Willenbacher, Martina

Arbeitstitel

Methoden der Künstlichen Intelligenz zur Optimierung von Stoff- und Energieströmen

Betreuung

Prof. Dr. Andreas Möller, Leuphana-Universität Lüneburg; Prof. Dr.-Ing. Volker Wohlgemuth, HTW Berlin

Abstract

Die Dissertation soll zeigen, welche Möglichkeiten des Einsatzes von Methoden der Künstlichen Intelligenz das Potenzial haben, Materialströme zu optimieren. Dies soll anhand eines Künstlichen Neuronalen Netzes demonstriert werden, wobei je nach Berechnungsziel, Aufgabenstellung und Prozessablauf KI-Methoden wie Heuristikfunktionen, Constraint Satisfaction Problems oder probabilistisches Schließen einbezogen werden. Weiterhin sollen sinnvolle Ontologien zur Wissensrepräsentation gebildet werden. Das Vorhaben adressiert die Forschungsfelder Künstliche Intelligenz, Modellierung und Simulation, Schnittstellenprogrammierung sowie Datenmanagement aus dem Gebiet der Informatik sowie die Stoff- und Energiestromoptimierung aus dem Gebiet der Umweltwissenschaften.

Mit der Dissertation wird der Versuch unternommen, eine Grundlage für den Einsatz von Methoden der KI in produzierenden Betrieben mit besonderem Fokus auf kleine und mittlere Unternehmen (KMU) zu schaffen, welche durch das zu entwickelnde Künstliche Neuronale Netz unterstützt werden sollen, ressourcen- und energieeffizienter zu arbeiten, wobei jedoch der personelle und finanzielle Aufwand gering bleibt.

Um flexibler auf auftretende Schwierigkeiten reagieren zu können wird bei der Entwicklung der Software auf agile Methoden (Scrum, Refaktoring, Kanban) zurückgegriffen. Weiterhin werden in die Entwicklungsarbeiten moderne Tools wie VowPal Wabbit (Tool für schnell selbstlernende Algorithmen) und Caffe (Framework für maschinelles Lernen) eingebunden.