Industrie & Produktion

Reinforcement Learning in der Industrie: Vom Simulator zur realen Anlage

Ein Agent, der durch Versuch und Belohnung lernt, kann Prozesse optimieren und Anlagen steuern, muss aber erst in der Simulation reifen, bevor er an echte Maschinen darf. Das Tagesseminar richtet sich an Ingenieurinnen und technische Fachkräfte, die maschinelles Lernen bereits kennen und lernende Agenten im eigenen Umfeld einsetzen wollen. Es behandelt Algorithmen wie Q-Learning, DQN und PPO, Frameworks wie Stable Baselines3 und den Transfer aus der Simulationsumgebung in die Produktion. Mit einem Live-Coding und einem Industrieprojekt im Detail gewinnen Sie eine realistische Vorstellung davon, was ein RL-Vorhaben im Werk verlangt.

Für wen

Ingenieurinnen, Ingenieure und Technikfachleute aus der Industrie mit Grundverständnis von Machine Learning, die Reinforcement Learning für Prozessoptimierung oder Anlagensteuerung praktisch einsetzen wollen.

KI-Tagesseminar · 1 Tag

Lernende Agenten trainieren, bewerten und sicher auf reale Anlagen übertragen

Das nehmen Sie mit

  • Sicherer Umgang mit den Grundbegriffen Agent, Environment, Reward und Policy und den gängigen Algorithmen
  • Ein im Live-Coding nachvollzogener Trainingsablauf in Stable Baselines3
  • Kriterien, um RL-Modelle zu bewerten, zu tunen und im Betrieb weiterlernen zu lassen
  • Ein Verständnis der Hürden beim Schritt von der Simulation an die reale Anlage

Ablauf

  1. Teil 1

    Modul 1 – Grundlagen: Agent, Umgebung und Belohnung

    • Was Reinforcement Learning ist und weshalb es für Prozess- und Anlagensteuerung interessant ist
    • Abgrenzung zu den übrigen ML-Methoden, also überwachtem und unüberwachtem Lernen
    • Kernbegriffe: Agent, Environment, Reward und Policy
    • Gängige Algorithmen im Überblick: Q-Learning, DQN und PPO
  2. Teil 2

    Modul 2 – Werkzeuge: Frameworks, Simulatoren und der erste Trainingsloop

    • Stable Baselines3 und Ray RLlib als Frameworks für das Training
    • Simulatoren zum gefahrlosen Training, etwa OpenAI Gym oder Gazebo
    • Live-Coding: Der Trainingsloop eines Agenten wird in Stable Baselines3 programmiert
    • Wie sich RL-Komponenten in vorhandene industrielle Softwarelandschaften einfügen
  3. Teil 3

    Modul 3 – Bewertung: Agenten messen, abstimmen und weiterlernen lassen

    • Kennzahlen, an denen sich die Leistung von RL-Modellen ablesen lässt
    • Hyperparameter-Tuning für stabileres Training
    • Die Balance zwischen Exploration und Exploitation finden
    • Kontinuierliches Lernen: Modelle im laufenden Einsatz aktualisieren
  4. Teil 4

    Modul 4 – Transfer: Von der Simulation an die reale Maschine

    • Training in der Simulationsumgebung als gefahrloser Ausgangspunkt
    • Gelernte Strategien auf reale Systeme übertragen
    • Hürden im Werk: Betriebssicherheit, knappe Trainingsdaten, Echtzeitanforderungen
    • Bewährte Vorgehensweisen und Beispiele aus Industrieprojekten
  5. Teil 5

    Modul 5 – Praxisbeispiel: Ein industrieller Anwendungsfall im Detail

    • Vorstellung eines realen RL-Projekts aus der Industrie
    • Systemarchitektur und Datenfluss von der Messung bis zur Stellgröße
    • Erkenntnisse aus dem Projekt und Faktoren, die über den Erfolg entschieden haben
    • Offene Diskussion und Fragen der Teilnehmenden

VoraussetzungenSie verstehen die Grundlagen maschinellen Lernens und haben Grundkenntnisse in Python.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen