Zum Seiteninhalt springen
Generative KI für adaptives Training in industriellen Sensorsystemen

GenSATIOn-Edge

Gruppenfoto von sechs Personen vor einem Roll-Up zur Europäischen Regionalförderung in Nordrhein-Westfalen. Links im Bild drei übereinandergestapelte Würfel mit den Buchstaben ‚E‘, ‚F‘ und ‚R‘. Im Vordergrund ein blauer Kasten mit weißer Schrift: ‚Dieses Projekt wurde aus Mitteln der Europäischen Union im Bereich Innovation und Forschung gefördert.‘ Darunter Symbole in Herz-, Pfeil-, Baum-, Kreis- und Sternform.

Das Projekt

Für das Projekt „GenSATIOn-Edge“ hat die Hochschule Ruhr West zusammen mit weiteren Partner:innen eine Zusage für die Förderung vom Ministerium für Wirtschaft, Industrie, Klimaschutz und Energie und der EU erhalten.

Es handelt sich um die Entwicklung einer Generativen KI, also ein System das in der Lage ist, neue Daten oder Inhalte zu erzeugen, welche auf vorhandene Daten trainiert wurde. Das Projekt „GenSATIOn-Edge“ zielt dabei speziell auf das Training in so genannten industriellen Edge-Sensorsystem ab. Das sind Sensoren, die nahe an der Quelle der Daten oder des Ereignisses platziert sind, um Echtzeitinformationen zu erfassen und zu verarbeiten. „Diese Systeme ermöglichen eine schnellere Reaktion auf Ereignisse und können dazu beitragen, die Effizienz und Genauigkeit von Prozessen zu verbessern“, sagt Prof. Dr. Joachim Friedhoff, Institut Maschinenbau an der HRW.

Die Problemstellung

Generative KI ermöglicht innovative Anwendungen in den Bereichen der Sprach- und Textverarbeitung, z.B. mit Modellen wie GPT-3. Die Grundlage für diese Innovationen bildet die Methode des selbstüberwachten Lernens, bei der sogenannte Grundlagenmodelle die Semantik großer Datenmengen erlernen. Das semantische Verständnis wird anschließend zur Lösung spezifischer Aufgaben genutzt. Damit wird die Menge annotierter Trainingsdaten drastisch reduziert, was auch für andere Anwendungsbereiche interessant ist. 

Insbesondere im industriellen Umfeld ist nur ein Bruchteil der anfallenden Sensordaten annotiert und damit für überwachtes maschinelles Lernen nutzbar. Auch klassische unüberwachte Methoden stoßen bei der Sensordaten- und Zeitreihenverarbeitung an ihre Grenzen, z.B. beim Erlernen zeitlicher Zusammenhänge. Obwohl das selbstüberwachte Lernen eine geeignete Lösung darstellt, ist die Verwendung in industriellen Sensorsystemen bisher begrenzt. Gründe dafür sind die Heterogenität und Ressourcenlimitierung der zur Verfügung stehenden Recheneinheiten, wie z.B. Mikrocontroller.

Ziel des Vorhabens

Das Ziel dieses Projekts besteht in der Übertragung des selbstüberwachten Lernens für Diagnose und Prognose auf Basis industrieller Sensordaten. Dazu stehen energieoptimierte selbstüberwachte Verfahren für den universellen Einsatz in eingebetteten Systemen im Fokus. "Die Basis bilden Daten aus innovativen intelligenten Sensorsystemen. Auf diese Weise wird es in Zukunft möglich sein, KI auch in industriellen Kleinserienfertigungen einzusetzen, was aufgrund der geringen Mengen an annotierten Trainingsdaten bisher nicht möglich ist“, so Prof. Dr. Andreas Henning, Institut Mess- und Sensortechnik“. Zudem soll das Potenzial zur gesamtheitlichen Steigerung der Ressourceneffizienz in den Endanwendungen am Beispiel der Zerspanung aufgezeigt werden. 

Beitrag der HRW

Die Hochschule Ruhr West wird in diesem Vorhaben das Arbeitspaket AP5 (Kommunikation und Vernetzung des IoT-Sensorsystems) leiten, ihre Kompetenzen in Hard- und Softwareentwicklung von intelligenten Sensorsystemen einbringen und Daten für das Training von Modellen aufnehmen.

Konsortium

test
test
test
test
test

Kontaktperson

Foto von einer Person
Prof. Dr. Andreas Hennig

Institut Mess- und Sensortechnik

Lehrgebiet: Grundlagen der Elektrotechnik

Kontaktperson

Foto von einer Person
Prof. Dr. Andreas Hennig

Institut Mess- und Sensortechnik

Lehrgebiet: Grundlagen der Elektrotechnik