Time4CPS

Ein Software-Framework zur Analyse des zeitlichen Verhaltens von Produktions- und Logistikprozessen

Motivation

Anwendung von Methoden der Künstlichen Intelligenz in der Praxis Mit der Bekanntmachung zur Förderung von Projekten zum Thema „Anwendung von Methoden der Künstlichen Intelligenz in der Praxis“ vom 19. März 2019 wird der Transfer von innovativen Forschungsergebnissen aus dem Gebiet der Künstlichen Intelligenz in die Praxis gefördert. Die Förderbekanntmachung ist eingebettet in die nationale Strategie für Künstliche Intelligenz (KI). Mit der Umsetzung der Bekanntmachung wird insbesondere das Handlungsfeld „Transfer in die Wirtschaft, Mittelstand stärken“ der KI-Strategie adressiert. Die Zeitdauer eines Vorgangs als Indikator für Systemzustände So unterschiedlich Vorgänge in den Bereichen Logistik und Produktion auch sind, so haben sie doch eins gemeinsam: Sie brauchen Zeit. Und sobald sich Zeitspannen für den gleichen Vorgang verändern, so deutet dies auf zumeist ungewollte Veränderungen hin. Typische Veränderungen sind beschädigte Systeme oder geänderte Randbedingungen wie z. B. andere Rohstoffzusammensetzungen oder blockierte Transportwege. Da nun heute sehr viele Daten in den Bereichen Logistik und Produktion automatisch erfasst und abgespeichert werden, möchte man diese Daten und Zeitveränderungen als Warnhinweis nutzen. So kann ein Warnhinweis bzgl. sehr langer Zugriffszeiten in einem Warenlager als Hinweis auf Verschleiß interpretiert werden. Als Reaktion würde man die Systeme frühzeitig reparieren, und zwar schon weit bevor Ausfälle auftreten. Die Schwierigkeit bei diesem Vorgehen liegt aber darin, dass es in der Logistik und Produktion gar nicht klar ist, welche Zeitspannen analysiert werden müssen. Zum einen gibt es eine sehr hohe Anzahl an Zeitspannen möglich und diese hängen von der aktuellen Situation ab. So verändern sich die Zeitspannen z. B. für Lagervorgänge sehr stark, wenn unterschiedliche Objekte transportiert werden. Zum anderen existieren oft gar keine klaren Zeitpunkte, zwischen denen Zeitmessungen sinnvoll sind. D. h. oft bedarf es zuerst einer klaren Definition eines Zeitpunktes. Ein Zeitpunkt wird aber zumeist durch das gleichzeitige Auftreten sehr vieler Ereignisse definiert. So kann bei Transportvorgängen z. B. die Leistungsaufnahme hunderter Antriebe in Kombination mit den Geschwindigkeiten der jeweils transportierten Objekte ein wichtiges Ereignis definieren. Solche komplexen Ereignisse kann ein Mensch aber schon aus Aufwandsgründen nicht mehr manuell definieren.

Ziele und Vorgehen

In Time4CPS analysiert daher eine Software mittels Methoden des maschinellen Lernens zuerst alle Daten und bestimmt automatisch alle relevanten Ereignisse. Zwischen diesen Ereignissen werden die Zeitspannen kontinuierlich während des Betriebs überwacht, und zwar abhängig vom jeweiligen Systemzustand. Sollten signifikante Veränderungen auftreten, so wird der Benutzer gezielt informiert. Dieser kann dann das System reparieren oder verbessern.

Innovationen und Perspektiven

Die wirtschaftliche Verwertung im Rahmen dieses Projekts wird durch das KMU Recogizer Analytics GmbH erfolgen. Evaluiert wird der Ansatz durch die Firma ISI Automation GmbH & Co. KG, sowie Hendricks Automotive Group und GTP Schäfer Gießtechnische Produkte. Diese Firmen möchten die zu entwickelnden Lösungen z. B. auf folgende Optimierungsszenarien im Bereich der Inter- und Intralogistik und auf Prozesse der diskreten Fertigung (z. B. bei Automobilzulieferern) anwenden.

Projektinformation

Projektleitung

Recogizer Analytics GmbH
Rheinwerkallee 2
53227 Bonn

Volumen

959.669,87 €

Laufzeit

07/2026 – 07/2026

Projektpartnerinnen und -partner

Recogizer Analytics GmbHISI Automation GmbH & Co. KGHendricks Automotive Group GmbHGTP Schäfer Giesstechnische Produkte GmbHHelmut-Schmidt-UniversitätFraunhofer IOSB INA