Volume 72, Issue 10 - Special Issue: AI methods for productions; Guest Editors: Tobias Kleinert, Christian Brecher and Christian Fimmers

Zusammenfassung Die modellbasierte Identifikation von Anomalien ist ein weit verbreiteter Ansatz, um Abweichungen vom erwarteten Verhalten eines Cyber-Physical Production Systems (CPPS) zu erkennen. Da die manuelle Erstellung dieser Modelle ein zeitaufwändiger Prozess ist, ist es vorteilhaft, sie aus Daten zu lernen und in einem generischen Formalismus wie z. B. Timed Automata darzustellen. Die Interpretation solcher Modelle, und somit auch der identifizierten Anomalien, wird jedoch aufgrund fehlender Kontextinformationen erschwert. Dieser Beitrag zielt darauf ab, die modellbasierte Anomalieerkennung in CPPS zu verbessern, indem der gelernte Timed Automaton mit einem formalen Wissensgraphen über das System kombiniert wird. Hierdurch werden sowohl das Modell als auch die identifizierten Anomalien mit eindeutiger Semantik in einer gemeinsamen Wissensbasis beschrieben, um den Anlagenbetreibern eine einfachere Interpretation des Modells und der identifizierten Anomalien zu ermöglichen. Darüber hinaus präsentieren die Autoren eine Ontologie der erforderlichen Konzepte und Beziehungen. Der Ansatz wurde an einer prozesstechnischen Mischanlage validiert. Es konnte gezeigt werden, dass die Interpretierbarkeit der Anomalien und des Automatenmodells durch den generierten Wissensgraphen gesteigert werden konnte.

We present a method for matching the required capabilities of general recipes with available resources to formulate master recipes. Process elements extracted from BatchML XML files are used to decompose the required capabilities and match them with the capabilities offered by components at distinct levels. A capability OWL ontology with properties aids in querying and matching capabilities with resources, enabling validation via description logic (DL) queries post-inference and integration into the master recipe. DL queries and matching within a knowledge base demonstrate AI-based knowledge processing for production systems.

Zusammenfassung Im Rahmen von Industrie 4.0 wurde die Verwaltungsschale als die Technologie für Interoperabilität entwickelt und durch Spezifikationen definiert. Während die syntaktische Interoperabilität durch standardisierte Schemata, z. B. JSON Schema, XSD oder RDFS, erreicht werden kann, bleibt die Sicherstellung der semantischen Interoperabilität eine Herausforderung, insbesondere wenn heterogene Definitionen von semantischen Beschreibungen verwendet werden. Aufgrund der Vielfalt und großen Anzahl an Teilnehmern innerhalb eines Industrie 4.0 Wertschöpfungsnetzwerks erscheint die Einigung auf einen einzigen Standard semantischer Beschreibungen unwahrscheinlich. Darüber hinaus existieren mehrere Methoden, um diese Beschreibungen aufeinander abzubilden (engl. matching). Diese reichen von der manuellen Definition von Äquivalenzbeziehungen über eine algorithmische Analyse von OWL-Ontologien bis hin zur Nutzung von speziell trainierten KI-Modellen. Zur Handhabung dieser Heterogenität wird ein Konzept vorgestellt, welches den Zugriff auf die verschiedenen Quellen semantischer Beschreibungen sowie verschiedene Methoden ihres Matchings durch ein einheitliches Interface abstrahiert, sodass ein Beitrag zur Verbesserung semantischer Interoperabilität geleistet wird.

Zusammenfassung Um eine hohe Qualität in Produktionsprozessen zu realisieren, ist die Expertise von Prozessexperten von entscheidender Bedeutung. Die Aufnahme und Formalisierung des Wissens erfordern die Entwicklung einer menschzentrierten künstlichen Intelligenz (KI) und insbesondere einer Architektur, die die Integration des Menschen während des gesamten Entwicklungsprozesses erlaubt. Es wird die Entwicklung einer Architektur für eine menschzentrierte KI beschrieben, die die Anforderungen verschiedener Fertigungsverfahren berücksichtigt und gleichzeitig die Anforderungen der in dem Entwicklungsprozess beteiligten Personen berücksichtigt.

