Jonathan Lambers & Jonas Krauß – KI in der Kunststoffindustrie

- Dr. Theo SteiningerCo-Founder & CEO at Erium
- Jonathan LambersResearcher at the Southern German Plastics Center (SKZ), Würzburg – Digitalization Research Group
- Jonas KraußResearch Associate, Fraunhofer Institute for Manufacturing Engineering and Automation (IPA), Bayreuth – Intelligent Value Chains Group
Overview
In this episode, host Theo Steininger speaks with Jonathan Lambers (SKZ Würzburg) and Jonas Krauß (Fraunhofer IPA Bayreuth) about the research project 'ProBase': its goal is to detect quality deviations in plastic injection molding processes in near real time using Bayesian networks, automatically diagnose the root causes of defects, and provide machine operators with concrete recommendations for action. The three guests shed light on both the technical foundations – from data generation and Bayesian networks to the sim-to-real gap – and the broader societal relevance of the topic in the context of circular economy and the use of recyclates.
About the guest
Jonathan Lambers has been a researcher at the Southern German Plastics Center (SKZ) in Würzburg for three years. SKZ is a non-university research institute with around 400 employees and a corporate network of more than 400 partner companies. There, he works in the Digitalization group on data-driven monitoring and optimization of plastics processing. Jonas Krauß has been a research associate in the 'Intelligent Value Chains' group at the Fraunhofer Institute for Manufacturing Engineering and Automation (IPA) at the Bayreuth site for one and a half years. With around 1,000 employees, Fraunhofer IPA is one of the largest Fraunhofer institutes and covers the entire field of production engineering – with a focus on AI in manufacturing, digital transformation, and circular economy. Both researchers collaborate on the ProBase project, developing AI-assisted systems for the injection molding process.
Summary
The Core Goal of ProBase: AI-Assisted Quality Monitoring in Injection Molding
Injection molding processes are complex and susceptible to disturbances. ProBase aims to automatically detect quality deviations in produced components in real time, identify the most probable root cause of defects, and deliver concrete recommendations to machine operators – for example, which temperature or pressure should be adjusted.
This approach addresses two pressing challenges facing the plastics industry simultaneously: on the one hand, material waste can be significantly reduced when quality problems are detected early and remedied in a targeted manner. On the other hand, the system accounts for the growing shortage of skilled workers – in the future, a single operator will need to manage not one or two, but five to ten machines at the same time. An intelligent assistance system that immediately flags the relevant machine and provides an explained diagnosis is a crucial prerequisite for this.
Circular Economy and Recyclates as a Driving Force
A key societal context of the project is the increasing use of recyclates – plastics that have already completed one lifecycle and are being reused. These materials exhibit fluctuating properties, which considerably complicates process control: conventional machine settings that are defined once and then run stably do not work reliably with recyclates.
The topic has already made its way into policy – recyclate quotas of 20 to 25 percent are being mandated for various industries. Companies that cannot regulate their production processes dynamically enough face a serious problem as a result. AI-based assistance systems like the one developed in ProBase are a central building block for making recyclates viable for industrial use and advancing the circular economy.
Bayesian Networks: Why Interpretability Is Crucial
Bayesian networks were chosen as the core method of ProBase – probabilistic graphical models that explicitly represent relationships between variables as nodes and edges. Unlike neural networks, they do not produce deterministic predictions but probabilistic ones, meaning distributions rather than single values. This makes it possible to express how confident the model is in its assessment.
The decisive advantage over black-box models is interpretability: since relationships between parameters are modeled explicitly and process knowledge can be incorporated directly, machine operators can understand why the system issues a particular recommendation. This is not only important for acceptance in practice, but also serves as a safeguard – if the displayed cause appears plausible, the recommended action can be implemented; if not, the experienced operator can intervene.
The current model deliberately refrains from directly embedding physical formulas, as this would increase complexity and reduce interpretability. Instead, relationships between parameters are modeled and iteratively refined using expert knowledge and data analyses (feature importance analyses, correlation coefficients).
Data Generation: A Laborious but Precious Asset
Before machine learning could begin, the entire infrastructure first had to be built: a fully networked injection molding cell including temperature control units, a thermographic camera, an image processing system, mold cavity pressure sensors, and environmental sensors. Over the course of the project, nearly 1,000 components were produced, with more than 300 parameters recorded for each part.
The careful creation of labels – both for regression problems (e.g., predicting component weight) and for classification (e.g., the presence of a specific defect pattern) – was particularly time-consuming but critical to the quality of the models. The resulting dataset has been made publicly available and is free to download. An important insight: 1,000 data points is a small number by machine learning standards – which makes it all the more important to extract as much information as possible from each data point through expert knowledge and structured experimental designs.
Human in the Loop: AI as a Recommendation System, Not an Autopilot
A deliberate design decision in ProBase is the avoidance of full automation. The system provides recommendations but does not make autonomous interventions in machine control. This decision reflects both the current level of technical maturity and industry expectations: most companies currently do not want AI that intervenes directly in their processes, but rather assistance systems that inform and support the operator.
The difference between a recommending and a controlling system is technically enormous – yet the added value for the user is often modest. At the same time, the assistance system keeps the human in the decision loop, which catches errors caused by incorrect model predictions. Only when the system displays a plausible cause should the recommended action be implemented – an experienced operator can assess that plausibility.
Outlook: ProBase Reload with Reinforcement Learning and Adaptive Experimental Design
Building on the results of ProBase, the team is planning the follow-up project 'ProBase Reload'. The core ideas involve two new methods: adaptive experimentation, in which experimental points are no longer planned entirely in advance but are selected dynamically based on what has been learned so far; and reinforcement learning, in which an agent explores the process window in an injection molding simulation, finds optimal parameter settings, and then transfers these to the real machine.
At the same time, the time-consuming training phase is to be made more efficient by leveraging data from the sampling phase of new molds, which takes place regardless. One challenge that remains is the sim-to-real gap – the discrepancy between simulation results and reality, which became apparent in the current project and is to be specifically addressed in the follow-up. The submission for ProBase Reload is planned for February 2023, and additional companies are expressly welcome as project partners.
Key takeaways
- Unlike black-box models, Bayesian networks enable transparent root cause analysis that is comprehensible to machine operators and therefore acceptable in practice.
- The shortage of skilled workers in the plastics industry makes AI-assisted systems a necessity: in the future, a single operator will need to manage significantly more machines simultaneously.
- Recyclates with fluctuating material properties require dynamic process control – AI is a key enabler for meeting legally mandated recyclate quotas.
- 1,000 carefully labeled data points with more than 300 parameters per component represent a valuable, publicly available dataset – but from an ML perspective it is a small data basis, making structured expert knowledge all the more important.
- Human in the loop is not a weakness but a deliberate and sensible design decision: AI should first recommend, not control autonomously.
- The sim-to-real gap is a real obstacle in synthetic data generation: simulations only yield useful training data when the source material is very well characterized.
- Physical prior knowledge can be incorporated into Bayesian networks, but it increases complexity and can reduce interpretability – the right balance must be found on a project-specific basis.
- Application-oriented research between TRL 3 and 6 fills the gap between academic basic research and industrial series production – and generates directly transferable results.
Conclusion
ProBase impressively demonstrates how industry-oriented research collaborations between specialized institutes – in this case SKZ and Fraunhofer IPA – can create real solutions to pressing industrial problems. The combination of Bayesian networks, carefully labeled process data, and a human-centered assistance system approach provides a practical path to modernizing quality monitoring in injection molding. Beyond that, the project is an important building block on the road to a functioning circular economy for plastics – one of the most pressing industrial and societal challenges of our time.
For Production and Manufacturing Managers
AI in injection molding does not have to be introduced as a fully autonomous control system – an explainable assistance system that diagnoses root causes of defects and provides recommendations for action is technically feasible and is already being requested by industry. The publicly available ProBase dataset offers a direct entry point.
For Data Scientists and ML Practitioners
Bayesian networks are an often underestimated tool in the AI toolkit: they enable the integration of expert knowledge, deliver probabilistic predictions with uncertainty quantification, and are considerably more interpretable than neural networks – particularly valuable when working with small, expensively generated datasets such as those found in industrial process environments.
For Students and Young Professionals
The intersection of circular economy and AI-driven process optimization in the plastics industry offers enormous potential for positive societal impact – and demand is high for interdisciplinary professionals who can combine domain knowledge with data competencies.
