Fraunhofer-Institut für Werkstoffmechanik IWMIm Projekt ML4P wurde eine Toolsuite entwickelt, die den gesamten ML-Lebenszyklus – von der Datenerfassung bis zum robusten Betrieb – abdeckt. Demonstriert an realen Anlagen wie einer Glasbiegeanlage, einer Presshärtelinie und einer Membranfilterproduktion wurde gezeigt, wie Produktionsprozesse durch KI optimiert werden.
Leitprojekt »ML4P – Machine Learning for Production«
Abgeschlossenes Forschungsprojekt
Projektbeschreibung
Marktbedarf und Herausforderungen
Produktionsanlagen bergen erhebliche Optimierungspotenziale, die mit Methoden des Maschinellen Lernens (ML) erschlossen werden können. In der Praxis scheitert der Einsatz jedoch häufig an fehlenden Standards, mangelnder Werkzeugunterstützung und der Komplexität industrieller Prozesse. Daten liegen oft fragmentiert vor, Expertenwissen ist nicht maschinenlesbar, und der Weg vom Proof-of-Concept zum robusten Produktivbetrieb bleibt für viele Unternehmen eine unüberwindbare Hürde.
Lösungsansatz des Projekts
ML4P entwickelte ein toolgestütztes Vorgehensmodell, das ML-Projekte in der Produktion in sechs klar strukturierte Phasen gliedert – von der Zielsetzung bis zum dauerhaften Betrieb. Flankiert wird das Modell durch die ML4P-Toolsuite: eine serviceorientierte Softwarearchitektur mit modularen Komponenten für Datenerfassung, interaktive Analyse, Modelltraining und ML-Deployment. Drei industrienahe Demonstratoren – Wasserfilterproduktion, Glasbiegeprozess und Presshärten – validierten die Ergebnisse unter realen Bedingungen.
Beitrag zur Bewältigung der Herausforderungen
Die ML4P-Toolsuite befindet sich im Produktiveinsatz bei der Firma SUEZ in Bitterfeld. An der Glasbiegeanlage des Fraunhofer IWM konnte die geometrische Genauigkeit von ±2 mm auf ±0,5 mm verbessert werden. Am Presshärte-Demonstrator des Fraunhofer IWU ermöglicht eine ML-basierte Prozesssteuerung die Echtzeit-Anpassung von Prozessparametern.
Die Arbeitspakete des Fraunhofer IWM:
Digitalisierung und Sensoraufrüstung der Glasbiegeanlage
Das Fraunhofer IWM rüstete die bestehende Laser-Glasbiegeanlage mit zusätzlicher Sensorik (Thermoelemente, Thermokamera) auf, erweiterte die SPS-Schnittstellen und etablierte eine lokale Zeitreihendatenbank. Ergebnis ist eine vollständig digitalisierte, ML-fähige Bestandsanlage als Blaupause für die Nachrüstung industrieller Anlagen.
Für die Glasbiegeanlage wurden ein vollständiges Informationsmodell sowie eine digitale Prozessakte erstellt.
Auf Basis von Prozess- und Simulationsdaten wurden ML-Modelle (Markov Random Fields, Gaußprozesse) entwickelt und über die ML4P-Pipeline in die Anlage integriert. Ergebnis ist ein System, das dem Bediener optimale Laserprogramme mit einer geometrischen Genauigkeit von ±0,5 mm statt ±2 mm in Abhängigkeit der aktuellen Ofentemperatur vorschlägt.
Auf der Grundlage der Projektergebnisse kann das Fraunhofer IWM Industrieunternehmen folgende Forschungs- und Entwicklungsleistungen anbieten:
1. ML-Readiness-Analyse und Sensoraufrüstung von Bestandsanlagen
Industrieunternehmen erhalten einen Fahrplan zur Digitalisierung ihrer Anlagen, ohne kostspielige Neuanschaffungen und mit klarem Fokus auf die für ML relevanten Datenquellen. Dazu analysiert das Fraunhofer IWM bestehende Produktionsanlagen hinsichtlich ihrer Eignung für den ML-Einsatz und erarbeitet ein maßgeschneidertes Konzept zur Nachrüstung mit geeigneter Sensorik sowie zur Anbindung an digitale Dateninfrastrukturen.
2. Erstellung von Informationsmodellen und digitalen Prozessakten
Das Fraunhofer IWM entwickelt strukturierte, maschinenlesbare Informationsmodelle für Produktionsanlagen und -prozesse. Diese bilden die Grundlage für eine durchgängige Datennutzung entlang des ML-Lebenszyklus. Unternehmen profitieren von einer zentralen, stets aktuellen Wissensbasis, die für ML-Projekte als auch für Instandhaltung und Engineering nutzbar ist.
3. Entwicklung und Integration von ML-Modellen für inkrementelle Formgebungsprozesse
Auf Basis von Prozess- und Simulationsdaten entwickelt das Fraunhofer IWM dateneffiziente ML-Modelle (z. B. Gaußprozesse) für komplexe Formgebungsprozesse wie Glasbiegen, Umformen oder additive Fertigung.
4. Integration von Expertenwissen in ML-Modelle (Grey-Box-Ansatz)
Unternehmen erhalten robustere, physikalisch konsistente Modelle, die auch bei dünner Datenlage – typisch vor dem Start-of-Production – zuverlässige Qualitätsprognosen liefern. Das Fraunhofer IWM wendet dazu Methoden zur systematischen Einbindung von physikalischem und prozesstechnischem Expertenwissen in ML-Modelle an.
5. Aufbau ML-basierter Prozessüberwachung und -steuerung
Das Fraunhofer IWM konzipiert und implementiert vollständige ML-Pipelines für die Echtzeit-Prozessüberwachung und adaptive Prozesssteuerung – von der Datenerfassung über das Modell-Deployment bis zur Rückschreibung optimierter Parameter in die Anlagensteuerung. Industrieunternehmen können damit auf Prozessschwankungen in Echtzeit reagieren, Ausschuss reduzieren und Qualitätsziele auch unter variierenden Bedingungen zuverlässig einhalten.
