Die Komplexität moderner Produktionsanlagen eröffnet Optimierungspotenzial, das mit den Methoden des maschinellen Lernens (ML) erschlossen werden kann. Mit ML lassen sich datengestützt unbekannte Zusammenhänge identifizieren, Prozesse datengetrieben modellieren sowie selbstlernende Mechanismen realisieren, die Anlagen flexibel und schnell wandelbar machen.

Um das breite ML-Methodenspektrum übergreifend und langfristig für komplexe Produktionsprozesse nutzbar zu machen, entwickelt das Anfang 2018 gestartete und auf vier Jahre angelegte Fraunhofer Leitprojekt »Machine Learning for Production (ML4P)« ein toolgestütztes Vorgehensmodell sowie entsprechende interoperable Software Tools. Den Herausforderung im industriellen Umfeld Rechnung tragend werden die häufig unstrukturiert vorliegenden Anlagen- und Prozessdaten kontinuierlich und systematisch zusammen mit relevantem Expertenwissen erfasst, formalisiert und orientiert an ML-spezifischen Anforderungen aufbereitet. Vorhandene Optimierungspotentiale in der Produktion können somit zielgerichtet identifiziert, bewertet und mit geeigneten, anwendungsspezifischen ML-Verfahren adressiert werden. Darüber hinaus wird untersucht, wie zukünftig intelligente Anlagenkomponenten schon im Engineering-Prozess neuer Anlagen systematisch berücksichtigt werden können.

Das Konsortium aus den Fraunhofer-Instituten IAIS, IFF, ITWM, IWM und IWU unter der Leitung des IOSB ist interdisziplinär und verbundübergreifend (IuK, Produktion und Material) aufgestellt und ermöglicht neben Vorgehensmodell-, Methoden- und Softwareentwicklung die Validierung der Projektergebnisse in drei Demonstratoren unterschiedlicher Produktionsanlagen.