Im Zeitalter von IoT (Internet of Things) und Industrie 4.0 werden Industrieroboter und Automatisierungssysteme durch den dynamisch wachsenden Einfluss von Software beeinflusst. Der zunehmende Einsatz von Software in Industrierobotern und anderen Produktionssystemen bietet neue Möglichkeiten wie die Mensch-Roboter-Kooperation, eine hohe Flexibilität der Produktionsprozesse und die Verringerung der Losgröße auf eine für die Massenfertigung. Die höhere Komplexität und Multidisziplinarität erfordert dabei neue Methoden zur Modellierung und neue Werkzeuge für das Engineering dieser Systeme. Daher müssen neue Ansätze wie Deep Learning und künstliche Intelligenz eingesetzt werden, um die Komplexität für die Entwicklung zu reduzieren und selbstoptimierende Systeme zu realisieren.

Im Rahmen des Workshops „Systems in Industrial Robotics, Automation and IoT“ präsentierten Fabian Fichtl und Marco Ullrich vom IPI neue Konzepte und Forschungsergebnisse zum Thema „Machine Learning based Parameter Estimation of Energy Models in Digital Production Environments“. Mathematikerin und Projektmitarbeiterin Tatjana Krau ging in einem gemeinsamen Paper mit Kollegen der Universität Salzburg auf die Quantitative Trendanalyse von Reinforcement Learning Algorithmen in Produktionssystemen ein. Methoden des Maschinellen Lernens in der Produktion ermöglichen ein tieferes Verständnis über die Steuerung von Produktionsprozessen. Die Parallelisierung von Planungs-, Programmier- und Produktionsprozessen bei der Konstruktion, Inbetriebnahme und dem Betrieb von Produktionssystemen ermöglichen so eine höhere Qualität und Flexibilität.

Weitere Informationen: Eurocast 2024 | 19th International Conference on Computer Aided Systems Theory (ulpgc.es)