Show full transcript
Speaker0: Heute zu Gast bei The Erium Podcast sind Jonathan Lambas und Jonas Kraus. Jonathan Lambas ist seit 3 Jahren Wissenschaftler am Kunststoffzentrum in Würzburg und erforscht die Möglichkeiten der Digitalisierung in der Kunststoffverarbeitung. Neben der Arbeit treibt er gerne Sport und erlebt Abenteuer mit seiner Familie. Jonas Kraus ist seit eineinhalb Jahren wissenschaftlicher Mitarbeiter in der Gruppe intelligente Wertschöpfungsketten am Fraunhofer Institut für Produktionstechnik und Automatisierung in Bayreuth. Dort arbeitet er aktuell in verschiedenen Projekten an der datengetriebenen Optimierung von Fertigungsprozessen. Privat findet er Ausgleich beim Basketballspielen oder Wandern. Jonathan und Jonas forschen beide zusammen im Projekt Pro Base daran, bei Spritzgieß Prozessen mithilfe von basischen Netzen Qualitätsabweichungen echt zeitnah zu erkennen, Fehlerursachen automatisiert zu diagnostizieren und Handlungsempfehlungen
Speaker1: zu geben. Herzlich willkommen zu 1 neuen Folge von die E-Ream Podcast. Mein Name ist Theo Steining und heute zu Gast Jonas Klaus und Jonathan Lambers. Jonas, Jonathan, schön euch im Podcast zu haben. Grüß euch.
Speaker2: Hi Theo, vielen Dank für die Einladung.
Speaker3: Ebenso, danke.
Speaker1: Diese Folge ist eine besondere Folge, nämlich eine Dreierfolge, wie wir grad schon im Intro von Corinna Körth haben. Ihr arbeitet beim Fraunhofer IPA und beim SKZ in Würzburg. Und lasst uns da gleich mal genauer einsteigen, was das für Firmen sind und wie da die Zusammenarbeit aussieht. Wir haben mit Erium ja auch diese Konstellation in einem der Projekte, nämlich den Pro Base Projekt unterstützen dürfen, bevor wir uns auf die Firmen konzentrieren, aber erst mal noch mal 'n Schritt zurück, würde ich gern noch mal auf euch als individuelle Persönlichkeiten eingehen, weil der Abriss des Lebenslaufs, das ist immer so LinkedIn Style, ja. Und vielleicht fangen wir ganz kurz mit dir an, Jonas. Du hast ja eine fleißige Laufbahn hingelegt, hast dich beim Studium nicht nur aufs reine Studieren konzentriert, sondern warst ja bei Mercedes als Werkstudent schon unterwegs, auch dann schon im Fraunhofer quasi vor deiner jetzigen Rolle beim IPA. Und was mir aufgefallen ist, Du warst ja aber nachm Studium dann erst mal noch bei 'ner anderen Firma bei Rehau und bist dann aber doch dann wieder zum Fraunhofer IPA. Vielleicht kannst Du das noch mal für uns einordnen, was da der Beweggrund für dich war, wieder zu Fraunhofer zu gehen.
Speaker2: Ja gerne. Also das hängt damit zusammen, dass ich dann festgestellt hab, dass mir die Arbeit beim Fraunhofer einfach fehlt. Also die die Arbeit in der Forschung, die Abwechslung, die sich aus den verschiedenen Forschungsprojekten ergibt, die ich, wie Du bereits gesagt hast, eben ausm Studium schon kannte. Und als sich dann eine Gelegenheit ergeben hat, wieder ans Fraunhofer zu gehen und dann eben auch noch in 'nem interessanten Bereich, im Bereich maschinelles Lernen, Digitalisierung, in der Produktion, habe ich das genutzt und bin dann wieder ans Fraunhofer zurück.
Speaker1: Wenn Du's vielleicht schaffst, das zusammenzufassen, es hören ja nicht nur Seniorige Manager hier im Podcast zu, sondern auch durchaus Young Professionals, grad frisch fertig mitm Studium oder vielleicht sogar noch im Studium. Wenn Du's wenn Du's versuchst zusammenzufassen, wo wir jetzt sagen, ist der Hauptunterschied zwischen der Arbeit bei 'nem Konzern oder eben letztlich auch Firma, aber Forschungseinrichtungen wie im Fraunhofer IPA?
Speaker2: Ich würde sagen, dass die Arbeit am Fraunhofer deutlich freier ist, weil man einfach ja einfach in den Forschungsprojekten deutlich mehr Freiheit hat irgendwas zu untersuchen in verschiedene Richtungen und da einfach nicht in sonem engen Korsett ist und wirklich das nur das vorgegebene Ziel eben erreichen muss.
Speaker1: Alright. Danke dir für die Einordnung. Jonathan, wenn wir zu dir springen. Du bist von der TU München relativ zügig ans SKZ gewechselt, warst aber vorher bei 'nem Start-up. Wie ist da die die die der Unterschied zu Gewichten oder was war da der Werdegang? Ist mir nämlich aufgefallen, häufig kenn ich so, dass wenn man einmal in der Start up Welt stecken geblieben ist, dann, also wenn man da drin ist, dann ist man stecken geblieben. Oder eben andersrum, Du hast jetzt sone Transition gemacht. Gab's da externe interne Gründe?
Speaker3: Ja, genau. Ich war knapp 3 Jahre beim Start-up Sinnpower in der Nähe von Sternberg und ja, da hat man sehr viel Freiheiten in so der Start up Welt, kann man sehr viel gestalten. Es hat mir auch sehr viel Freude gemacht. Ich wollte dann aber trotzdem noch mal 'n bisschen in die Wissenschaft tiefer reinschnuppern. Also erst mal die die Freiheit der Start up Welt erleben und dann wieder die Tiefe der Wissenschaft. Deswegen hab ich mich dafür entschieden, dann ans SKZ zu gehen.
Speaker1: Alright. Ja, find ich find ich sehr, sehr spannend, denn ich kann natürlich den Freiraum, den man im Start-up hat, nur bestätigen, auf der anderen Seite hat's auch Nachteile. Wenn man halt so manchen Euro vielleicht zweimal umdrehen muss oder Prozesse neu erzeugen muss, die die die die bei 'nem gestandenen Unternehmen einfach schon existieren. Magst Du uns da genau erklären, was das SKZ eigentlich genau ist? Also was macht sie am SKZ?
Speaker3: Ja, das SKZ ist ein Forschungsinstitut außeruniversitär in Würzburg, steht für süddeutsches Kunststoffzentrum. Wir haben so 400 Mitarbeiter ungefähr und haben ein 1 Firmennetzwerk außen rum von noch mal gut 400 Firmen, die uns unterstützen. Und darin haben wir mehrere die Forschung, die Bildung und die Prüfung. Prüfung ist zum Beispiel, wenn man Tischtennisbälle zu uns schickt, dann werden die geprüft, ob die für die Tischtennisbundesliga zugelassen sind oder nicht. Als Beispiel, bei der Bildung, da ist es so, dass die Firmen der Kunststoffverarbeitenden Industrie ihre Mitarbeiter zu uns schicken und dort lernen Sie bei uns, wie man zum Beispiel Spritzgießmaschinen bedient oder wie man Rohre schweißt, solche Sachen, haben wir dann ungefähr 10000 Teilnehmer pro Jahr. In dem Bereich der Forschung, wo ich auch angesiedelt bin, da geht's drum einerseits, ja, neue Kunststoffe zu entwickeln, andererseits Verarbeitungsverfahren zu optimieren, zu untersuchen, die diese Kunststoffe eben in ihre endgültige Form bringen. Also da haben wir natürlich den Spritzkurs, wir haben 3 D Druck, wir haben Extrusion und eben die ganze Messtechnik, die man außen rum braucht, diese Prozesse ja zu überwachen und zu optimieren. Da geht's dann auch immer, ne, im Bereich der Forschung müssen wir auch neue Themen bedienen und da geht's Richtung Kreislaufwirtschaft und Digitalisierung ganz viel. Da wollen wir dann halt, ja, Teil der Lösung sein, wenn es die die Plastikkrise geht quasi und nicht Teil des Problems. Meine Rolle dort ist dann ja in der Forschungsgruppe Digitalisierung. Das heißt, ich darf viel mit den Maschinen arbeiten, Daten rausziehen, die die analysieren, Machine Learning Modelle bauen, dann diese Prozesse zu überwachen und ja, weiter voranzubringen. Genau, alles in allem eine ganz schöne Mischung aus Schreibtischarbeit, Arbeit mit Menschen, Arbeit mit Maschinen.
Speaker1: Genau. Und jetzt ist ja Forschung nicht gleich Forschung. Wenn Du's vergleichst mit universitärer Forschung, ist das quasi das gleiche in grün oder gibt's da Unterschiede?
Speaker3: Ja, muss man schon sagen, ist 'n Unterschied. Wir sitzen jetzt nicht im Elfenbeinturm wie die Kollegen aus der Uni und forschen vor uns hin, sondern wir probieren wirklich mit den Unternehmen zu forschen. Also wir haben viele Projektkonsortien, die sich direkt beteiligen und uns eben auch ja, Anforderungen geben, dass wir dafür forschen, dass es in der Industrie anwendungsnah direkt was bringt und nicht nur auf einem theoretischen Fundament bleibt.
