Technische Produkte werden durch die zunehmende Integration von Informations- und Automatisierungstechnik eigenständiger, flexibler und handlungsfähiger. Durch die erhöhte Funktionsintegration werden die Systeme jedoch immer komplexer und dem Personal fällt es stetig schwerer, die Ausmaße ihrer Handlungen abzuschätzen oder notwendige Handlungen zu identifizieren. Beide Problemfelder haben gemein, dass eine Prädiktion des Maschinenverhaltens notwendig ist. In vielen Fällen wird versucht dies mithilfe massiver Rechenleistung in der Cloud zu umgehen, jedoch ist für viele Daten eine Übertragung in die Cloud aufgrund einer zu hohen Auflösung technisch und wirtschaftlich nicht sinnvoll sowie aufgrund des Datenschutzes nicht gewünscht. Die Lösung hierfür ist sogenanntes Edge-Computing, welches die Vorteile der modernen Algorithmen, wie das maschinelle Lernen, mit der Maschinennähe einer SPS vereinen soll.

Im vorliegenden Vorhaben sollen dezentral lauffähige Machine Learning (ML) Algorithmen für Embedded und Edge Devices entwickelt werden. Die Auswahl und der Einsatz von ML Algorithmen hängt wesentlich vom Ziel, den zur Verfügung stehenden Informationen und damit von der jeweiligen Anwendung ab. Ein wesentliches Ziel dieses Vorhabens ist daher die Entwicklung und Umsetzung von Lernverfahren in verteilten, eingebetteten Systemen unter Berücksichtigung von Ressourcenbeschränkungen. Ausgangspunkt hierfür sind Daten, die aus multimodalen, aktiven Sensorsystemen gewonnen werden und mit eingebetteten, echtzeitfähigen Datenanalysemethoden sowie mit ML-Methoden ausgewertet werden. Diese Daten sollen lokal in der Maschine oder der Komponente weiterverarbeitet werden und damit eine datenzentrierte Automation des Maschinen- und Anlagenbaus entwickelt werden.

Wesentliche Ziele des Vorhabens sind die Analyse von ML-Methoden unter Berücksichtigung von Expertenwissen, Interpretierbarkeit von Lernergebnissen, eingebettetes Lernen auf Datenströmen aus aktiven Sensorsystemen in Echtzeit und deren Übertragbarkeit in praktische Anwendungen. Zudem soll die Entwicklung von laufzeitoptimierten ML-Algorithmen für Embedded- und Edge Devices, für praxisrelevante Erkenntnisse aufgearbeitet werden. Im Anwendungsbezug erfolgt der Transfer der ML-Methoden in drei konkrete Anwendungsfälle: Predictive Quality in der Ummantelungstechnik, Predictive Maintenance für Antriebs- und Steuerungslösungen in fördertechnischen Anwendungen und 3D-Vision im Bereich Robotics für ein intelligentes MES. Die in diesem Vorhaben betrachteten Use Cases sind die intelligente Qualitätsprädiktion von Profilummantelungsmaschinen, die vorausschauende Wartung von ausfallkritischen Komponenten in fördertechnischen Anwendungen, wie z.B. Schlupf von Reibrädern und Antriebsriemen durch Verschleiß oder Schäden an Lagern und Getrieben, sowie der ganzheitlichen Fertigungsplanung. Diese Use Cases befinden sich auf Maschinen- bzw. Komponentenebene. Daher muss der Einsatz von ML auf den begrenzten Ressourcen der Komponente (Embedded Device) bzw. der Maschine (Edge Device) erfolgen, um die ML-Technologien in die Produkte und in die Produktionsmaschine zu integrieren. Für die Erreichung der Ziele werden in den Use Cases definierte Arbeitspakete von der Anforderungsanalyse über die Auswahl von Lernverfahren mit Integration von Expertenwissen über das Lernen auf Datenströmen bis hin zur Laufzeitoptimierung der Algorithmen für Edge- und Embedded Devices bearbeitet. Zur Erreichung der Ziele wird ein regelmäßiger Transfer von Expertise und Erfahrungen zwischen den Projektpartnern während der Projektlaufzeit durchgeführt. Dabei zielt insbesondere der internationale Austausch zwischen deutschen und kanadischen Partnern darauf ab, die Kompetenzen der Projektpartner zusammenzuführen.

Das Vorhaben wird als Verbundvorhaben zwischen der kanadischen Firma NTWIST (Industrial AI), dem kanadischen Forschungspartner ACIS (Advanced Control & Intelligent Systems Lab der University of Victoria), den deutschen Firmen düspohl und encoway sowie dem Forschungspartner Fraunhofer IEM durchgeführt. Das spezifische Knowhow der Firmen düspohl und encoway wird insbesondere um die Methoden und die Erfahrung mit selbstoptimierenden Systemen und Machine Learning des IEM ergänzt. Im Anschluss an die 3-jährige Förderperiode wird eine unmittelbare wirtschaftliche Verwertung der Qualitätsprädiktion für die RoboWrap und des Predictive Maintenance für die elektrische Antriebstechnik angestrebt, um die Hochlohnproduktionsstandorte Deutschland und Kanada für die Zukunft zu rüsten. Die Zielsetzung von EASY weißt hohe Praxisrelevanz und ein deutliches Innovationspotential insbesondere für KMU auf. Gleichzeitig wird jedoch eine Skalierbarkeit der Ergebnisse angestrebt, sodass auch große Unternehmen diese nutzen können. Somit soll ein nachhaltiger positiver Einfluss auf die deutsche und kanadische Wirtschaft, vor allem in Bezug auf die Wahrung der eigenen Position im internationalen Markt, erreicht werden.