Motivation und Hintergrund

Neue Produktionsprozesse durchlaufen eine längere Entwicklungsphase in der Planung, in Versuchen und im industriellen Ramp-Up, bevor sie fähig sind, in der erforderlichen Qualität, Produktivität und Kosteneffizienz zu produzieren. Dies gilt vor allem, wenn neue Materialen und Verfahren verwendet werden, der Produktionsprozess oder seine Teilprozesse eine große Anzahl einstellbarer Parameter und einen hoch-dimensionalen Zustandsraumhaben sowie initial keine realistischen Prozessmodelle zur Verfügung stehen. Abstrakt gesehen muss ein sehr großes Optimierungsproblemgelöst werden, das den physikalischen Aufbau des Prozesses, seine Einstellgrößen und Regelstrategien sowie die Prozess-Instrumentierung (Sensorik/Aktorik) umfasst.

Bislang lösen Experten dies mit vielen Experimenten basierend auf ihrem Wissen, ihrer Erfahrung und auch einem Stück Intuition. Allerdings sind Experimente an realen Prozessen mit hohen Kosten verbunden, z.B. wegen des zeitlichen Ausfalls teurer Anlagen, des Ressourcenverbrauchs für nicht vermarktbare Produkte aus dem Testbetrieb sowie Kosten für zerstörende Prüfung der resultierenden Produkte in spezialisierten Laboren.

Hypothese: Der systematische Einsatz von KI führt zu signifikanten Verbesserungen bei der Reifmachung von Produktionsprozessen, und zwar bezüglich der Geschwindigkeit und der finalen Lösungsqualität. Allerdings verlangendie hohe Komplexität und Stochastik von Produktionsprozessen, verbunden mit der gleichzeitig beschränkten Anzahl von Experimenten, nach methodischen Verbesserungen auch auf dem Gebiet der künstlichen Intelligenz selbst.

Wissenschaftlicher Ansatz: Erstens sollen die führenden Verfahren der datengetriebenen Modellidentifikation, der Optimierung und des Reinforcement Learningweiterentwickelt werden, um die Anzahl der erforderlichen Experimente zur Datenerhebung zu reduzieren. Dies wird erreicht (a) über eine tiefgreifende Integration datengetriebener Verfahren mit dem Vorwissen von Prozessexperten und den Entwicklungswerkzeugen der Ingenieurdisziplinen und (b) mittels der gezielten Erzeugung und Optimierung von Versuchsplänen, um Stichproben mit hohem Informationszugewinn zu erhalten. Zweitens soll ein genereller Ansatz zur KI-basierten Optimierung von initial unreifen Produktionsprozessen erarbeitet werden. Kernideen sind u.a.eine gezielte vorübergehende Überinstrumentierung, eine Prozessmodularisierung und ein iterativer Verbesserungszyklus. Dies ist ein Schritt hin zur Professionalisierung des Einsatzes von KI im Sinne einer Ingenieurdisziplin mit Werkzeugen und einer Vorgehensweise, die auf große und heterogene Teams skaliert.

Relevanz: Eine schnellere Reifmachung von Produktionsprozessen führt zu einer schnelleren time-to-market für neue und innovative Produktion. Obwohl schwer vorherzusagen, glauben wir, dass auf Basis der zu entwickelnden Vorgehensweise und der methodischen Verbesserungen insgesamt eine Reduzierung von Zeit und Ressourcenaufwand bis zu 50% erreicht werden kann