Speaker1: Ja. Mhm. Ist es dann spiegelt sich das auch auf den diesen TRL Levels wieder, also den Technology Readiness Levels? Seid Sie dann da quasi später unterwegs als jetzt quasi eine TRL 1 absolute Grundlagenforschung an der Uni.
Speaker3: So ist es, genau. Also DHL sind ja diese Technology Readiness Levels. Da bewegen wir uns meistens zwischen 3 und 6, würde ich mal sagen. Also Ja. Dass eine Technologie den Prototypenstatus hat und dann in in der Einsatzumgebung erstmalig getestet wird. Und danach kommen dann die Unternehmen, greifen da auf und bringen so was dann in ihren Serienbetrieb.
Speaker1: Nice, cool. Und Jonas, jetzt ist ja die Zusammenarbeit zwischen Fraunhofer IPA und dem SKZ kein Zufall. Magst Du uns da noch mal abholen? Erstens Fraunhofer IPA, was ist das überhaupt? Was ist Fraunhofer? Wieso gibt's da noch 'n IPA hintendran? Und dann genau, wie läuft die Zusammenarbeit mit dem SKZ?
Speaker2: Genau. Also es gibt ja viele verschiedene Fraunhofer Institute. Ich glaub fast 80. Das Fraunhofer IPA ist das Institut für Produktionstechnik und Automatisierung. Hat ungefähr 1000 Mitarbeiter, ist damit auch 1 der größten Fraunhofer Institute. Und wir sitzen in Stuttgart, in Bayreuth, Schweinfurt und Mannheim unter anderem. Und ja, wir decken eigentlich den gesamten Bereich der Produktionstechnik ab. Wir haben da für uns so 12 Leid beziehungsweise Zukunftsthemen festgelegt. Dazu gehört dann beispielsweise künstliche Intelligenz in der Produktion, digitale Transformation und auch so was wie Kreislaufwirtschaft oder klimaneutrale Produktion. Und bei uns ist eigentlich sehr ähnlich wie beim Kunststoffzentrum. Das heißt, wir sind auch nicht in der Grundlagenforschung unterwegs, sondern forschen anwendungsorientiert. Das heißt bei uns hat die beziehungsweise der Transfer in die Industrie auch einen sehr hohen Stellenwert. Es wird beispielsweise dann dadurch gewährleistet, dass wir im in Industrieprojekten zum Beispiel mit den Unternehmen zusammenarbeiten. Natürlich auch in den Forschungsprojekten Workshops anbieten, Schulungen, Machbarkeitsanalysen durchführen. Ein Beispiel ist auch das KI Fortschrittszentrum Lernende Systemen kognitive Robotik. Da sind über 200 Unternehmen aktuell in Transferprojekten eingebunden. Wir bieten da regelmäßig Open Lab Days an. Da können die Unternehmen dann kommen, sich über die neuesten Entwicklungen im Bereich der künstlichen Intelligenz informieren und so gewährleisten wir einfach, dass wir unsere Ergebnisse dann auch wirklich in die Industrie rüberbringen. Und ich persönlich hab eine ähnliche Rolle eigentlich wie Jonathan. Also bin auch im Bereich Datenanalyse unterwegs, maschinelles Lernen. Allerdings sind wir eben nicht nur auf Kunststoffverarbeitung praktisch fokussiert, sondern sind da relativ unabhängig. Also beispielsweise auch bei uns jetzt in Bayreuth viel im Bereich Zerspanung unterwegs Und ja, das macht's eben natürlich auch sehr abwechslungsreich, weil wir einfach in vielen verschiedenen Branchen unterwegs sind.
Speaker1: Und in der Zusammenarbeit mit dem SKZ, also die Anlage des Pro Base Projekts, die steht ja eben beim SKZ und nicht bei Fraunhofer. So wie ich's verstanden habe, aber bitte korrigiert's mich, wenn ich da falsch liege, ist so, SKZ ist hochgradig spezialisiert auf Kunststoff. Fraunhofer IPA hat ganz viele Prozesse aufm Schirm und hier geht's aber trotzdem mit eurem Domänenwissen da mit in das Forschungsprojekt rein, das aber primär ums SKZ herum gebaut ist, oder Jonathan, also der Konzertialführer bei den Forschungsprojekten ist ja immer das SKZ erst mal.
Speaker3: Genau ja. Also das Projekt wurde initiiert, allerdings gemeinsam mit dem Fraunhofer IPA und wir haben dann die Konsortialführung übernommen. Bei uns sind halt viele Kunststoffexperten am Start. Wir haben die Firmen im Hintergrund, die sagen, ja, was gebraucht wird und wir haben die Maschinen bei uns im Technikum und können dementsprechend die Infrastruktur zur Verfügung stellen. Das Fraunhofer, würde ich sagen, ist dann stärker in ja in Daten, Verarbeitung und KI Modellierung. Deswegen, Jonas, ist das eben mehr euer Teil, ne?
Speaker2: Genau, also da kann ich mich nur anschließen. Die Verknüpfung zwischen Kunststoffzentrum und Fraunhofer würde ich sagen, die läuft sehr gut. Also wir ergänzen uns da perfekt und können das dann eben auch gut im Projekt nutzen.
Speaker1: Alright, nun überspringen wir jetzt die Frage, wer der bessere Arbeitgeber ist und tauchen direkt mal ein in die Frage, wir haben's ja jetzt schon mehrfach erwähnt, Pro Base, dieses Forschungsprojekt. Es geht Kunststoff Spritzguss, aber lass uns das noch mal ganz in aller Ruhe aufrollen Zum Hintergrund, warum wir dachten, dass es sich wirklich hier eine perfekte Gelegenheit handelt, eine Podcastfolge auch draus zu machen, ist, wir wurden damals als Erium kontaktiert. Ilona, ehemalige Kollegin in der Runde, die die hatte uns auch mit kontaktiert. Jonathan, ich glaub, Du warst auch ganz vorn bei der Kontaktaufnahme mit dabei. Und es war die Frage, wie können wir als Data Science Firma des Projekt ProWAIS unterstützen? Am Ende waren wir im projektbegleitenden Ausschuss, haben da auch wahnsinnig viel gelernt. Und was mir bei ProWAIS sehr gut gefallen hat, ist, ich ich kenn einfach viele Projekte, die dienen nur sich selbst, ja. Die erfüllen keinen keinen keinen externen Zweck, sondern ist nur eine Arbeitsbeschaffungsmaßnahme. Und das ist bei Probase komplett anders, weil's absolut verankert ist, auch wahrscheinlich gegeben durch den Einbezug von den Industriefirmen, die da als Partner mit drin sind. Und daher die Bitte, wollt's mal uns ganz kurz noch mal als Zuhörerschaft abholen. Worum geht's bei ProBase? Was ist die Zielsetzung? Und was waren die die Rahmenbedingungen, unter denen das Ganze abgelaufen ist?
Speaker3: Ja, also das Projekt ist erst mal vom Charakter her 'n reines Forschungsprojekt, gefördert von der industriellen Gemeinschaftsforschung und letztlich ist es bezahlt vom Bundesministerium für Wirtschaft und Klimaschutz. So und die, weil's das Wirtschaftsministerium ist, möchten gerne, dass nicht im Elfenbeinturm geforscht wird, sondern sehr industrienah. Deswegen haben wir da einen projektbegleitenden Ausschuss aus über 20 Firmen zusammengestellt, wo ihr ja auch mit dabei seid. Es gibt noch mal andere Unternehmen von groß bis klein, also zum Beispiel haben wir Spritzgussmaschinenhersteller Krauss Maffei dabei, Anwenderfirmen, wo die Spritzgießmaschinen stehen, die damit wirklich Teile produzieren wie Bosch Siemens Hausgeräte oder Vargo, ne, die Cliffra Struktur zur Verfügung stellen. Die sind dabei und und beraten uns halt beim Projekt. So und Busmaschinenhersteller, Projekt rum, den Spritzkiesprozess an sich zu überwachen und mithilfe von basian Netzen zu optimieren. Das heißt, ja, basian Netze wird Jona später, glaube ich, noch 'n bisschen mehr zu erklären, was das was das bedeutet, aber letztlich nutzen wir die, einerseits die Qualität des gespritzten Bauteils zu überwachen, festzustellen, also automatisiert festzustellen, wenn eine Abweichung vom Soll besteht, also die Qualität schlechter wird, dann kann das basische Netz analysieren, was ist denn die wahrscheinlichste Ursache dafür? Sind irgendwelche Einstellungen falsch oder ist irgendwas anderes im Prozess passiert, was vom Soll abgewichen ist und kann dann letztlich bestimmen und Handlungsempfehlungen geben an den Maschinenbediener. Also an welcher Schraube muss er drehen, welche Einstellung muss er ändern, die Qualität des Bauteils wieder ins Zoll zu bringen. Hab natürlich 'n paar Vorteile, also einerseits können wir den den Ausschuss reduzieren, wenn dem Maschinenbediener gleich gesagt wird, was er ändern muss, ne. Damit schonen wir die Ressourcen und andererseits und das ist eine recht große Problematik in der Industrie an sich, in der Kunststoffbranche am im Speziellen, der Fachkräftemangel. Wir haben grade den Zustand, dass ein Maschinenbediener für ein, 2 Spritzgießmaschinen verantwortlich ist und zu schauen hat, dass die laufen und gut produzieren. In Zukunft wird es aber eher so sein, dass er für 5 oder 10 Maschinen verantwortlich ist. Nicht, weil wir jetzt die Leute wegrationalisieren können, sondern weil's die Leute nicht mehr gibt, die das beherrschen. Deswegen ist es natürlich gut, wenn der Maschinenbediener sieht an Maschine 3 leuchtet ein Licht. Ich gehe dahin, schaue auf den Screen und dann krieg ich direkt angezeigt, Achtung, Qualitätsmerkmal 1, zum Beispiel Bauteilgewicht ist zu niedrig. Folgende Ursache könnte wahrscheinlich der Grund sein und wie wär's mit Du verstellt diese Temperatur oder jenen Druck? Und somit kann der Maschinenbediener dann viel, viel schneller, ja, die gute Produktion wiederherstellen und kann überhaupt seine Aufgabe erst vernünftig erfüllen. Ja, und das ist eben, würde ich sagen, 1 der Ziele des Forschungsprojekts, dass wir quasi ein 1 Tool, ein Assistenzsystem für diesen Maschinenbediener entwickeln, der der es nachvollziehbar macht für den Maschinenbediener, wenn die Qualität des Bauteils schlechter wird und gerne ja umstellen möchte, die Qualität wieder hochzubringen. Und das denk ich ja, deswegen haben wir die die Basian Netze auch ausgewählt, weil man da relativ transparent sehen kann, was innerhalb des Netzes passiert und was zu 1 gewissen Entscheidung des Netzes geführt hat. Ja.
