![](/storages/vm-cs/_processed_/1/5/csm_Lamarr_banner_aqua_ee0a29a2d1.jpg)
Forschungsbereich Industrie und Produktion
Das Lamarr-Institut ist eine führende Forschungseinrichtung für Maschinelles Lernen (ML) und Künstliche Intelligenz (KI) in Deutschland. Nach erfolgreicher Evaluierung durch ein internationales Fachgremium ist das Lamarr-Institut aus dem Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr (ML2R) hervorgegangen, welches zuvor als zeitlich befristetes Projekt gefördert wurde, und hat das Ziel, leistungsstarke, vertrauenswürdige und ressourceneffiziente KI-Anwendungen zu entwickeln. Benannt nach der Erfinderin Hedy Lamarr, setzt sich das Institut für die technologischen und ethischen Standards der KI ein. Das Lamarr-Institut arbeitet in Zusammenarbeit mit der TU Dortmund, der Universität Bonn und den Fraunhofer-Instituten für Intelligente Analyse- und Informationssysteme (IAIS) sowie für Materialfluss und Logistik (IML). Der Schwerpunkt des Instituts liegt auf dem Konzept der „Triangulären KI“, welche Daten, Wissen und kontextuelle Informationen zur Entwicklung robuster KI-Systeme integriert.
Die Forschung am Lamarr-Institut ist in verschiedene Bereiche gegliedert. Die Arbeitsgruppe VM ist eng mit dem Forschungsbereich Industrie und Produktion des Lamarr-Instituts verknüpft, welcher sich mit der Erforschung und Integration von ML und KI in der Fertigungstechnik beschäftigt. Neben der Produktion von Bauteilen in der vorgegebenen Qualität als Zielsetzung stehen im produktionstechnischen Umfeld verschiedene Ressourcen im Mittelpunkt, welche es zu minimieren gilt. Hierzu zählen beispielsweise die Reduktion von Maschinenzeiten sowie Kosten für verwendete Werkzeuge, Werkstücke und Energie. Traditionell werden oft technologische Untersuchungen oder simulationsbasierte Ansätze verfolgt, um Prozessentwicklung und Betrieb ressourcenorientiert zu optimieren.
Das ML stellt ein sich rapide entwickelndes Feld dar, das die Art und Weise, wie komplexe Systeme analysiert und verstanden werden, transformiert, indem es die Erkennung von signifikanten Mustern und Beziehungen aus großen Datensätzen automatisiert. Daher kann die Einbeziehung von ML in die Fertigungstechnik die Wettbewerbsfähigkeit und Nachhaltigkeit von Produktionsprozessen erheblich verbessern. Im Speziellen ist es durch die Integration von ML-Methoden möglich, Vorhersagen mit einem hohen Grad an Generalisierung zu erzielen, welche durch technologische oder simulative Ansätze nicht zu realisieren wären.
Innerhalb des Forschungsbereichs Industrie und Produktion wird daher insbesondere auf die Kombination von Prozessdaten, Simulationen und Methoden des ML im Rahmen des hybriden Lernens am Beispiel von unterschiedlichen Produktionsprozessen fokussiert, um den experimentellen Aufwand zur Analyse und Modellierung von Prozesscharakteristiken zu minimieren. Neben Simulationen werden dabei auch generative Modellierungsmethoden untersucht, um die Datensätze durch weitere synthetische Daten zu augmentieren. Dies ist insbesondere vorteilhaft, um den manuellen Annotierungsaufwand zur Erstellung der Labels zu verringern, welcher nötig ist, um überwachtes Lernen durchführen zu können.
Der Forschungsbereich lehnt sich dabei an die trianguläre KI als übergeordnete strategische Ausrichtung der Forschung am Lamarr-Institut an, indem datenbasierte Beobachtungen mit Wissen aus physikalischem und expertenbasiertem Domänenwissen in einem speziellen produktionstechnischen Kontext, wie z. B. zur Verschleißvorhersage für Maschinen oder Werkzeuge, kombiniert werden. Dabei werden auch tangentiale Herausforderungen, wie z. B. Concept Drift, adressiert, die aus sich verändernden Prozessbedingungen und Daten resultieren.
Durch die wissenschaftlichen Untersuchungen im Forschungsbereich Industrie und Produktion soll ein signifikanter Beitrag zu einer Vision geleistet werden, in der Prozesscharakteristiken und -zustände in der produktionstechnischen Landschaft automatisch analysiert werden, um perspektivisch prozessbegleitende Optimierungsempfehlungen ableiten und gelernte Modelle durch neue, im Betrieb gewonnene Daten kontinuierlich verbessern zu können.