Digitale Zwillinge lernen

Projektübersicht 

Digitale Zwillinge sind der Schlüssel zur optimalen Gestaltung, Planung und Steuerung von Produktions- und Logistikumgebungen. Diese Softwareframeworks erlauben den Zugriff auf ein stets aktuelles digitales Abbild des Systems, ermöglichen die Optimierung und Simulation von Szenarien in dieser virtuellen Umgebung und vermitteln Änderungen mittels Arbeitsanweisungen direkt zurück an den Shop Floor. So können Entscheidungen in allen Lebensphasen des Systems evaluiert und optimiert werden, bevor sie getroffen werden. Sowohl langfristige Veränderungen am System als auch Reaktionen auf kurzfristige Störungen können optimal umgesetzt werden. Das Potential für

Unternehmen wird hierbei als sehr hoch eingeschätzt (prognostiziertes Marktvolumen von 10 Milliarden US $ in 2028^[1]). Das Fraunhofer ISST und die HSBI haben das Open-Source-Framework OFact (Open Factory Twin) erstellt, dass es insbesondere kleinen und mittelständische Unternehmen erlaubt ihre Produktionssysteme zu digitalisieren.   

OFacT basiert auf einem standardisierten Zustandsmodell, mit dem beliebige diskrete Materialflusssysteme abgebildet werden können. Über das Datenintegrationsmodul können beliebige

Datenschnittstellen angesprochen werden. Die Steuerung des Systems wird durch ein Multi-Agenten-System übernommen, so dass Steuerungsregeln hochflexible und getrennt von Zustandsmodell abgebildet und verändert werden können. Die Agenten übernehmen auch die Steuerung des Materialflusssystems mittels Arbeitsanweisungen. 

Als Umgebung kann das Framework auf eine simulierte Realität zurückgreifen, um z.B. Szenarien zu evaluieren. Planungsservices erlauben die Erstellung und Optimierung von Handlungsalternativen und ein Dashboard die Auswertung anhand von Standard-Kennzahlen.

Eine wichtige Hürde bei der Implementierung von Digitalen Zwillingen in kleinen und mittelständischen Unternehmen sind die Kosten, die durch das manuelle Modellieren durch Experten entstehen. Diese Kosten fallen nicht nur bei der Erstellung, sondern auch bei der regelmäßigen Aktualisierung an. Das Ziel dieses Projektes ist es deshalb Digitalen Zwillinge aus Daten der Unternehmen zu lernen. 

Der/die Studierende soll in dem Projekt Verfahren aus dem Bereich des Maschinellen Lernens nutzen, um Modelle von OFacT auf Basis von Daten von Produktionsumgebungen zu lernen. Die IoT-Daten oder auch Event-Logs vom Shop Floor der Unternehmen enthalten häufig schon viele der benoteten Informationen. Genutzt werden können Daten aus existierenden Industrieprojekten vom Fraunhofer ISST oder von der IoT-Factory am Campus Gütersloh. Neben Methoden des Process Mining, werden Regressions- und Klassifikationsverfahren z.B. auf Basis von tiefen Neuronalen Netzen eingesetzt. Zudem soll untersucht werden, inwieweit Teile der Modelle auch mit aktuellen Large Language

Models (LLM) erstellt werden können. Hierzu kann es sinnvoll sein, Retrival-Augmented Generation (RAG) zu nutzen, um die LLM mit domainspezifischen Informationen zu versorgen.

Die verwendeten Methoden der Regression und Klassifikation, sowie LLM und RAG sind Bestandteil der Veranstaltung im Forschungsmaster und Kernbereiche der Data Science.

-          Daten werden über das Fraunhofer ISST und die IoT-Factory bereitgestellt

-          Das Open-Source-Framework OFacT wird an der HSBI entwickelt und ist verfügbar

-          Hardware für Maschine Learning ist über das Data Science Lab, das CfADS, sowie dem KI-Rechencluster yourAI der HSBI verfügbar

Erstes Semester: Erstellung eines Forschungsexposés als Prüfungsleistung. Einarbeitung in die Aufgabenstellung und das Framework OFacT.

Zweites Semester: Literaturreche zur Generierung von Modellen mithilfe von Verfahren des maschinellen Lernens, insbesondere LLMs und RAG. Sichtung der Datensätze und Anwendung erster einfacher Verfahren des Process Mining und existierender Sprachmodelle. Erstellung eines Papers, das einen Überblick über das Forschungsgebiet gibt, ist Prüfungsleistung.

Drittes Semester: Praktische Umsetzung der eigenen Lösung und Generierung eine OFacT-Modelles für einen konkreten Anwendungsfall. Veröffentlichung eines Papers mit den ersten Ergebnissen ist Prüfungsleistung.

Viertes Semester: Masterarbeit und Kolloquium. Finale Evaluierung durch Vergleich verschiedener Verfahren. 

Zwingend:

-          Programmierkenntnisse (vzw. Python)

Optional: 

-          Erfahrung mit Maschinellem Lernen 

-          Erfahrung mit LLMs

-          Entwicklung und Verwendung von Digitalen Zwillingen 

-          Generierung von Modellen mittels LLMs und RAG

-          Publikation von wissenschaftlichen Veröffentlichungen auf internationalen Konferenzen

-          Kompetenzen in der Arbeit im Team -          Open-Source Entwicklung