Speaker1: Jetzt waren wir neulich auf der KARMESSE in Düsseldorf und es ist auffällig. Wir hatten 'n anderer Messebesucher den den den Spruch reinkauert, nämlich, was früher Digitalisierung war, ist heute Nachhaltigkeit, also quasi Reetikettierung ganzen Themas. Aber nichtsdestotrotz wird's mir ernst, das Thema Kreislaufwirtschaft und auch Rezyklateinsatz spielt eine große Rolle mittlerweile. Also die großen Maschinenhersteller hatten alle mindestens einen Teil ihres Stanz dieses dieses Themas gewidmet, wenn's nicht sogar dedizierte Pavillos noch aufm Messegelände gab. Max und Provais auch mit Blick auf eben Circular Economy und und Rezyklate einordnen? Spielt das da auch eine Rolle oder hängt das zusammen? Ja,
Speaker3: gutes Stichwort. Also Rezyklate vielleicht zum Verständnis noch mal, das sind Kunststoffe, die schon einmal einen Lebenszyklus durchlaufen haben und quasi wiederverwertet werden. Und die Kunststoffe, die gehen ein bisschen kaputt über die Lebenszeit, ja und deswegen, wenn man sie einmal rezykliert, also wieder einsetzt, dann haben die je nach Alter und Benutzungsgrad und so weiter, haben die schwankende Materialeigenschaften. Das heißt, wenn wir jetzt unsere Maschine nehmen Normalerweise stellt man die einmal ein und dann läuft die länger stabil, sag ich mal. Wenn wir jetzt aber ein Material haben, was in der Eigenschaft sehr stark schwankt, dann muss ich ständig nach regeln mit der Maschine. Und heutzutage machen das die Maschinen nur recht eingeschränkt. Und ja, Tools wie beige und Netze oder auch andere KI Methoden oder Regelungsmechanismen sind nötig, das Ganze irgendwie dynamischer zu regeln und letztlich diese Materialschwankungen auszugleichen, am Ende wieder eine stabile Qualität zu haben. Und das ist natürlich sehr, sehr wichtig für die Unternehmen, weil wir alle fordern, ne, gesellschaftlich verankert, wir wollen mehr Rezyklate, wir wollen weniger Kunststoffmüll produzieren und das wird auch in der Politik ist es angekommen, deswegen sind Rezyklatquoten gerade in der Einführung, also den Firmen wird vorgeschrieben, Du musst abhängig von der Branche 20, 25 Prozent Rezyklat in dein Produkt hinein verarbeiten. Ja, und wenn Du das nicht kannst, weil deine Maschinen nicht ausreichend dynamisch regelbar sind, dann hast Du Pech gehabt über kurz oder lang und da muss man halt was tun. Deswegen ist das Interesse an diesem Projekt hier, glaube ich, auch sehr hoch, weil viele Manager erkannt haben, wir müssen da in diese Richtung weitergehen, sonst haben wir
Speaker1: Pech in Zukunft. Ja, das ist extrem wichtiges Thema. Ich habe jetzt neulich eine Statistik gesehen, dass der tatsächlich recycelte Anteil extrem niedrig ist, also 0 Komma Prozent Bereich, weil die das thermische Recycling da häufig mit eingerechnet wird. Und thermisches Recycling heißt halt Umwandlung von Kunststoff zu Strom durch Wärmeenergie, so. Ja, also weiß jeder, was damit gemeint ist. Ja. Und das ist halt echt krass, ja. Insofern umso wichtiger, dass mit der Arbeit am SKZ und mit dem IPA da die die Grundlage geschaffen wird, dass man auch die Rezyklate handeln kann. Auch extrem spannend, das geht ja über über die komplette Wertschöpfungskette. Wir haben uns jetzt neulich 'n Projekt angeguckt, das wir da unterstützen zum Thema auch Kunststofftrennung, PE PP, dass wir die Komponenten auseinanderkriegen und dort kommt Elektronenstrahlbehandlung zum Einsatz. Also wirklich Hightech und und crazy, da würden wir dieses Plastikproblem in Griff kriegen. Extrem spannendes Thema, kann ich nur empfehlen. Wer grad bissel am Schauen ist, wo geht vielleicht eine Spezialisierungsrichtung hin im Studium? Das Thema ist extrem heiß und extrem vielfältig. Da kann man wahnsinnig viel auch am Ende bewegen und und hat 'n positiven Impact und macht nicht irgendwie jetzt, keine Ahnung, den neuesten Rückspiegel links von dem Auto oder so, ja.
