Cense

Im Rahmen der Forschung rund um die Begriffe „Internet of Things“, „CPPS“ sowie „Industrie 4.0“ geraten Eigenschaften wie Adaptivität und Flexibilität in der Produktion immer stärker in den Mittelpunkt. Adaptive – d. h. sich selbständig und autonom optimierende – Produktionssysteme lassen sich jedoch auf Basis derzeitig fehlender Standards und nur unzureichend generischer Lösungsansätze nicht realisieren. Die angestrebte Flexibilität ist nur erreichbar, wenn Produktionsentitäten „intelligenter“ werden. Das Begreifen dieser Entitäten als Produktionsagenten, die autonom und kollaborativ agieren und durch diese Interaktion im Produktionsumfeld ihre optimalen Betriebsbedingungen selbständig erlernen, ist ein zielführender Ansatz. Hierfür ist jedoch zunächst eine kognitive Erweiterung selbstoptimierender Produktionssysteme hinsichtlich Lernmechanismen erforderlich. Erweiterte kognitive Eigenschaften technischer Systeme im Verständnis des Vorhabens umfassen demnach ins­besondere die Fähigkeit zur Schlussfolgerung und zum Lernen. Ziel des CENSE Projektes ist es, die Anwendbarkeit von Reinforcement-Learning-Algorithmen für selbstoptimierende Produktionssysteme im Verständnis des Exzellenzclusters aufzuzeigen. Anhand der Umsetzung eines exemplarischen Demonstrators wird der Mehrwert dieser kognitiven Erweiterung gegenüber „einfachen“ selbstoptimierenden Systemen verdeutlicht. Zu diesem Zweck werden „data-to-information“-Methoden angewandt, die eine semantische Annotierung von Produktionsdaten vornehmen und die Grundlage zur maschinen- und menschen¬verständlichen Zustandserfassung bilden. Dies umfasst die Betrachtung von deklarativen Produkt- sowie Servicespezifikationen von Maschinen und Robotern und deren Überführung in ein gemeinsames Informationsmodell. Die Umsetzung eines geeigneten RL-Verfahrens umfasst neben dem Bewertungssystem die Integration in ein selbstoptimierendes System