KI-basierte Optimierung in der Automobilproduktion

Die Automobilproduktion verfügt traditionell bereits über einen hohen Automatisierungsgrad (etwa 1000 Roboter je 10 000 Arbeiter:innen), wovon der größte Anteil auf die Industrierobotik mit klassischen Fließbandsystemen unter kontrollierbaren Bedingungen zurückgeht. Globale Entwicklungen wie der Klimawandel oder Megatrends wie immer spezieller werdende Kundenwünsche stellen die Branche jedoch vor neue Herausforderungen: Neue Antriebstechnologien, komplexer zu verarbeitende Werkstoffe aus dem Leichtbau und eine Flexibilisierung der Produktion sind nur einige davon.
Umgekehrt erreichen Software-Werkzeuge aus der künstlichen Intelligenz einen immer höheren Reifegrad und verhelfen bereits heute diversen (vornehmlich noch digitalen) Branchen zu Sprunginnovationen. Speziell in Kombination mit aussagekräftigen Datenmengen können zahlreiche bisher nur menschlich machbare Routinetätigkeiten unterstützt oder sogar automatisiert werden, um effizienter und ressourcenschonender zu produzieren. Beispielhafte Anwendungen finden sich in der Vorhersage von Ausschussteilen, der automatisierten Fehlerdiagnose oder in der optimierten Steuerung von Fertigungsprozessen. Des Weiteren können Lernalgorithmen gemeinsam mit klassischen Ingenieurssimulationen zu einem verbesserten Prozessverständnis führen.

Die Forschung in diesem Kompetenzfeld untersucht daher sowohl Einsatzpotentiale moderner Deep-Learning-Systeme wie CNNs, GANs oder GNNs als auch probabilistische Lernverfahren wie Bayes-Netze sowie kombinatorische Optimierung (CP/MIP), insbesondere:

Intelligente Prozessüberwachung in der Fertigung
•    Vorhersage von Ausschuss oder Qualitätsergebnissen (scrap prediction, predictive quality) mit geeigneter Sensorik z.B. bei Harzinjektionsverfahren, Zerspanung oder additiver Fertigung;
•    Vorausschauende Wartung (predictive maintenance) zur Minimierung von Stillstandszeiten und Ursachenforschung (root cause analysis).

Digitale Zwillinge
•    Kombination von konventionellen Ingenieursmodellen (FEM, PDE) mit maschinellem Lernen mit Rückkopplung der Echtdaten zur Prozesssteuerung;
•    Einsatz von Deep-Learning in physikalischen Simulationen (z.B. mit neuronalen Netzen für Graphen, GNNs);
•    Transferlernen von simulierten zur realen Prozessdaten;
•    Hybride Modelle: Constrained Deep Learning / Probabilistic Machine Learning (Vorwissen + Lernen).

Optimierung und Entscheidungsfindung
•    Algorithmen und Software für diskrete Optimierung: Aufgaben- und Ressourcenverteilung (resource/task allocation), Behälterprobleme (packing), Zeitplanerstellung (scheduling); Constraint-Programmierung mit MiniZinc (z.B. Google OR-Tools);
•    Faire Optimierung z.B. für Shared/Cloud-Manufacturing;
•    Einbezug von verstärkendem Lernen (reinforcement learning).

Die betrachteten Themen werden forschungsbegleitend in der Lehre adressiert:
•    Wahlfächer im Bereich KI
•    Introduction to AI and Neural Networks (Master APE)
•    Praxisseminare und praxisbegleitende Lehrveranstaltungen
•    Abschlussarbeiten (Bachelor/Master)
•    Kooperative Promotionen