Speaker3: Genau, die sprichwörtliche Schraube, die man aktiviert,
Speaker1: ja. Ja, ist wirklich so, ist wirklich so, ja. Man muss ja immer überlegen, wenn man das möchte, also klar, jeder tickt anders, aber wenn man sagt, wo wo hab ich als einzelne Person den längsten Hebel? Und dann ist das Thema Kunststoff und Enablement von Rezyklaten schon echt Wahnsinn. Jonas, jetzt jetzt hatten wir schon einige Male die Basedche Netze genannt. Jonathan, Du hast ja auch vorhin schon die Bridge gebaut. Jonas, magst Du uns da noch mal abholen? Basedche Netze, was, wie, wo, warum,
Speaker2: ja? Genau. Also ich würd mal kurz vielleicht drauf eingehen, was sind basedian Netze eigentlich und dann vielleicht auch son bisschen den Vergleich ziehen beispielsweise zu neuronalen Netzen, was da so die Unterschiede sind. Und bei based Netzen ist es eben so, das sind sogenannte propagistische grafische Modelle. Das heißt, man stellt da die Beziehungen zwischen verschiedenen Variablen auf grafische Weise dar. Und son Netz, das besteht letztendlich dann aus verschiedenen Knoten. Das sind eben dann die verschiedenen Parameter. Also beim Spritzgießen dann beispielsweise verschiedene Maschineneinstellungen. Und die Kanten, das wären dann eben die Beziehungen zwischen diesen verschiedenen Knoten. Also wenn beispielsweise irgendeine Temperatur zum Beispiel die die die Werkzeugtemperatur abhängt von irgend 'nem anderen Parameter, dann würd ich das eben über sone Kante in diesem Netz darstellen. Und die Vorhersagen, die son welches Netz liefert, die sind dann praktisch basierend auf diesen Beziehungen, die ich da definiert hab und auf den Wahrscheinlichkeiten dieser Variablen. Und das hat auch zur Folge, dass sich da anders als bei neuronalen Netzen keine deterministische Vorhersage bekomm, sondern eine propagistische Vorhersage. Das heißt, ich kann das sone Art Unsicherheitsqualifizierung machen. Also die Vorhersage ist praktisch eine Verteilung, kein einzelner Wert. Und ich kann dadurch halt eine Aussage auch treffen darüber, wie sicher sich dieses Spacares Netz eigentlich ist über seine Vorhersage. Und ja, wenn man dann also den Vergleich mal zieht beispielsweise eben zu den neuronalen Netzen, dann liegen die Unterschiede natürlich in der Struktur. Also wie gesagt, ich hab da eben meine Knoten, meine Kanten. Bei den neuronal Netzen hab ich eben eher sonen Schichtaufbau mit den Neuronen und kann dann nicht selber meine Beziehungen vorgeben. Und ja, wie gesagt, die Vorhersagen unterscheiden sich. Und dann 'n ganz wichtiger Punkt und eigentlich 1 der wichtigsten Punkte, warum wir bei unsche Netze verwenden in diesem Projekt, ist das Thema Interpretierbarkeit. Also dadurch, dass ich eben meine Beziehungen, die ich kenne, da festlegen kann, ist einfach klar, was da passiert. Und der große Vorteil ist halt auch, dass wir hier das Prozesswissen, was am Kunststoffzentrum vorhanden ist, eben überführen können in diese Struktur. Und
Speaker1: Hört Hört sich erst mal nach 'nem signifikanten Aufwand an. Aber Du hast grad schon erklärt, warum das Ganze sich am Ende lohnt. Also diese dieses dieses Wissen, das ihr dadurch reingebaut kriegt, ist der eine der eine Aspekt. Und zum anderen natürlich auch wieder zu verstehen, was ist letztlich der Hintergrund 1 konkreten Vorhersage, ja. Und das das das würd ich nur grad betonen, weil ich leider immer noch immer wieder auf Gesprächspartner treffe, die son Blackbox, und zwar Magic Blackbox Verständnis von KI haben im Sinne von, ja nee, die KI, die die die die hat doch gerade zum Zweck, dass ich nicht nachdenken muss. Na ja, so einfach ist das leider nicht, ja. Und dementsprechend, genau, wollte ich das noch mal hervorheben, dass dass dass Du natürlich einerseits zwar mehr Arbeit hast, aber da am Ende kannst Du damit arbeiten. Und das war auch das Schöne in der Zusammenarbeit, dass wir nicht hier einmal ein neuronales Netz irgendwie zusammengesteckt hatten, sondern wir haben 'n basisches Netz gebaut, erst 'n grobes und das dann verfeinert, an anderer Stelle wieder reduziert. Das heißt, wir sind da ja durch mehrere Iterationen durchgegangen, uns 'nem leistungsfähigen Netzwerk zu nähern, anstatt jetzt zu sagen, okay, wir haben hier eine Blackbox, wir schieben beliebig viele Daten rein und dann dann hoffen wir, dass was Gutes rauskommt. Speaking of Data wollt Sie uns da auch kurz noch mal abholen. Wovon sprechen wir mir denn da eigentlich? Weil wir haben ja hier 'n echten Prozess. Wir haben zwar eine Demoanlage beim SKZ stehen, aber die lasst sie ja auch nicht twentyfor seven laufen mit 'nem Milliarden Durchlauf und Durchsatz an an an Proben teilen, oder? Also wo worüber sprechen wir denn da datenpunktmäßig?
Speaker2: Genau, also da würd ich vielleicht noch mal kurz ausholen. Weil bevor wir überhaupt an die Daten gekommen sind, war ein wichtiger Punkt erst mal überhaupt diese ganze Spritzskießzelle aufzubauen. Also das war auch ein Bestandteil des Projekts, erst mal diese ganze Infrastruktur überhaupt aufzubauen. Das heißt neben der Spritzgießzelle natürlich die ganzen Geräte außen rum, also beispielsweise die Temperiergeräte, das Spritzgießwerkzeug zu temperieren. Dann beispielsweise Geräte zur Qualitätsprüfung, also so was wie eine Thermografiekamera, 'n Bildverarbeitungssystem, Bauteilmaße automatisiert zu vermessen. Umgebungssensoren, Werkzeuginnendrucksensoren und so weiter. Also das stand erst mal am Anfang praktisch diese Spritzgießmaschine zu vernetzen und aufzubauen. Und dann, als das abgeschlossen war, konnten wir eben damit starten, Versuchsreihen durchzuführen. Und da haben wir im Laufe des Projekts bisher, ich würde sagen so fast an die 1000 Versuchsreihen inzwischen durchgeführt. Das heißt 1000 Bauteile wirklich produziert. Und zu jedem dieser Bauteile haben wir über 300 verschiedene Parameter aus den verschiedenen Peripheriegeräten und der Spritzgießmaschine selbst. Genau und die haben wir dann zusammengeführt in einen großen Datensatz. Den haben wir dann auch veröffentlicht, also der ist frei verfügbar, den kann sich jeder herunterladen. Und mit diesem Datensatz haben wir dann eben gearbeitet, die Base Netze auch zu entwickeln und natürlich auch, in den Daten ja einfach zu analysieren, wo bestehen Zusammenhänge zwischen den Zielgrößen, in unserem Fall den verschiedenen Qualitätsgrößen und beispielsweise den Maschineneinstellungen.
Speaker1: Jetzt hast Du grad schon den Datensatz erwähnt, der, das mal kurz als aus externer Perspektive einzuordnen, der ein unglaublicher Goldschatz ist. Und zwar aus 'nem ganz einfachen Grund. Das Härteste bei einem Prozess wie dem Kunststoffspritzguss ist es, Label für die Daten zu kriegen. Das heißt, wenn ich hergehe und eine Spritzgießzelle anzapfen, was ich total easy krieg, wenn ich halt über OPCUA meinetwegen oder Euromap mich reinklinke, das ist die Produktionsparameter, die Soll Werte, die Ist Werte, da kann ich mir ganz viel rausziehen. Am Ende brauche ich für ordentliches Machine Learning beziehungsweise für die meisten Use Cases, die über so total stumpfes Anomalie erkennen drüber hinausgehen, brauche ich die Label und ihr habt's ja wahnsinnig viel Arbeit auch reingesteckt, die Label zu generieren. Was mein ich damit? Ihr habt's die Thermografiekamera benutzt, die Teile zu bewerten. Ihr habt's teilweise, wenn ich's richtig mitbekommen habe, auch noch mal gewartet richtig, damit sich der Verzug einstellen kann in dem in dem Testteil, weil wenn's rausfällt, ist es in Ordnung, 10 Minuten später ist es aber nicht mehr so cool. Und daher, wer von den Zuhörern mal mit sonem Datensatz arbeiten möchte, wir verlinken den den Datensatz in den Shownotes, der ist wirklich, wirklich gold wert. Das hat's ganz ordentliche Arbeit geleistet. Das wollte ich nicht unerwähnt lassen an der Stelle. Das ist nämlich echt keine Selbstverständlichkeit.
Speaker3: Ja, das ist schön zu hören. Also es war wirklich viel Arbeit. Haben ja auch verschiedene Label gemacht tatsächlich, also sowohl, dass man Regressionsprobleme formulieren kann, also Vorhersage, wie schwer wird das Bauteil zum Beispiel oder Klassifikationsvorhersagen, hat dieses Bauteil Fehlerbild x y ja oder nein, ne. Also binäre Klassifikation
Speaker1: kann man damit auch machen. Ja, ja, ja. Unsere Data Scientistin Victoria im Team, die hat diesen Datensatz übrigens auch noch mal benutzt, komplett fresh. Die war ja in Probbase überhaupt nicht involviert und konnte ad hoc damit arbeiten. Also war wirklich 'n sehr geiler Test noch mal das Ganze. Und gleichzeitig merkt man aber natürlich, Jonas, Du hast gerade erwähnt, 1000 Samples. Es ist, wenn man's machen muss, echt viel, aber aus Sicht von Machine Learning echt wenig. Und da merkt man noch mal, wie wichtig das auch noch mal ist, die Informationstiefe über Expertenwissen. Also wirklich, welcher Parameter kann denn überhaupt welchen beeinflussen, mit reinzukriegen oder physikalische Abhängigkeiten, wenn ich sie denn kenne? Weil man nicht unterschätzen darf, wenn man 'n Datensatz mit 1000 Punkten in ein beliebig großes neuronales Netz reinschiebt, dann ist das Ding nun überhaupt nirgendwo konvergiert. Und das muss man das muss man auch am Schirm haben, ganz abgesehen davon, dass sich based Netze natürlich, wie bereits ja von euch erwähnt, sehr gut dazu eignen, eine 1 Quellfehlerursachenanalyse, also Root Couse Analysis im Englischen durchzuführen, worüber Maxim und ich ja in der vierten Staffel von von vom Podcast Show ausführlich drüber gesprochen haben. Also insofern sollte man sich nicht abschrecken lassen, wer das jetzt hört und sagt so, hä, was? Baseian Netz sind noch nie gehört. Ist mir 'n bissel nie schick, ja, muss man dazu sagen, ja. Ist nicht so die primäre Nummer 1 Technologie im KI Markt. Aber es lohnt sich, das wirklich mal anzugucken und das in den in den Werkzeugkasten mit aufzunehmen. Wenn wir auf die Ergebnisse gucken, Jonathan, vielleicht magst Du uns da mal bissel abholen. Wir haben jetzt gehört, okay, die Anlage wurde gebaut. Da wurde auch viel, hab ich über die die die den projektbegleitenden Ausschuss mitgekriegt Richtung Cybersecurity. Wie baut man die Netzwerke auf, sodass das wirklich State of the Art entspricht? Da wurde ganz viel gemacht. Die Anlage wurde gebaut. Der Datensatz wurde geschaffen. Inwiefern ging's dann weiter? Ja, also ihr habt seine 1000 Teile produziert und seid dann nach Hause gegangen, sondern da gab's ja noch mal echte Erkenntnisse.
