O+P Fluidtechnik 7-8/2023

Weitere Magazine

Empfehlungen

Info

INTERVIEW M. Sc. Faried Makansi, wissenschaftlicher Mitarbeiter am ifas der RWTH Aachen FORSCHUNG UND ENTWICKLUNG GESUCHT: AGENTEN FÜR MASCHINENSTEUERUNG Der Einsatz von Künstlicher Intelligenz überrascht im Maschinenbau heute nicht mehr. Dennoch schreitet die Technik auch hier voran und stetig werden neue Ansätze verfolgt und verfeinert. Speziell für fluidtechnische Anwendungen hat M.Sc. Faried Makansi vom ifas der RWTH Aachen eine Steuerung entworfen, die auf Softwareagenten basiert. Im Gespräch mit O+P Fluidtechnik erklärt der Wissenschaftler, was das im Einzelnen bedeutet. SERIE DIGITALISIERUNG IN DER FLUIDTECHNIK Teil 1: Juli / August 2023 Gesucht: Agenten für Maschinensteuerung Interview mit M. Sc. Faried Makansi Teil 2: September 2023 Digitale Optionen Teil 3: Oktober 2023 Simulation und Sicherheit 22 O+P Fluidtechnik 2023/07-08 www.oup-fluidtechnik.de
INTERVIEW Herr Makansi, Sie haben Ihre Ideen für ein Forschungsvorhaben zur agentenbasierten Regelung und Steuerung von Fluidsystemen bereits mehrfach einem Fachpublikum vorgestellt. Was ist kurz gesagt der Kern Ihres Ansatzes? Wer sind die Agenten? Was ist das Ziel? Zustand Agent Handlungsregel Aktion Der Kern des angesprochenen Forschungsvorhabens ist, die Potenziale der künstlichen Intelligenz zur Lösung komplexer Regel- und Steueraufgaben für fluidtechnische Anwendungen nutzbar zu machen. In diesem Kontext ist meistens auch von Agenten die Rede. Damit sind Software-Agenten gemeint, die gewissermaßen eigenständig, gemäß eines angelernten Verhaltens, mit der Umgebung interagieren. Spannend ist hierbei, dass das Anlernen dieser Agenten in Teilen den menschlichen Lernprozess imitiert, indem einem Agenten durch Belohnung und Bestrafung mitgeteilt wird, welches Verhalten von ihm gefordert ist. Dieser Lern- bzw. Trainingsprozess läuft algorithmisch ab und ist daher gut automatisierbar. Das Ziel ist, in einem teilautomatisierbaren Entwicklungsprozess Agenten zu erhalten, die eine hochperformante Maschinensteuerung ermöglichen. T p x U U Reinforcement Learning Algorithmus U Umgebung Optimierung Belohnung In der Vielzahl von Anwendungen, in der wir beeindruckende Leistungen von Algorithmen und maschinellem Lernen bereits gesehen haben - was wäre am ehesten mit Ihrem Ansatz vergleichbar? DER AGENT „LERNT“, WELCHE AKTIONEN IN WELCHEN SITUA- TIONEN AUSZUFÜHREN SIND In der Tat findet maschinelles Lernen immer stärkeren Einzug in vielfältigste Anwendungen, von Computerspielen über autonomes Fahren bis hin zu Investmentplanung und Chatsystemen. Auch wenn sie alle im Hintergrund auf ähnlichen Konzepten basieren, gibt es doch anwendungsspezifische Eigenheiten, wie etwa die Beschaffenheit und Verfügbarkeit der Daten oder Anforderungen an die Zuverlässigkeit trainierter Agenten. Im Bereich industrieller Anwendungen finden wir meist die Situation vor, dass wir zum einen sicherheitstechnische Rahmenbedingungen einhalten müssen und zum anderen qualitativ hochwertige Daten eher rar sind. Hinsichtlich der sicherheitstechnischen Ansprüche können wir viele Parallelen zum autonomen Fahren finden. Wir können aus Sicherheits- und Kostengründen die Agenten nicht einfach frei im Feld, an realen Maschinen oder Fahrzeugen, üben lassen. Eine mögliche Lösung, die wir im angestrebten Forschungsvorhaben verfolgen wollen, besteht darin, die Agenten im Vorfeld an Simulationsmodellen des Zielsystems vorzutrainieren, sodass der Trainingsaufwand am realen System reduziert werden kann. Darüber hinaus müssen wir für unsere fluidtechnischen Anwendungen, ebenso wie beim autonomen Fahren, absichern, dass trainierte Agenten keine Unfall- oder Gefahrensituationen verursachen, um sie in Verkehr bringen zu können. Dafür möchten wir in dem geplanten Projekt die aktuell in der Umsetzung befindlichen rechtlichen Rahmenbedingungen, wie die EU-Maschinenrichtlinie und den Vorschlag der Richtlinie über KI-Haftung aufgreifen und unsere technischen Lösungen danach ausrichten und auf Konformität prüfen. 