Optimal-adaptive online-Führung von Verarbeitungsprozessen unter nicht-stationären Einflüssen

Motivation und Ziele:

Ziel des Projektes ist die Erforschung, Entwicklung und Bewertung adaptiv-optimaler Regelungsverfahren für Fertigungsprozesse in der Metallverarbeitung. Mittels der entwickelten Methoden sollen initiale, offline ermittelte, Regelgesetze an den realen physikalischen Prozess zur Prozesslaufzeit angepasst werden, um:

Prozessverhalten zu adaptieren, das nicht teil der simulierten Umgebung ist
nicht-stationäre Prozessbedingungen auszugleichen

Untersuchungen

Ergebnisse

Entwicklung und Untersuchung von Methoden zur optimal adaptiven Regelung von Fertigungsprozessen auf Basis des Reinforcement Learning
Entwicklung und Untersuchung von Adaptionsstrategien zur Minimierung des Prozessausschusses bei explorativer Adaption, unter Anderem durch Detektion zyklisch auftretender nicht-stationärer Prozessbedingungen

Framework zur Modellierung von Fertigungsprozessen als Markov Entscheidungsproblem und zur Anwendung von Reinforcement Learning Agenten zur Prozessoptimierung
Implementierte Ausprägungen eines generischen Regelagenten: Approximatives online Reinforcement Learning für Fertigungsprozesse auf Basis rekurrenter künstlicher Neuronaler Netze zum Umgang mit partieller Beobachtbarkeit und Methoden zur sicheren und effizienten Prozessexploration
Evaluationsergebnisse der Regelagenten auf Basis eines oder mehrerer Beispielprozesse der Metallverarbeitung

Anwendungsbeispiel: Tiefziehen