Speaker3: Genau. Also die 1000 Teile haben wir nicht einfach so produziert, sondern wir haben uns natürlich überlegt, mit welchen Einstellungen machen wir das? Wie variieren wir die, dass wir möglichst viel Information in möglichst wenig Daten haben? Und ja, dann haben wir letztlich die ganzen Daten ja aggregiert und sind damit dann zu unseren Spritzgiesexperten gegangen. Die hatten son Datensatz auch noch nie gesehen, also tatsächlich haben wir so viel Messtechnik da verbaut, wie es noch nie bei uns gab und ich weiß auch nicht woanders. Deswegen war das auch für die natürlich sehr, sehr spannend, mal zu sehen, stimmen denn diese ganzen Zusammenhänge, die wir seit Jahrzehnten in den Lehrbüchern stehen haben und können wir das anhand der Daten auch verifizieren? Und dann ging's natürlich dran, zu schauen, diese Abhängigkeiten der einzelnen Prozessparameter, Was denkt der Experte, ob's diese Abhängigkeit gibt oder nicht und ist es in den Daten wieder repräsentiert? Und da haben wir tatsächlich viele Schleifen drehen müssen. Wir haben unsere ganzen ja, über 300 Größen letztlich aufteilen müssen, dass wir 'n bisschen besser den Überblick wahren können. Also wir haben das aufgeteilt in in Einstellungen oder Einstellgrößen, in Prozessgrößen und in Qualitätsmerkmale, also diese 3 Klassen. Und dann haben wir versucht, mithilfe der Spritzgies Experten ja, die Verbindungen herzustellen. Was hängt von was ab? Wird zum Beispiel ein 1 Bauteilgewicht, wird das beeinflusst von 1 Temperatur oder einem Druck oder so und haben dann letztlich eine relativ große Matrix gebaut, diese ganzen Abhängigkeiten abzubilden. Ja, wenn wir uns vorstellen, 300 Parameter, eine Matrix 300 mal 300, da kann man nicht über jeden Punkt sprechen. Deswegen mussten wir 'n bisschen Komplexitätsreduktion betreiben und haben uns dann dafür entschieden, dass wir erst mal nur das Qualitätsmerkmal Gewicht, Bauteilgewicht betrachten und sind von da ausgegangen und haben überlegt, welche von den Prozessgrößen, also die man innerhalb des Prozesses messen kann, haben den Einfluss auf das Qualitätsmerkmal gewiegt? Und welche Einstellungen haben Einfluss auf die Prozessgrößen? Also letztlich son dreistufiges Ding. Einstellungen auf Prozess, auf Qualität. Und haben das dann ja, in in der kleinen Matrix, sag ich mal, analysiert. Natürlich, ja, wenn Du 2 Experten fragst, kriegst Du auch 2 unterschiedliche Meinungen und da mussten wir uns dann auch heraniterieren, bis wir zu dem Konsens gekommen sind. Und das wurde dann und da darf Jonas gern jetzt was zu sagen, mit den verfügbaren Daten gegen geprüft.
Speaker2: Genau, also wir haben dann die Daten genommen und haben auch anhand dieser Daten dann noch mal versucht zu analysieren, welche Zusammenhänge bestehen. Also haben da verschiedene Feature Importance Analysen beispielsweise gemacht, Korrelationskoeffizienten berechnet und haben dann das Ergebnis, was daraus kam, noch mal verglichen mit den Ergebnissen, die wir aus unseren Diskussionen mit den Experten gewonnen haben. Und das war dann an vielen Stellen hat sich das überschnitten. An einigen Stellen hat sich das aber auch widersprochen. Und da mussten wir dann eben abwägen, okay, was machen wir jetzt? Nehmen wir 'n Parameter mit auf in das Netz, werfen wir 'n Parameter wieder raus. Und das hat sich dann eben auch aus der Diskussion ergeben, wie wir das dann gestalten wollen.
Speaker1: Waren da so ein, 2 große Mind Blower dabei? Oder waren es vor allem Kleinigkeiten irgendwo beim Hyperparameter Tuning dessen, was die Experten anderer Meinung waren als die Daten?
Speaker2: Also ich würd sagen, das waren eher Kleinigkeiten, weil es bestehen einfach wahnsinnig viele Abhängigkeiten. Und teilweise ist es auch für die Experten dann schwierig zu sagen, wo setzt man dann jetzt wirklich konkret die Grenze? Und ja, deswegen muss man dann einfach von Fall zu Fall halt schauen und dann entscheiden, weil's einfach wirklich schwierig ist, da hundertprozentige Aussagen immer zu treffen.
Speaker3: Wenn ich da noch ergänzen könnte, eine weitere Schwierigkeit ist natürlich, wenn man Daten selbst erzeugt, dann weiß man zwar sehr gut, was man da getan hat, gleichzeitig hat man sich aber auch einen einen Versuchsplan, also ein DEE Pattern überlegt und das kann natürlich beeinflussen, welche Abhängigkeiten in den Daten drinstecken. Und das muss man dann natürlich auch erst mal auseinanderdividieren. Also den Experten sagen, wir haben absichtlich diese und diese Einstellung verändert, ne. Wenn man's absichtlich verändert, dann ist der Einfluss eventuell absichtlich in den Daten drin und nicht auf den natürlichen Prozess hinzuzufügen. Genau, aber ich würde sagen, letztendlich haben wir das alles herausgerechnet und mehr dem Experten vertraut als den Daten, weil natürlich da auch Rauschen drin ist in den Daten, ne.
Speaker1: Mhm. Mhm. Ja und Du hast vor allem ja auch die Situation, das war jetzt bei euch noch nicht ganz so krass, weil ihr die Anlage aktiv gesteuert habt. Wir hatten in der Vergangenheit 'n Projekt, da ging's darum, ein System, das aktiv geregelt wurde zu analysieren, ob wir mithilfe von Machine Learning die Regelung noch mal verbessern können. Und dann war's ganz, ganz kritisch zu unterscheiden, lernt dein System gerade das Verhalten der Anlage oder das Verhalten der Regelungstechnik? Ja, und das auseinanderzudividieren ist gar nicht so einfach. Also und das hat man zunächst auch gar nicht am Schirm. Von daher, hetzt's up für alle, die KI anwenden, auf geregelte Systeme, ey doppelt hinschauen, das zu separieren. Und gleichzeitig ist mir grad 'n Anliegen, das auch noch mal 'n bissel zu spiegeln, was ihr da grade erzählt habt. Ist wie selbstverständlich, ja. Also aus meiner Sicht schildert's ihr da grad echt in weiten Teilen Best Practices, wie man wie wie man so Projekt angeht. Und zwar auch ganz vorne schon, Jonathan. Du hast erwähnt, die Idee ist, einen Operator, der jetzt anstatt 1 Anlage auf einmal 5 oder 10 oder 15 Anlagen im Griff behalten muss, dass man dem eine Handlungsempfehlung gibt und 'n Finger zeigt, hey, guck dir mal den und den Sachverhalt hier grade an mit 'ner Empfehlung, hey, es könnte doch dieser dieser Grund sein, dass die Anlage sich grad komisch verhält oder dass die Qualität nach unten geht. Und das ist ein Ansatz, der verinnerlicht werden muss. Also dieser dieses klassische Human in the Loop beziehungsweise KI dazu nutzen, eine Vorauswahl zu treffen. Ist ganz entscheidend, weil am Ende, Du hast es auch ganz grad immer erzählt, in den Daten ist häufig noch großes Rauschen mit drin. Und die Vorstellung, dass ich jetzt 'n komplett selbststeuerendes System baue, das hundertmal schlauer ist als alle Menschen, die sich ja erst 40 Jahre mit dem Thema beschäftigen, das ist halt echt krass ambitioniert und nur in den seltensten Fällen möglich. Und deswegen so wichtig, die KI nicht für die endgültige Entscheidung einzusetzen, sondern für eine Vorauswahl oder eine Vorempfehlung, die dann der Startpunkt ist, damit jemand mit echter Expertise sich hinsetzen kann und noch mal die finale Entscheidung trifft. Das ist etwas, das fast auf jedes Projekt erst mal zumindest in den ersten Iterationen zutrifft. Und deswegen echt cool, dass ihr das da sofort am Schirm hattet und nicht das Ziel, hier selbst steuernde und selbstoptimierende Kunststoffrückzugsanlage. Denn das hätte nicht son Erfolg gehabt wie wie das, was ihr jetzt erreicht habt.
