Prozessführungskomponenten für die Integration von Machine Learning Modellen in die operative Prozessführung

Grothoff, Julian Alexander; Abel, Dirk; Epple, Ulrich; Kleinert, Tobias Theodor

doi:HT021477010

Prozessführungskomponenten für die Integration von Machine Learning Modellen in die operative Prozessführung

Grothoff, Julian Alexander^RWTH*

2022

VerantwortlichkeitsangabeJulian Alexander Grothoff

AusgabeAls Manuskript gedruckt

ImpressumDüsseldorf : VDI Verlag GmbH 2022

UmfangXI, 164 Seiten : Illustrationen, Diagramme

ISBN978-3-18-527708-5

ReiheFortschrittberichte VDI : Reihe 8, Meß-, Steuerungs- und Regelungstechnik ; 1277

Dissertation, RWTH Aachen University, 2022

Rückentitel: Integration von Machine Learning Modellen. - Weitere Reihe: Lehrstuhl für Prozessleittechnik ; Band 1|1 volume 1|1. - Zweitveröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Epple, Ulrich (Thesis advisor) ; Abel, Dirk (Thesis advisor)^RWTH* ; Kleinert, Tobias Theodor (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2022-07-06

Online
DOI: 10.18154/RWTH-2022-08320
URL: https://publications.rwth-aachen.de/record/852743/files/852743-ZV.pdf

Einrichtungen

Projekte

BMBF-01IS16022 - Verbundprojekt BaSys 4.0: Basissystem Industrie 4.0 (BMBF-01IS16022) (BMBF-01IS16022)

Inhaltliche Beschreibung (Schlagwörter)
Machine Learning (frei) ; Orchestrierung (frei) ; agent-based systems (frei) ; component-based engineering (frei) ; komponentenbasierte Entwicklung (frei) ; künstliche Intelligenz (frei) ; modular process control (frei) ; modulare Prozessführung (frei) ; orchestration (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
In der Forschung finden sich vermehrt Anwendungsbeispiele des maschinellen Lernens. Einige der trainierten Modelle avisieren die direkte Steuerung oder Regelung von technischen Prozessen. Bei der Integration in industrielle Systeme ergeben sich jedoch Herausforderungen. Meist werden Lösungen individuell an das Prozessleitsystem angepasst und sind daher nicht interoperabel. In dieser Arbeit wird der Ansatz beschrieben, die Lösungen als Dienste standardisierter Komponenten zur Prozessführung zu kapseln. Ein Entwurfsmuster zeigt, wie die Herausforderungen adressiert werden und so eine schrittweise Integration sowie einheitliche Orchestrierung möglich wird. Zur Validierung wurde eine Simulation eines Transportprozesses in Unity erstellt und ein Neuronales Netz mit PyTorch trainiert. Anschließend wurde die Lösung in das Prozessleitsystem ACPLT/RTE integriert. Diese Arbeit richtet sich daher gleichermaßen an Ingenieur*innen und Wissenschaftler*innen der Automatisierung sowie der künstlichen Intelligenz.

A rising number of application examples utilizing machine learning appear in development and research environments. Some of the trained models are build for the direct feed-forward or feed-back control of technical processes. However, challenges arise when integrating them into industrial systems. In most cases, solutions are individually adapted to the process control system and are therefore not interoperable. This thesis describes the approach of encapsulating solutions as services of standardized components for process control. A design pattern shows how the challenges are addressed, enabling stepwise integration as well as uniform orchestration. For validation, a simulation of a transport process was created in Unity and a neural network was trained using PyTorch. Subsequently, the solution was integrated into the process control system ACPLT/RTE. This work is therefore aimed equally at engineers and scientists in the fields of automation and artificial intelligence.

OpenAccess:
PDF