Optimierung von Feature‑Auswahl in intelligenten Fertigungssystemen

Die Integration von Künstlicher Intelligenz in Produktionsprozesse gewinnt zunehmend an Bedeutung. Durch den Einsatz intelligenter Systeme lassen sich Effizienz und Automatisierung erheblich steigern.

In der vorliegenden Studie wird der Begriff „Gentelligent System“ verwendet, um Systeme zu beschreiben, die interne Komponenteninformationen – ähnlich wie Gene in der Bioinformatik – nutzen und automatisierte Mechanismen integrieren. Dabei werden Fertigungsabläufe mit Chromosomen verglichen, um die Struktur der Prozesse besser zu verstehen.

Ein zuverlässiges Fehlererkennungssystem bietet Herstellern mehrere Vorteile: höhere Produktqualität, gesteigerte Ausbeute und niedrigere Produktionskosten. Um diese Ziele zu erreichen, schlägt die Arbeit einen hybriden Ansatz vor, der auf einem dominanzbasierten Multi‑Objective Evolutionären Algorithmus (MOEA) basiert.

Der Algorithmus optimiert gleichzeitig die Auswahl relevanter Merkmale und die Klassifikationsleistung. Durch die Erkundung von Pareto‑optimalen Lösungen in einem einzigen Durchlauf können mehrere widersprüchliche Ziele – etwa Kosten, Qualität und Durchsatz – gleichzeitig minimiert werden.

Mit diesem Ansatz lassen sich verschiedene Fertigungsoperationen überwachen und an sich verändernde Marktbedingungen anpassen. Die Autoren haben das Modell anhand von zwei realen Datensätzen aus unterschiedlichen Industriebranchen validiert.

Die Ergebnisse belegen die Generalisierbarkeit und Effektivität der Methode: Auf beiden Datensätzen erzielte die hybride Lösung signifikante Verbesserungen bei Feature‑Auswahl und Klassifikationsgenauigkeit, was die praktische Anwendbarkeit in der Industrie unterstreicht.