Wissensbasiertes Machine Learning zur Anomalie­behebung

Das Forschungsprojekt im Detail

Anomaliebehebung durch extrahiertes Expertenwissen und lernende Systeme

Im Forschungsprojekt ADELeS haben sich die Universität Augsburg, die Friedrich-Alexander-Universität Erlangen Nürnberg sowie die Unternehmen REHAU Industries SE & Co. KG und XITASO GmbH zusammengetan, um diesen Herausforderungen im Kontext der Herstellung von Kantenbändern, die zum Beispiel in der Möbelherstellung verwendet werden, zu begegnen. Zur Produktion von Kantenband werden bei REHAU 40-60m lange Extrusionsstrecken eingesetzt, die aus einer Vielzahl von Einzelmaschinen für separate Prozessschritte (z.B. Extruder, Kühlung, Druckwerke) bestehen. Um einerseits die zu erwartende Produktqualität vorauszusagen (Predictive Quality) und andererseits den Bedienern der Extrusionsstrecke Parameteranpassungen zur Behebung von Qualitätsanomalien vorzuschlagen, sieht der Forschungsansatz die Kombination von Expertenwissen mit maschinellen Lernverfahren auf Basis von Zeitreihendaten der Extrusionsstrecke vor. Die Vorschläge bzw. das Assistenzsystem werden durch automatische Erkennung von Qualitätsannomalien ausgelöst.

Expertenwissen wird durch erfahrungs- und datenbasierte Wissensextraktion erfasst, formalisiert und quantifiziert. Das Ergebnis wird sowohl in erklärbaren Learning Classifier Systemen als auch neuro-symbolischen Ansätzen verwendet.

Der Fokus von XITASO liegt auf der Weiterentwicklung der innovativen, im Vorgängerprojekt AIPE entwickelten, Methodik zur datenbasierten Wissensextraktion, der Repräsentation dieses prozeduralen Wissens in Wissensgraphen, deren Repräsentation in Vektoren, sowie der neuro-symbolischen Kombination von Erfahrungswissen und neuronalen Netzen.