Das Projekt FLInK erforscht KI-Methoden des verteilten Lernens und den Transfer vortrainierter KI-Modelle zwischen Fertigungsanlagen und Bauteilen. Das Bayerische Staatsministerium für Wirtschaft, Landesentwicklung und Energie fördert das Verbundvorhaben der Hochschule Kempten über drei Jahre mit 528.845 Euro.

Maschinelles Lernen (ML) bietet in der fertigenden Industrie wirtschaftliche und ökologische Vorteile durch die datengetriebene Optimierung von Anlagenprozessen. Für Unternehmen mit wechselnden Prozessanforderungen in der Produktion ist ML jedoch herausfordernd, da umfangreiche Daten und Zeit für die Implementierung spezifischer KI-Modelle benötigt werden. Im Verbundprojekt FLInK wird daher untersucht, wie sich verteilte Lernverfahren und Schwarmintelligenz zum beschleunigten Transfer vortrainierter KI-Modelle in der fertigenden Industrie nutzen lassen.

„Im Projekt werden gemeinsam mit Industriepartnern verschiedene Methoden anhand von spanenden, umformenden und trennenden Fertigungsverfahren entwickelt und erprobt“, erläutern die Projektleiter Professor Frieder Heieck und Professor Bernd Lüdemann-Ravit vom Institut für Produktion und Informatik (IPI). Innerhalb der Unternehmen findet verteiltes Lernen über eine zentrale Recheneinheit und Modelldatenbank statt. Der Transfer auf neue Anlagen kann durch die Verwendung bestehender Modelle zügig erfolgen. Der Einsatz eines dezentralen Schwarmnetzwerkes ermöglicht zusätzlich unternehmensübergreifendes verteiltes Lernen durch den Austausch spezifischer Modell-Parameter. „Die Rohdaten bleiben dabei innerhalb des Unternehmens, wodurch ein Maximum an Datensicherheit und -anonymität erreicht wird“, ergänzt Projektmitarbeiter Dr. Michael Haub. Das verteilte Training und der Transfer generischer Modelle ermöglicht dadurch Unternehmen, ML mit erheblicher Zeitersparnis maßgeschneidert für neue Produkte oder Anlagen zu nutzen.

Zum Forschungskonsortium gehören, neben dem IPI – Institut für Produktion und Informatik der Hochschule Kempten, die Felss Systems GmbH und Hoerbiger Antriebstechnik Holding GmbH. Die Kooperationspartner stellen die Maschinendaten bereit und bauen dazugehörige Daten-Architekturen auf. Das IPI bereitet die Daten auf und trainiert damit die verschiedenen KI-Modelle für die Modelldatenbank.

Abbildung: Methoden des verteilten Lernens unternehmensintern und -übergreifend. Neue Anwender können nach Transfer der KI-Modelle an die zentrale Einheit angeschlossen (FL, links) oder dem Peer-to-Peer-Netzwerk hinzugefügt (SL, rechts) werden. M = Maschine, PU = Produzierendes Unternehmen. © Hochschule Kempten/IPI