01 Schematische Darstellung des Reinforcement Learning- Prozesses mit der Rolle des Agenten Es ist also keine Künstliche Intelligenz, die dahinter sitzt – oder doch? Der Ausdruck „Künstliche Intelligenz“ wird meist als Synonym für allerlei Systeme verwendet, die mit maschinellem Lernen arbeiten. Das ist auch naheliegend, da es Analogien zum menschlichen Lernprozess gibt und die entsprechenden Systeme auch meist darauf abzielen, menschenähnliches Verhalten zu replizieren. Dahinter stecken dann aber doch im Wesentlichen skalierbare mathematische Strukturen wie neuronale Netze und dazu passende Optimierungsalgorithmen, die von Menschen konfiguriert werden und mit von Menschen ausgewählten Informationen gespeist werden. Folglich haben diese „künstlichen Intelligenzen“ keine eigene Intelligenz, sondern können lediglich Aufgaben innerhalb eines Rahmens ausführen, für den sie programmiert wurden. Was hat die agentenbasierte Regelung mit Condition Monitoring gemeinsam und wo unterscheidet sie sich? Die wahrscheinlich größte Gemeinsamkeit dieser beiden Techniken ist, dass sie beide im Kontext von maschinellem Lernen und industriellen Anwendungen Erwähnung finden. Ansonsten besteht ein wesentlicher Unterschied zwischen den beiden Techniken in ihrer Funktionsweise und ihren Zielen. Bei der agentenbasierten Regelung ist das Ziel, dass ein Agent „erlernt“, welche Aktionen in welchen Situationen auszuführen sind, um ein von der Umgebung gewünschtes Verhalten herbeizuführen. Dafür kommen Methoden des sogenannten Reinforcement Learnings (deutsch: bestärkendes Lernen) zum Einsatz, bei denen der Lernprozess auf Interaktion mit der Umgebung, also gewissermaßen einem Trial-and-Error-Prinzip, beruht. Das Ziel des Condition Monitorings ist hingegen, den Zustand eines Sys- www.oup-fluidtechnik.de O+P Fluidtechnik 2023/07-08 23
Seite 1 und 2: 5445 Juli/August 2023 07-08 € 17
Seite 3 und 4: EDITORIAL FORSCHUNG FÜR INNOVATION
Seite 5 und 6: SZENE BOPLA ERÖFFNET NEUEN STANDOR
Seite 7 und 8: TIEFSEEBERGBAU UND HYDRAULIK Die am
Seite 9 und 10: SENSORIK UND MESSTECHNIK WEITER AUF
Seite 11 und 12: Ralf Steinmann Was sind Ihrer Meinu
Seite 13 und 14: 01 02 Darüber hinaus wurden bei de
Seite 15 und 16: VERBINDUNGSTECHNIK LECKAGESICHERHEI
Seite 17 und 18: VERBINDUNGSTECHNIK 03 Die Umformmas
Seite 19 und 20: PNEUMATISCHE POSITIONSKONTROLLE FÜ
Seite 21: Die Plus-Supply Materialversorgung
Seite 25 und 26: MARKTPLATZ DATENLOGGING FÜR VENTIL
Seite 27 und 28: WERKSTOFFE Medizinprodukte Lebenmit
Seite 29 und 30: STECKVERBINDER VENTILE 01 02 das Ma
Seite 31 und 32: INSTANDHALTUNG Der Weg des Kondensa
Seite 33 und 34: BERECHNUNGSMODELLE 3. K V -WERT FÜ
Seite 35 und 36: BERECHNUNGSMODELLE KV-WERTE SOLLTEN
Seite 37 und 38: VERBINDUNGSTECHNIK HYDRAULIKLEITUNG
Seite 39 und 40: 03 ENTSCHEIDUNG FÜR STAUFF FORM EV
Seite 41 und 42: HYDROSPEICHER KONKRET GEFRAGT Frank
Seite 43 und 44: MARKTPLATZ MEHR SICHERHEIT: KAMERA-
Seite 45 und 46: MARKTPLATZ KOMPAKTER, SEEWASSERBEST
Seite 47 und 48: SONDERFAHRZEUGE Jeder Plattformwage
Seite 49 und 50: ANALYSE UND OPTIMIERUNG 01 01 Alles
Seite 51 und 52: WHEN KNOWLEDGE MATTERS Custom engin

O+P Fluidtechnik 7-8/2023

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?