Abläufe der Produktions- und Automatisierungstechnik auf ein neues Niveau heben

Mehrwerte des maschinellen Lernens

Anzeige
Komplexe Prozesse überwachen, intelligent analysieren und sie befähigen, auch in ungeplanten Situationen eigenständig richtig zu entscheiden: Dieses Ziel verfolgen IPA-Experten mithilfe des maschinellen Lernens.

Autor: Dr.-Ing. Werner Kraus, Fraunhofer IPA

Maschinelles Lernen (ML) ist aktuell eine der zentralen Innovationen und kann Abläufe in der Produktions- und Automatisierungstechnik auf ein neues Niveau heben. Die Grundidee ist, Systeme mit Technologien auszustatten, die von menschlichen Fähigkeiten inspiriert sind. ML-Verfahren spielen dort ihre Mehrwerte aus, wo die Parameter eines Prozesses nicht vollständig bekannt sind, wo sich diese häufig ändern und wo die Komplexität eines Prozesses sehr hoch ist.

Basis für Machine Learning sind große Datenmengen, die mithilfe verschiedener Methoden verarbeitet, echtzeitnah ausgewertet und für verschiedene Anwendungsszenarien genutzt werden. Signifikant gestiegene Rechenkapazitäten machen dabei umfangreiche Zusammenhänge und Muster erkennbar.

In verschiedenen Projekten überführen IPA-Experten, ML-Verfahren in industrielle Anwendungen. Ein Beispiel ist die Optimierung des roboterbasierten Griff-in-die-Kiste, also des automatisierten Vereinzelns von ungeordnet vorliegenden Werkstücken im Projekt Deepgrasping zusammen mit der Universität Stuttgart. Derzeitige Lösungen für den Griff-in-die-Kiste nutzen zur Objekterkennung wiedererkennbare Merkmale und fest programmierte, modellbasierte Objekterkennungsmethoden. Die Konfiguration der Algorithmen, z. B. das Einlernen neuer Werkstücke, erfolgt manuell durch Experten.

ML kann nun dafür eingesetzt werden, dass sich die Algorithmen für den Griff-in-die-Kiste autonom optimieren können: Die Berechnungszeiten für den Griff verkürzen sich, zudem erhöht sich die Rate erfolgreicher Griffe. Somit wird die Prozesssicherheit mit jedem Greifversuch gesteigert. Als Grundlage für das Einlernen von ML-Verfahren ist allerdings initial eine hohe Anzahl von Trainingsdaten nötig, deren Generierung im industriellen Betrieb jedoch zu zeitaufwendig wäre.

Deshalb entsteht aktuell eine virtuelle Lernumgebung in Form eines Simulationsmodells. Damit werden bereits vor der Inbetriebnahme viele Greifprozesse mit dem benötigten Werkstück virtuell durchgeführt. Ein neuronales Netz, also eine Vielzahl an vernetzten Recheneinheiten auf verschiedenen Abstraktionsebenen, lernt aus vielen simulierten Griffen und verbessert sein Prozesswissen kontinuierlich. Die vortrainierten Netze werden dann auf den realen Roboter übertragen.

Anomalien erkennen und bewerten

Die Objekterkennung via ML ist für viele weitere Anwendungsfälle eine Schlüsseltechnologie, z. B. in der Logistik, um in Warenlagern Einzelobjekte aus großen Sortimenten erkennen und korrekt greifen zu können. Ziel ist es, ML für das automatische Erkennen und Erfassen bisher nicht gesehener Objekte zu nutzen.

Indem Systeme Anomalien als Ausreißer erkennen, sind automatische Qualitätskontrollen möglich, die unter anderem Beschädigungen aufdecken können. Mit der smarten Systemoptimierung hat das Fraunhofer IPA zudem ein kamerabasiertes Analysetool entwickelt, das gleichzeitig alle In-Line-Prozesse beobachtet und Störursachen sowie deren Auswirkungen auf Prozessketten in komplexen, schnell taktenden Systemen zentral auswertet. So sind Optimierungen ohne Prozesseingriff möglich, zudem erhalten Anwender eine Fehlermusteranalyse über alle gesammelten Daten. Die Anwendung wurde in mehreren Produktionen erfolgreich eingesetzt: Bei der Schott Schweiz haben die IPA-Mitarbeiter zum Beispiel mit der Methodik ein hochautomatisiertes Fertigungssystem zur Herstellung von Spritzen optimiert und die OEE um ca. zehn Prozent erhöht.

Dies sind nur einige Beispiele für Technologien, an denen die IPA-Experten aktuell zum Thema ML arbeiten. Ziel ist es, diese in kundenspezifische Anwendungen zu überführen und effizient in Produktionen zu integrieren. Besondere Kompetenz wird das Institut künftig auch durch die geplante Einrichtung seines Zentrums für Cyber Cognitive Intelligence bündeln können und so ML in umfassendem Maße in sein Portfolio integrieren.

Fraunhofer-Institut für Produktionstechnikund Automatisierung IPA

www.ipa.fraunhofer.de


Zum Autor

Dr.-Ing. Werner Kraus ist Leiter der Gruppe Intralogistik und Materialfluss am Fraunhofer IPA.



Hier finden Sie mehr über:
Anzeige

Aktuelle Ausgabe

Schlagzeilen

KUKA: Smarte Automatisierung

KUKA Roboter Hochschule Karlsruhe

Smarte Automatisierung mit KUKA im Überblick

Newsletter

Jetzt unseren Newsletter abonnieren

Themenseite Cobot

Erläuternde Beiträge, Neuigkeiten, Anwendungsbeispiele und Hintergrundinfos rund um das Thema kollaborative Robotik

Messevideo


Greiferintegration leicht gemacht: Die Zimmer Group zeigt, wie es geht.

Kalender

Aktuelle Termine für die Automatisierungsbranche

Whitepaper

Whitepaper aller unserer Industrieseiten

Alle Webinare & Webcasts

Webinare aller unserer Industrieseiten

Anzeige
Anzeige

Industrie.de Infoservice

Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de