Das Projekt läuft

Mit der Verwendung des Random Forest Algorithmus konnten Daten der Produktionsmaschinen effizient und präzise für die Erstellung eines Modells verarbeitet werden. Interpretierbare Muster wurden mit Hilfe des local interpretable model-agnostic explanations Verfahrens (LIME) angefertigt und die daraus resultierenden Ergebnisse zeigten, dass einzelne Parameter der Maschinen Einfluss auf die Qualität sowie den Energieverbrauch nehmen. Die potentielle, interpolierte Stromeinsparung liegt bei 27.540 kg CO2 pro Jahr für die vier betrachteten Maschinen.

Auf Basis der bisher durchgeführten Arbeiten wurde ein künstliches neuronales Netz entwickelt, um die Leistung des Vorgängermodells zu verbessern. Als Datenbasis dienten Qualitätsklassifizierungen. Das Modell hat eine erste verborgene Schicht von 32 Neuronen und eine zweite verborgene Schicht von 64 Neuronen. Das künstliche neuronale Netz wurde nun unter Verwendung einer Aufteilung des Datensatzes trainiert. Die Hyperparameter der Modelle wurden auf Überanpassung abgestimmt. Um eine bessere Verallgemeinerung zu erreichen, wurde das Netz regularisiert. Die so trainierten Modelle bildeten dann die Basis für Parameter-Konfiguration-Optimierung.

Zur Reduzierung des Energieverbrauchs und der Maximierung der qualitativ hochwertigen Teile mussten zwei Modelle miteinander gekoppelt werden. Dazu wurde im ersten Schritt eine Vorhersagefunktion verwendet, in welcher lokale Maxima gefunden werden sollen. Zum Auffinden lokaler Minima wurden verschiedene Suchraumfunktionen angewandt. Anschließend wurde jede Parameterkonfiguration mit dem Explanation-Tool Lime analysiert.

Die Modellgenauigkeiten liegen in einem aussagekräftigen Bereich und aus den Daten konnten Handlungsempfehlungen für die vier verwendeten Maschinen abgeleitet werden.
Im nächsten Schritt gilt es, die erarbeiteten Ergebnisse an den Maschinen zu testen und deren Auswirkungen im Praxiseinsatz zu verifizieren. Novapax wird weitere Maschinen vernetzen und in das Machine Learning-Konzept integrieren. Somit kann innerhalb der Produktion langfristig eine signifikante Einsparung von CO2, Energie und Abfall erreicht werden. Beide Projektpartner stehen anderen KMU beim Einsatz von Machine Learning-Methoden beratend zur Seite. Geplant ist ein digitales Netzwerk mit best practise-Empfehlungen.

Im April 2019 präsentierte Prof. Dr. Volker Wohlgemuth auf der Hannover Messe neben dem Projekt „MFCA mobil – Mobile Unterstützung der Materialflusskostenrechnung in KMU“ auch das Nova -Projekt zur „Entwicklung einer neuen Methode zur Ressourceneinsparung durch prozessorientiertes, digitales Stoffstrommanagement in KMU“.

Hannover Messe 2019