Neue Methode zur Kontrolle industrieller Prozesse entwickelt
Wie kann man mit realen, industriellen Anwendungen von KI von der reinen Prozessüberwachung zur vollständigen Prozesssteuerung übergehen? Mit Weltmodellen, zeigt eine aktuelle Zusammenarbeit mit der Kistler Gruppe.
Wir haben uns vor einiger Zeit mit dem Kistler Innovation Lab zusammengetan, um das Potenzial von KI in Spritzgiessprozessen zu analysieren. Ziel war es, maschinelles Lernen auf Drucksensorsignale innerhalb der Form anzuwenden, um zu lernen, wann die Qualität der produzierten Teile nachlässt. Spezialisten für Kunststoffmaterialien sagten uns, dass dies unmöglich sei. Neun Monate später hatten wir ein praktikables Prozessüberwachungsmodell (siehe hier und hier, Ergebnisse des Projekts DISTRAL).
Doch wie sollte man vorgehen, wenn eine schlechte Prozessqualität festgestellt wurde, d. h. die Maschinenparameter so ändern, dass sich die Prozessleistung wieder normalisiert? Dies erwies sich als schwieriger: Wir konnten zwar sehr schnell erkennen, in welche Richtung einer von einer Handvoll Parametern geändert werden musste, aber es erwies sich als schwierig, genau zu bestimmen, welcher Parameter. Wie konnten wir unserem Modell die physikalischen Ursachen und Wirkungen, die sich auf unseren Produktionsprozess auswirkten, besser bewusst machen?
Mit einem Weltmodell! Weltmodelle wurden vor kurzem im Bereich des maschinellen Lernens als Mittel zum Erlernen von Ursache-Wirkungs-Beziehungen aus Daten wieder bekannt, um Maschinen eine Möglichkeit zu geben, künftige Zustände auf der Grundlage durchgeführter Aktionen intuitiv vorherzusagen - oder, um es etwas unverblümter auszudrücken, ihnen ein gewisses Mass an „gesundem Menschenverstand“ zu vermitteln.
In einer kürzlich durchgeführten Studie unter der Leitung des Doktoranden Peng Yan, die auf der IEEE Swiss Conference on Data Science veröffentlicht wird, konnten wir zeigen, dass eine relativ einfache Weltmodell-Architektur, die auf Paaren von Druckkurven zusammen mit den Unterschieden in ihren Maschinenparametern als Aktionen trainiert wurde, dabei hilft, ein Modell zu erstellen, das zur Prozesssteuerung des Kunststoffspritzgiessens geeignet ist. Dies geschieht durch eine effektive Entflechtung der genannten Parameter und übertrifft unsere älteren, auf Autoencodern basierenden Ansätze deutlich. Das Modell ist von der JEPA-Architektur inspiriert, weicht aber von den veröffentlichten Versionen ab, da es direkt handlungsfähig ist. Wir stellen die Hypothese auf, dass ähnliche Architekturen und Setups in einer breiteren Palette von ähnlichen Anwendungen erfolgreich eingesetzt werden können.