Automatisierung des Lernens neuronaler Netze in der Produktionssteuerung

Abstract

Kurzfassung In den letzten Jahren haben künstliche neuronale Netze ihre grundsätzliche Eignung für den Einsatz in verschiedenen Bereichen der Produktionsplanung und -steuerung bewiesen. Zu ihren Stärken gehört die Fähigkeit, aus den während des Einsatzes gewonnenen Informationen zu lernen. Sie können sich somit flexibel an wechselnde Situationen in der Produktion anpassen und benötigen zudem im Vergleich zu klassischen Regelungsansätzen nur einen geringen Rechenaufwand für Modellierung und Betrieb. Der Einsatz über längere Zeitperioden hinweg offenbart jedoch Schwächen im Bezug auf die Effektivität des kontinuierlichen Lernens. Zum einen ist die Qualität des Lernprozesses in hohem Maße von passenden Trainingsdaten abhängig, zum anderen führt das Phänomen des Catastrophic Forgetting bei Lernprozessen über längere Zeiträume zu einem Überschreiben bereits erlernten und weiterhin nützlichen Wissens mit neuen Informationen. Hieraus ergibt sich die Notwendigkeit, den Prozess des kontinierlichen Lernens und Vergessens neuronaler Netze zu strukturieren und die Gewinnung der benötigten Trainingsdaten zu automatisieren. Ziel dieser Forschungsarbeit ist eine Softwarearchitektur, die Produktionssituationen anhand logistischer Kennzahlen bzw. statistischer Daten aus der Produktion klassifiziert, passende neuronale Netze auswählt und deren kontinuierliches Lernen mittels passender Trainingsdaten überwacht.