Speaker3: Ja, also das war auch, muss ich sagen, eine 1 bewusste Entscheidung, vielleicht auch eine Ängstliche, trotzdem den Human in the Loop zu haben, ne, weil man begibt sich oder man man kauft sich noch viele andere Probleme ein, wenn man wenn man versucht, die Anlage aktiv zu steuern, ohne dass man ein 1 Regelsystem oder ein Sicherheitsnetz außen rum baut und in dem Fall, wenn mal unser System eine falsche Handlungsempfehlung ausgibt, dann kann es der Maschinenbediener erkennen, zumal er ja auch die Ursache angezeigt kriegt. Also wenn die Ursache schon falsch ist, dann darf er sich auch nicht auf die Handlungsempfehlung verlassen und der geschulte Mitarbeiter kriegt das auch hin und kann dann dementsprechend den den vorgeschlagenen Änderungswunsch der des basion Netzes gar nicht erst übernehmen. Und wir sehen auch im Bezug mit unseren oder im Gespräch mit unseren Industriekunden, dass die meisten wollen auch noch kein System, was direkt eingreift. Also Richtig. Die Vertrauen der KI noch nicht so weit, als dass sie die die heiligen Prozesse steuern lassen, sondern erst mal sind nur Assistenzsysteme gefordert und dementsprechend können wir ganz gut in diese Kerbe schlagen, denke ich.
Speaker1: Ja und hat ja auch was mit Kosten Nutzen zu tun. Also der der Unterschied vom Mehrwert, wenn ich sag, okay, ich geborene 'nem Menschen einen Fingerzeig gegenüber, das System regelt komplett automatisch, der Nutzen ist vielleicht gar nicht mehr so der große Unterschied. Aber wie Du grad schon erwähnt hast, ja, der technische Aufwand, den man betreiben muss, von 'nem Empfehlenden hin zu 'nem steuerenden System zu kommen, das sind Größenordnungen. Also da sollte man sich wirklich überlegen, ob man sich's aufs ob man sich das auch leisten möchte, son System dann am Ende zu bauen.
Speaker3: Ja, eine Partnerfirma von uns hat gesagt, am Ende ist es nur eine Frage der Versicherungssumme,
Speaker1: ob man sich das traut. Na ja. Genau.
Speaker3: Aber ja, die ist bei uns jedenfalls nicht hoch genug.
Speaker1: Jonas, dann an an deiner Stelle noch mal die Frage bezüglich der basischen Netze. Für uns als Erium war's extrem cool zu sehen, wie ihr die Boards benutzt habt in Halerium, diese 300 auf 300 Parametermatrix grafisch in eine Struktur zu bringen, sodass es ja dann auch eher der visuellen Struktur von dem vasious Netz entspricht. Und auch unser Python Package Alirum Inference wurde ja dann als eine von von mehreren Lösungen eingesetzt, unser basisches Netz mehr zu bauen. Und für uns ganz interessant auch zu beobachten, wie sehr modelliert ihr explizit physikalische Zusammenhänge? Oder inwiefern bringt ihr die Parameter quasi nur, in Anführungsstrichen, in eine richtige Ordnung? Und am Ende sind's quasi dann doch wieder kleine Regressoren, die Step by Step trainiert werden. Magst uns da vielleicht noch mal kurz abholen, weil das ist ja quasi die Kunst, da die richtige Balance zu finden. Wo war für euch der zwischen Freiheit lassen im Sinne von eher mehr als weniger oder hartes Modellieren von der physikalischen Formel?
Speaker2: Ja, also in unserem aktuellen Netz sieht's eigentlich so aus, dass wir da keine physikalischen Zusammenhänge drin haben aktuell, sondern wirklich nur die Beziehungen halt modelliert haben und da eben gewisse Freiheiten, wie Du gesagt hast, gelassen haben. Wir haben natürlich auch recherchiert, viele Paper gelesen, da gibt's einiges, die schon wirklich viele physikalische Zusammenhänge identifiziert haben. Allerdings hätte das Ganze da natürlich auch wieder eine deutlich höhere Komplexität gehabt. Also wenn ich da die physikalischen Formeln mit reinnehme, dann würd ich sagen, leidet natürlich auch son bisschen wieder die Interpretierbarkeit dadran. Und deswegen ja, sind wir grade eigentlich hauptsächlich auf die reinen Beziehungen zwischen den Parametern fokussiert.
Speaker1: Was ja eine starke Aussage ist vor dem Hintergrund, dass ja in Marketingwelten digitale Zwillinge, OPC, OA Companionsbacks, einem eher Versprechen, ey, Du kriegst hier quasi 'n 1 zu 1 Abbild der Realität in Form von 'nem digitalen Zwilling und steckst es ja quasi nur noch zusammen und wandelst das Ganze in der basious Netz und dann, boom, hast 'n perfekten Simulator deines Systems. Das ist ja, was Du beschreibst, eben 'n absolutes komplementärbild dazu, dass man sich nicht rein blind auf diese Companiencebacks dann am Ende verlassen darf. Also find ich insofern schon eine schon eine starke Aussage und auch letztlich ja damit eine Ermunterung für die Zuhörer, wenn die sagen, okay, ich versuch mich mal an 'nem basischen Netz keine Angst davor zu haben, auch mal eine physikalische Formel wieder rauszuwerfen. Weil ganz ehrlich, wir hatten es als Erium in ganz vielen Projekten, dass es zwar vielleicht nach Lehrbuch Formeln gibt, die beschreiben, wie funktioniert Kunststoffsplitzguss? Also wie verhält sich die Schmelze in 'nem Kanal? Fein? Die Realität sieht ganz anders aus. Oder wie verhält sich Luft in 'nem Kanal? Wie verhält sich Öl? Und und und, ja. Da gibt's ja zu alles, zu Zahlen gibt's Formeln, aber dann, ob's wirklich eine ultimativ gute Idee ist, da das basedian Netz so hart an die Formel zu bauen, das muss man sich halt einfach angucken, ja. Also einfach auch sich dem Thema nähern und und und versuchen, wo krieg ich die besten Ergebnisse dafür raus?
Speaker3: Ist aber natürlich eine schöne Möglichkeit, Datenmangel auszugleichen, ne? Also Das stimmt natürlich auch, ja. Wenn man die Daten hat, dann ist gut. Aber wenn man die Daten nicht hat, kann man immer noch auf die physikalische Formel zurückgreifen und kriegt das Ganze ungefähr modelliert.
Speaker1: Ja, definitiv. Jetzt ist ja immer noch ein weiteres Thema bei derartigen Projekten, die harte Interdisziplinarität, ja? Die haben ja so und so bei 'nem Data Analytics Projekt und bei euch kommt da noch dazu, dass ihr nicht nur quasi das intern bei 1 Firma gemacht habt, sondern ihr habt sehr Konsortium von Jonathan, das ist von meint 20 assoziierte Partner. Waren da die die die direkten Projektpartner auch schon dabei? Wie viele waren's denn am Ende? Wie viele Firmen?
Speaker3: Genau, also die Firmen würde ich sagen, sind tatsächlich 20 Stück im projektbegleitenden Ausschuss. Da haben wir ja im Projektverlauf 3 Sitzungen, wo wir wirklich unsere ganzen Ergebnisse vorstellen und so weiter und zwischendrin reden wir halt mit den Firmen auch mal bilateral. Also klar mit euch zum Beispiel, wenn's die Bayschen Netze geht, von den anderen Firmen versteht niemand was von basion Netzen so konkret, sondern die kommen halt eher aus der direkten Anwendung. Da brauchten wir dann hin und wieder mal Unterstützung bei bei der Messtechnik oder wenn's ums Material ging, die Materialeigenschaften zum Beispiel oder das hatten wir noch gar nicht heute erwähnt, ist der ganze Simulationsteil. Also wir haben auch versucht und ich denke, das ist relativ weit verbreitet in so KI Projekten. Wenn man nicht genug Daten hat, versucht man, sich Daten zu erzeugen in Simulationen, die einigermaßen der Realität entsprechen und das haben wir auch versucht. Also Spritzgusssimulation wird seit, weiß ich nicht, 20 Jahren bestimmt gemacht, ist also auch recht fortgeschritten. Und da gibt's viele gute Tools, die einem ganz viele Sachen berechnen und auch wunderbar ausgeben können. Da war natürlich dann die Idee zu sagen, ja, Versuche in Realität zu machen, ist sehr sinnvoll, aber auch megaaufwendig. Also können wir das nicht reduzieren diesen Aufwand und uns Versuche simulieren. Und da muss man sagen, hat nur eingeschränkt geklappt bei uns im Projekt, Denn ja, in diesem Prozess kommt's stark drauf an, welche Maschine man benutzt und welches Material und das muss man beides sehr gut kennen, damit die Simulationsergebnisse zu den Ergebnissen der Realität auch passen. Und ja, da war bei uns quasi das Problem, dass wir das Material in dem Fall nicht gut genug kannten und dementsprechend die Simulationsergebnisse nicht so wirklich zur Realität gepasst haben. Also das da gibt's auch 'n Wort für, die Sim to Real Gap, ja, die Lücke zwischen Simulation und Realität, die haben wir haben wir gespürt. Wir haben ein paar Ideen, das anzugehen, wahrscheinlich aber erst im Folgeprojekt, aber ist vielleicht auch mal nett zu hören für die Hörer, dass diese Methode schon funktionieren kann, aber dass man schon sehr genau hinschauen muss, wenn man sich Daten künstlich erzeugt.