The introduction and adoption of various semantic models for describing assets within a plant have paved the way for new opportunities. This contribution centers on the establishment and continuous maintenance of a plant asset management system based on knowledge graphs, utilizing the information contained in various semantic models. Additionally, it highlights how the graph can be leveraged in the creation and configuration of AI-based anomaly detection models, aimed at the monitoring of measurement values in a process plant. The concept paves the way for the wide deployment of AI models in monitoring applications in process industry.

Zusammenfassung Durch die zunehmende Automatisierung und Digitalisierung von Produktionsprozessen ist eine effiziente Kommunikation und Koordination in Agentensystemen von entscheidender Bedeutung. Diese Studie analysiert die Verzögerungszeiten der Kommunikations- und Koordinationsprozesse in Agentensystemen anhand von zwei industriellen Anwendungsfällen. Durch die Kategorisierung von Nachrichten werden die lokalen und Netzwerk-Verzögerungen jeder Nachricht modelliert, gemessen und verglichen. Die Ergebnisse zeigen, dass die Modellierung von Verzögerungszeiten vor der Implementierung zu einem effizienteren Ansatz bei der Ausarbeitung der harten und weichen Echtzeitfähigkeiten komplexer Systeme führen kann. Die Generalisierbarkeit der Ergebnisse ermöglicht es, die Ergebnisse auf wiederkehrende Module in Produktionssystemen anzuwenden.

Metal forming processes like open-die forging or hot rolling are well-established for the production of key components in various industries. Nevertheless, the control of the final microstructure and hence mechanical properties is not yet common. To achieve this, the authors propose and discuss a control concept based on reinforcement learning, fast process models (FPM) and an “operator in the loop” approach. The concept is explained and tested using deviating initial ingot temperatures as idealized process disruptions. RL algorithms are trained for both processes and transferred into the controllers that are connected to a simulative environment based on FPM. Within this framework, the online adaption is possible in ∼2 s in rolling and 4–6 s in forging. This highlights the concepts suitability to be used for property control in hot metal forming.

Zusammenfassung Die additive Fertigung mittels DED-Arc-Verfahren ist durch die hohen Fertigungszeiten ein kostenintensiver Prozess. Die klassischen Qualitätsprüfverfahren, die der Fertigung nachgelagert sind, geben erst nach Fertigstellung des Werkstückes Aufschluss über die erreichte Qualität. Nacharbeiten sind häufig ausgeschlossen, sodass bei unzureichender Qualität das Bauteil dem Ausschuss zugeführt wird. Die Anwendung von in situ Qualitätskontrollen ermöglicht es, Unregelmäßigkeiten frühzeitig bereits während des eigentlichen Aufbauprozess zu erkennen und eine direkte Nacharbeit kann stattfinden. Die akustischen Emissionen werden bereits erfolgreich von erfahrenen Schweißern als Qualitätsmerkmal für den Prozess eingesetzt. In diesem Beitrag soll mit Hilfe der akustischen Signale, die während des Schweißens entstehen, die Prozessqualität vorhergesagt werden. Dabei liegt der Fokus auf der Erkennung des Schutzgasflusses und eventuell vorhandener Oberflächenverunreinigung durch Öl. Dies kann maßgeblich zur Bildung von Poren innerhalb der entstehenden Schweißraupen beitragen. Zur Erkennung dieser Parameter wird die Verwendung eines Convolutional Neural Networks (CNN) zur Auswertung des emittierten Luftschalls diskutiert. Als wesentliches Merkmal zur Klassifizierung werden die, in der Sprecher- und Spracherkennung verbreiteten, Mel-Cepstralkoeffizienten (MFCC) herangezogen. Des Weiteren wird der Einfluss der Netzwerkparameter des CNN auf die Klassifizierungsgüte des resultierenden Netzwerkes dargestellt. Es zeigt sich, dass die ausschließliche Verwendung der MFCC dem CNN ermöglicht Prozessabweichungen zu detektieren. Aufgrund der hohen Informationsdichte der MFCC gegenüber dem STFT-Spektrum bieten erstere die Möglichkeit die Größe des verwendeten CNN erheblich zu reduzieren.