Maschinelles Lernen in der Textilindustrie

Intelligente Maschinensysteme und Machine Learning (ML) verändern derzeit unsere Arbeitswelt dramatisch. Dabei sind die grundlegenden Konzepte dazu schon länger bekannt. Bereits 1959 führte Arthur Samuel den Begriff Machine Learning ein als »Forschungsgebiet, das Computer in die Lage versetzen soll, zu lernen, ohne explizit darauf programmiert zu sein«.
 

Datenbasiertes Maschinelles Lernen

In der Umsetzung bedeutet Machine Learning, dass mit statistischen Methoden Algorithmen entwickelt werden, die lernen, in vorgegebenen Daten Muster und Gesetzmäßigkeiten zu erkennen. Dies wird beispielsweise genutzt, um mit ML-Methoden die Produktqualität aus den Prozessparametern zu prognostizieren. Die Güte der ML-Algorithmen und damit der Prognose hängt dabei entscheidend von der Qualität und Quantität der vorhandenen Daten ab.

CFD-Simulation einer virtuellen Garnspule im Färbebad
© Fraunhofer ITWM
CFD-Simulation einer virtuellen Garnspule im Färbebad

Hybrides simulationsbasiertes Maschinelles Lernen

Die Anstrengungen der Forschenden zielten in den letzten Jahren darauf ab, immer größere Datenmengen möglichst in Echtzeit verarbeiten zu können. Gerade für Anwendungen in der Textilindustrie ist das Problem aber oftmals nicht die effiziente Verarbeitung großer Datenmengen, sondern dass nicht genügend bzw. nicht genügend brauchbare Daten vorhanden sind. Für das Design von Prozessen und Produkten ist in der Textilindustrie umfangreiches Erfahrungswissen vorhanden, in der Regel jedoch nicht als symbolisches Wissen dokumentiert und damit nicht zugänglich für eine datengetriebene Optimierung mit ML-Methoden.

Daher entwickeln und verwenden wir einen hybriden Ansatz, um Produktionsprozesse in der Textilindustrie mit ML-Methoden zu optimieren. Können rein datengetriebene ML-Methoden – aufgrund zu weniger Daten oder der fehlenden Formalisierung des vorhandenen Erfahrungswissens – nicht eingesetzt werden, ergänzen wir diese durch Simulationen. Dazu beschreiben wir die Prozesse mithilfe physikalischer Modelle und setzen diese numerisch um. Die Simulationen liefern dann die fehlenden Daten, um geeignete ML-Algorithmen zu entwickeln und mit vorhandenen Messdaten zu verzahnen. ML schließt in diesem Konzept die Lücke zwischen physikalisch basierter Simulation der Produktionsprozesse und dem – in vielen Fällen einem physikalischen Modell nicht zugänglichen – Qualitätsmaß der Endprodukte.

Das neuartige hybride ML-Verfahren demonstrieren wir exemplarisch an der Optimierung von Kreuzspulmaschinen bzgl. einer besseren Durchfärbung der gewickelten Garnspulen im Rahmen des AiF-Projektes DensiSpul.