Der gesellschaftliche Megatrend der Individualisierung verstärkt den zunehmenden Kundenwunsch nach maßgeschneiderten Lösungen. Um auf diese Marktanforderung reagieren zu können, nutzen Unternehmen der Großindustrie häufig interaktive Online-Plattformen, die KundINNen niedrigschwellig in den digitalen Produktgestaltungsprozess einbinden. Kleine und mittelständische Unternehmen (KMU) hingegen nutzen noch viel zu selten Digitalisierungstechnologien, um im Bereich der Kundeninteraktion sowie bei der effizienten Planung von Losgröße 1 – Produktionsprozessen ihre Wettbewerbsfähigkeit zu verbessern.
Im Rahmen des Dissertationsprojekts soll ein webbasiertes Organic Computing System (OCS) entwickelt werden, das auf der Grundlage von kundenauftragsbezogenen CAD-Daten über Künstliche Intelligenz den kompletten Fertigungsprozess plant. Das System muss zunächst mit zahlreichen Prozess- und Maschinendaten angereichert werden. Um aus den produktspezifischen CAD-Daten automatisch entsprechende Fertigungs- und Montagearbeitsschritte ableiten zu können, sollen neuartige Methoden des maschinellen Lernens untersucht werden. Eine wichtige Rolle spielt auch die Integration von fachlicher Expertise und Erfahrungen der MitarbeiterINNEN, so dass ergänzend auch Methoden des aktiven Lernens miteinbezogen werden.
Für die Umsetzung des OCS wollen wir Graph Neuronale Netze (GNN) und Algorithmen des Reinforcement Learning (RL) verwenden. Dabei sollen die kundenspezifischen Fertigungs- und Montagearbeitsschritte aus mesh-basierte CAD Daten extrahiert werden. Durch Algorithmen des RL wie Proximal Policy Optimization (PPO) werden die extrahierten Daten genutzt, um die notwendigen Maschinen und Werkzeuge für den Fertigungsprozess auszuwählen.
Es muss dabei sichergestellt werden, dass die ausgewählten Maschinen und Werkzeuge auch die extrahierten Fertigungs- und Montagearbeitsschritte umsetzen können. Das Wissen darüber, welche Maschine oder Werkzeug dafür verwendet werden soll, liegt bei den MitarbeiterINNEN der Produktion. Deswegen sollen Methoden des aktiven Lernens genutzt werden, damit das OSC anhand von Aktionen und Entscheidungen der MitarbeiterINNEN die Fähigkeiten und Nutzbarkeit der einzelnen Maschinen und Werkzeuge erlernen kann.
