Wenn sich heutzutage in einer Produktionsanlage etwas verzögert – eine Maschine fällt aus, eine Anlage muss auf ein neues Produkt eingestellt werden –, dann kostet dass Zeit, Geld und Ressourcen. Im schlimmsten Fall stehen die Bänder still. Damit das in Zukunft nicht passiert, befassen sich Forscherinnen und Forscher an der Universität Augsburg im Rahmen des KI-Produktionsnetzwerks mit der Frage: Könnten Produktionsanlagen sich selbst „heilen“ beziehungsweise an Änderungen anpassen?

Selbstorganisierende Prozessroutenplanung

Eingebettet ist die Frage in die Forschung des Bereichs „Selbstorganisierende Prozessroutenplanung“ des KI-Produktionsnetzwerks an der Universität Augsburg. „In ihm wird in den kommenden Jahren untersucht, wie Produktionsprozesse

mit KI flexibilisiert und Prozessrouten selbstständig von Maschinen geplant werden können“, führt Prof. Dr. Wolfgang Reif, Leiter des Instituts für Software & Systems Engineering (ISSE) an der Universität Augsburg, aus.

Von Robotern und Ameisenhaufen

Einen aktuellen Forschungserfolg erzielte Victor Gerling, Wissenschaftlicher Mitarbeiter am ISSE. Als Ausgangslage betrachtete Gerling ein Produktionsszenario, bei dem autonom fahrende Transporter Werkstücke von einer Maschine zur nächsten transportieren. Jeder Transporter hat seine eigene Aufgabe und weiß über die der anderen nicht Bescheid. „Vergleichbar ist das mit einem Ameisenhaufen, bei dem jede Ameise eine ganz konkrete Aufgabe erfüllt, isoliert vom Rest des Ameisenstaats und nur im Austausch mit dem direkten Nachbarn, und sich das Kollektiv trotzdem gut organisiert“, meint der Nachwuchs-Forscher. Das Problem ist nun, wie man mittels KI dafür sorgt, dass aus einer ziellos umherirrenden Roboter-Schar der sinnbildliche Ameisenhaufen – also eine funktionierende Produktionskette – entsteht.

Einen Roboter trainieren

Die Herausforderung, der sich die Forschenden und auch Victor Gerling stellen: Wie kann man unter Einsatz von Reinforcement Learning (dt.: bestärkendes Lernen) und Tests herausfinden, wie sich Roboter in solch einem Szenario grundsätzlich verhalten und welche Variante dieses Typs maschinellen Lernens sich am besten für das „Training“ eignet? Die Antwort wird – noch – in Simulationen gesucht: „Wir sagen virtuellen Robotern in einer virtuellen Produktion, dass sie eine gewisse Anzahl an Produkten fertigen sollen. Wie sie das machen, ist ihnen überlassen – allerdings müssen sie verschiedene Produkttypen und Werkzeugausfälle beachten. Dabei messen wir die Zeit und je schneller ein Versuch lief, desto höher wird er bewertet. Nach diesem Kriterium beurteilt unser System, welcher Weg gut ist“, erklärt Gerling.