Aufwand vom hochspezialisiertem Fachpersonal. Trotzdem kommt Reinforcement Learning im innovativen und produktionsorientierten deutschen Mittelstand, der besonders unter dem Fachkräftemangel leidet, bisher kaum oder gar nicht zum Einsatz. Bei genauerem Hinsehen offenbart sich nämlich ein inhärentes Dilemma: Um Fertigungsprozesse durch KI zu automatisieren, müssen realitätsnahe und frei explorierbare Prozesssimulationen unter oft hohem Aufwand von fachkundigem Personal mit tiefgreifendem Prozesswissen erstellt und ständig aktualisiert werden. Das gilt insbesondere für Prozesse, deren Aktuatorik über eine optische Überwachung gesteuert wird, wie beispielsweise bei der Ausrichtung von Objektiven bei der Kameraherstellung. Und selbst dann haben diese Simulationen eine oft zu hohe Ausführzeit, um direkt einem Reinforcement Learning Modell zur Exploration zur Verfügung gestellt zu werden. Genau hier möchten wir mit unserem Vorhaben ansetzen und Produktionsfirmen in die Lage versetzen, Modelle des Reinforcement Learning zur Prozessautomatisierung zu nutzen, ohne dabei aufwändig Simulationen zu erstellen. In diesem Forschungsvorhaben möchten wir auf vorhandene Seriendaten zurückgreifen und über generative KI-Modelle frei explorierbare Simulationen des Prozesses erlernen anstelle explizit zu konstruieren. Wir erwarten, dass erlernte Simulationen nicht nur eine deutlich geringere Ausführzeit aufzeigen, sondern auch die Produktionsvarianzen realistischer abbilden als herkömmlich erstellte Simulationen. Bei Erfolg trägt unser Vorhaben wesentlich dazu bei, dass Modelle des Reinforcement Learning robuster und schneller zur Prozessautomatisierung erstellt werden können und dabei der Aufwand von fachkundigem Personal signifikant reduziert wird.