Thema 2.2

Verbesserung der Generalisierungsgeschwindigkeit autonomer Systeme Forschungsthema 2.2

Autonome Systeme in Smart Factory Grids (SFGs) müssen sich in kurzer Zeit an wechselnde Betriebsbedingungen, Aufgaben und Netzstrukturen anpassen. Diese Fähigkeit zur schnellen Generalisierung ist entscheidend, um eine hohe Flexibilität, Effizienz und Robustheit in vernetzten Produktionsumgebungen sicherzustellen.

Dieses Forschungsthema widmet sich daher der Entwicklung von Lernverfahren, die es cyber-physischen Systemen ermöglichen, mit geringem Datenaufwand zu lernen und sich kontinuierlich zu optimieren. Im Fokus stehen moderne Ansätze des maschinellen Lernens wie Multimodal Learning, One- und Zero-Shot Learning, Imitation Learning sowie Continual Learning. Ziel ist es, Systeme zu schaffen, die aus heterogenen Datenquellen effizient Wissen gewinnen, dieses adaptiv erweitern und so zu einer selbstoptimierenden, dynamisch anpassbaren Fertigungsumgebung beitragen.

Herausforderungen

Die zentrale Herausforderung besteht darin, dass autonome Systeme in den SFGs mit begrenzten und hochgradig unterschiedlichen Daten arbeiten müssen. Während klassische maschinelle Lernverfahren große und konsistente Datensätze erfordern, entstehen in diesen vernetzten Produktionsumgebungen kontinuierlich neue, heterogene und teilweise unvollständige Datenströme.

Die Systeme müssen daher lernen, relevante Informationen aus multimodalen Quellen wie Sensor-, Maschinen- und Produktionsdaten zu extrahieren und diese in ein konsistentes Modell zu integrieren. Gleichzeitig müssen sie in der Lage sein, bestehendes Wissen zu erhalten, neue Fähigkeiten hinzuzulernen und überflüssige Informationen gezielt zu vergessen.

Eine besondere Herausforderung stellt dabei die Fähigkeit zum Lernen durch Beobachtung dar, etwa wenn Roboter durch Imitation menschlicher Handlungen neue Aufgaben übernehmen. Ebenso wichtig ist die Entwicklung robuster kontinuierlicher Lernverfahren, die auch bei strukturellen Veränderungen oder Unterbrechungen in der Fertigungsumgebung nicht an Leistungsfähigkeit verlieren, sondern sich gezielt neu justieren oder den Lernprozess bei Bedarf neu starten können.

Forschungsansatz

Der Forschungsansatz kombiniert die Entwicklung effizienter Lernverfahren mit Strategien zur Selbstoptimierung. Einerseits sollen Modelle entstehen, die aus einer geringen Menge multimodaler Daten belastbare Erkenntnisse gewinnen und daraus generalisierbare Strukturen ableiten können.

Andererseits sollen die Systeme in der Lage sein, sich selbstständig weiterzuentwickeln, neue Fähigkeiten zu erlernen und ihre Leistung im laufenden Betrieb zu verbessern. Durch den Einsatz von Imitationslernen können autonome Einheiten schnell neue Handlungsweisen übernehmen, während Continual-Learning-Methoden sicherstellen, dass einmal erworbenes Wissen nicht verloren geht, sondern gezielt erweitert wird.

Langfristig wird diese Forschung durch Aspekte wie Erklärbarkeit, Unsicherheit und Risikoabschätzung ergänzt, um Entscheidungsprozesse transparenter und verlässlicher zu gestalten. In enger Kooperation mit den Bereichen adaptive Steuerung, Systemgesundheit, Netzwerksicherheit und additiver Fertigung entsteht so ein integrativer Ansatz, der die Grundlage für intelligente, resiliente und selbstoptimierende Produktionssysteme bildet.