Technische Produkte werden durch die zunehmende Integration von Informations- und Automatisierungstechnik eigenständiger, flexibler und handlungsfähiger. Durch die höhere Funktionsintegration werden die Systeme jedoch immer komplexer, 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 Anwendung ab. 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 das maschinelle Sehen in einer Roboteranwendung. 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 bringen. Ein wesentliches Ziel dieses Vorhabens ist daher die Entwicklung und Umsetzung von Lernverfahren in verteilten, eingebetteten Systemen unter Berücksichtigung von Ressourcenbeschränkungen.

Wissenschaftliche und/oder technische Arbeitsziele:

1. 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
2. Entwicklung von laufzeitoptimierten ML-Algorithmen für Embedded- und Edge Devices, die für praxisrelevante Erkenntnisse aufgearbeitet werden
3. Transfer der ML-Methoden in zwei konkrete Anwendungsfälle:
   1. Predictive Quality in der Ummantelungstechnik (bearbeitet durch IEM und düspohl Maschinenbau
   2. Predictive Maintenance für Antriebs- und Steuerungslösungen in Regalbediengeräten (bearbeitet durch encoway und Lenze)