Speaker1: Ja, letztlich eine Simulation ist ja das Durchspielen von Gleichungen, von physikalischen Zusammenhängen und Gleichungen. Und wo es bei mir grad geklingelt hat, wenn Du sagst, man muss halt das Ausgangsmaterial sehr gut kennen, ja, jetzt sind wir wieder bei den Rezyklaten, ja, viel Spaß damit. Da weißt Du nicht, wie viel UV Strahlung war das Ganze vorher ausgesetzt oder ist die Durchmischung vielleicht mit 'ner Verunreinigung gegeben oder, oder, oder. Also da bist dann ganz schnell dabei, wo Du eine Simulation hast, die vielleicht das Richtige macht, aber auf Basis der falschen Ausgangsbedingungen oder Ausgangsannahmen,
Speaker3: Ja, hast Du recht. Also man kriegt natürlich 'n Datenblatt mitgeliefert, wo grobe Werte draufstehen. Ja, klar. Also zum Material kriegt man das Datenblatt dazu. Manchmal empfiehlt sich's aber, das mal nachzumessen und vielleicht auch aus verschiedenen Teilen der Charge nachzumessen,
Speaker1: ja einfach besser sein Material kennenzulernen. Mhm. Mhm. Genau. Jetzt jetzt wär aber ja SKZ und Fraunhofer IPA, ne, SKZ und Fraunhofer IPA, wenn ihr da nicht schon eine Idee hättet, das Thema auch in der Zukunft anzupacken. Magst Du uns mal abholen, Jonathan, wo geht die Reise bei euch hin?
Speaker3: Ja, also wir möchten ja auf den Ergebnissen aufbauen. Mhm. Ja, wir haben jetzt eine tolle Spritzgießzelle mit umfassender Datenaufzeichnung. Wir haben viele Daten, wir haben bei uns Netze gebaut. Wir haben das alles sogar in Form 1 Demonstrrators können wir das live an der Maschine vorführen, wie gut das Netz funktioniert und da möchten wir dann natürlich weitermachen. Im jetzigen Projekt haben wir uns ja stark fokussiert auf die Produktionsphase, also wenn der die Spritzgießmaschine schon eingeschwungen und man mit guten Einstellungen das Bauteil produzieren kann. Jedoch haben wir ja, das Bayge Netz erst mal trainieren zu können, extra Versuchsreihen durchführen müssen. Das heißt, die Idee wäre jetzt, gönnen wir nicht diese Extraversuchsphase irgendwo einsparen? So, jetzt ist es so beim Spritzgießprozess, wenn ein 1 neues Werkzeug gebaut wird, dann muss man das bemustern. Und dieser Bemusterungsprozess beinhaltet auch, dass man das Werkzeug auf die Maschine spannt und dann mal ausprobiert, wie stabil ist denn dieses Werkzeug? Wo sind denn die Grenzen des Prozessfensters und so weiter, bisschen kennenzulernen, wie das Werkzeug reagiert. Und in diesem Zuge macht man dann sowieso einiges an Versuchen, die wir natürlich jetzt, so die Idee, nutzen können, Daten zu erzeugen für unser basisches Netz. Zusätzlich würden wir natürlich diese Bemusterungsphase gern etwas automatisieren. Da passiert nämlich noch sehr, sehr viel händisch. Das würden wir gern auf auf 2 Verfahren machen. Das eine wäre ja Adaptive Experimentation, also man sucht sich einen Versuchspunkt aus, fährt den ab und basierend darauf, was man gelernt hat, entscheidet man, wo ist der nächste Versuchspunkt. Das ist anders, als wir es jetzt gemacht haben. Vorher haben wir uns die Versuchspläne komplett überlegt und dann stumpf abgefahren und jetzt wär das Ganze adaptiv. Ja, das ist das eine Verfahren und das andere wär Reanforcement Learning. Haben sicherlich schon einige gehört aus, ja, bei Computerspielen wird das viel eingesetzt oder auch in der Robotik beim beim Fraunhofer IPA. Da geht's darum, dass man einen Reforcement Learning Agent trainiert, der quasi erst mal exploriert, also die die Umgebung erkundet, sage ich mal, etwas über die Umgebung lernt und dann herausfindet, wofür kriegt er denn eine Belohnung und wofür kriegt er eine Bestrafung? So, in unserem Kontext würden wir das gern so machen, wir haben eine Spritzgießimulation. Der Reanforcement Learning Agent gibt vor, wie diese Spritzgießimulation abzulaufen hat, mit welchen Also die einstellengrößen.
Speaker1: Die Inputparameter. Genau.
Speaker3: Mhm. Und kriegt dann von der Simulation raus, wie gut ist das Bauteil geworden in verschiedenen Zahlen ausgedrückt. Und dann lernt er mit der Zeit ja das Prozessfenster kennen und kann dann sagen, okay, mit diesen und diesen diesen Einstellungen kriege ich gute Qualität heraus und kann dann dementsprechend automatisiert ja ein optimales Einstellgrößen Set finden, was wir dann wiederum von Simulation auf Realität übertragen möchten. Ja, das wäre quasi die Idee unseres Folgeprojekts. Wir sind da grad fleißig dabei, diese Idee niederzuschreiben und so zu formulieren, dass die potenziellen Geldgeber im Ministerium das auch gut finden und sind da auch schon mit einigen Firmen in Kontakt, die uns wieder unterstützen wollen. Erium ist ja auch wieder dabei. Definitiv, genau. Genau und vielleicht hier der Appell an der Stelle, dass auch noch weitere Unternehmen willkommen sind. Wir planen die Einreichung im Februar nächsten Jahres. So lang ist also noch Zeit, mit auf den Zug aufzuspringen.
Speaker1: Dann muss man dazu sagen, wir nehmen jetzt kurz vor Weihnachten auf. Die Folge wird aber im neuen Jahr dann veröffentlicht werden. Es ist natürlich gemeint Februar 23, nicht 24.
Speaker3: Genau. Wer sich danach noch melden möchte, ist auch in Ordnung. Man kann nachträglich immer noch jemand aufnehmen. Mega. Jetzt haben die Forschungsprojekte immer so geile Akronyme.
Speaker1: In dem Fall heißt das Projekt in voller Blüte
Speaker3: Pro Bias Reload treffen.
Speaker1: Ja, er hört sich an den zweiten Teil von Matrix.
Speaker3: Wie der 2. Teil von Matrix und Reload konnte man recht schön bauen aus Reenforcement Learning, aus Optimierung und der Rest fällt mir gar nicht ein, aber es macht auf jeden Fall Sinn, das Akronym und das ist ja auch immer wichtig.
Speaker1: Genau. Das das Folgefolgeprojekt heißt dann Pro Base Revolution. Und bis wir so weit sind, setzen wir uns bestimmt noch mal zu 'ner neuen Folge zusammen. Jonathan, Jonas, vielen Dank für diesen tollen Podcast. Es ist 'n extrem tolles Projekt, das uns nicht nur von na jetzt rein wissenschaftlichen Perspektive, sondern ja auch von 'ner global gesellschaftlichen Perspektive weiterbringt. Wir kommen damit der Circula Economy 'n Schritt näher. Wir kommen damit näher, dass wir Rezyklate handeln können. Wir verstehen dieses extrem komplexe Thema Kunststoffspritzguss besser. Und insofern freut's mich nicht nur persönlich, sondern auch von der fachlichen Ebene, dass wir da uns sei es nur im projektbegleitenden Ausschuss oder halt mit 'ner Deep Dive Session unterstützen können. Und kann nur noch mal unterstreichen, wer Interesse hat, in dem projektbegleitenden Ausschuss von Pro Base Reload mit dabei zu sein, meldet's euch beim Jonathan. Wir verlinken die Kontaktdaten in den Shownotes. Und ich kann nur sagen, es lohnt sich, ja? Also die Zusammenarbeit mit Fraunhofer IPA SKZ ist sehr, sehr befruchtend. Kann ich nur wärmstens ans Herz legen. Danke euch beiden.
Speaker3: Ja, vielen Dank auch. Ganz ganze Erium Team. Macht Spaß, mit euch zusammenzuarbeiten. Da kann ich mich nur anschließen.
Speaker1: An die Zuhörer checkt die neue Folge aus. Master die Komplexity.
Speaker3: Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.