Das Projekt

Inhalt

Bisherige Ansätze zur flexiblen Automatisierung basieren auf Beschreibungsmodelle für die vorherrschenden Produktvarianten und Betriebsmittel. Die Beschreibungsmodelle definieren die Rahmenbedingungen, innerhalb derer die Produktion sich automatisiert adaptieren kann. Treten jedoch unvorhersehbare Bedingungen auf, oder werden neue Produktvarianten eingeführt, ist ein hoher Engineering-Aufwand zur Anpassung von mechanischen Maschinenkomponenten, des Steuerungs- und Kommunikationssystems, sowie der Organisationsstruktur erforderlich. Letztlich wird dadurch auch die Neugestaltung der Beschreibungsmodelle nötig.

Das Projekt InPuls – „Intelligente Produktionsprozesse und lernfähige Systeme in KMUs“ – strebt eine flexible Automatisierung auch bei unvorhersehbaren Rahmenbedingungen an. Zusammen mit dem Verband Deutscher Maschinen- und Anlagenbauer (VDMA) wird der Einsatz von künstlicher Intelligenz zur Prozessregelung untersucht. Das Projekt fokussiert dabei Problemstellungen, bei denen eine Maschine durch Ausprobieren mit der Umgebung selbstständig sich den bestmöglichen Prozess beibringt. In den betrachteten Anwendungsdomänen treten Rahmenbedingungen auf, die aufgrund ihrer Komplexität und Dynamik technisch-physikalisch noch nicht modelliert werden können. Durch den Einsatz selbstlernender Verfahren ist es bei wechselnden Rahmenbedingungen nicht mehr nötig, Prozessparameter manuell anzupassen. Dadurch mindert sich der Programmier- und Wartungsaufwand und es erhöhen sich die Zuverlässigkeit und Prozesseffizienz.

Anwendungsszenarien

Autonome Montage

Am Institut für Unternehmenskybernetik wird ein selbstlernender kraftgeregelter Montageprozess in einem wissenschaftlichen Demonstrator umgesetzt. Das langfristige Ziel besteht darin, eine autonome Montagezelle für unplanbare Montagesituationen zu erschaffen. Ein Roboter erlernt eigenständig eine geeignete Montagebewegung, ohne dass die exakten kinematischen und dynamischen Gegebenheiten von Greifsystem und Bauteil beschrieben werden müssen.

Autonomer Pneumatischer Schüttgutförderer

Das zweite Szenario wird im Technikum der AZO Controls GmbH realisiert und adressiert eine verfahrenstechnische Problemstellung am Beispiel des pneumatischen Schüttgutförderers. Der pneumatische Schüttgutförderer transportiert mittels Unterdruck Güter, wie beispielsweise Mehl und Sand, über längere Strecken. Die Fließeigenschaften der Schüttgüter hängen jedoch stark von Umgebungsbedingungen wie die Luftfeuchtigkeit und die Temperatur, sowie von herstellungsbedingten Toleranzschwankungen ab. Bisher erfolgte daher eine sehr pessimistische Auslegung des Förderprozesses um auch bei ungünstigen Bedingungen noch einen robusten Fließprozess zu gewährleisten. Mit dem Einsatz der künstlichen Intelligenz wird nun angestrebt den Fließprozess stets im optimalen Betriebspunkt zu halten.

Reinforcement Learning

Die eingesetzte KI-Methodik erfordert die Modellierung des Systems als Reinforcement Learning Agenten. Der Agent verfügt über die Fähigkeit den Systemzustand zu beobachten und mit Hilfe eines Modells eine Aktion zu ermitteln. Diese führt er aus und erhält dafür einen Belohnungs- oder Bestrafungswert mit dem das Modell kontinuierlich optimiert wird. Belohnt werden kann ein Roboter beispielsweise durch die Minimierung der Distanz zum Zielpunkt. Der pneumatische Schüttgutförderer erhält seinen Belohnungswert über die erreichte Fließgeschwindigkeit und der Genauigkeit der geförderten Schüttgutmenge.

Eines der zentralen Herausforderungen ist es, insbesondere bei kleinen Stückzahlen, mit möglichst wenigen Trainingsdaten eine geeignete Prozessstrategie zu trainieren. Populär gewordene Verfahren, wie beispielsweise Deepmind‘s AlphaGo, erlernen in mehreren Millionen Trainingsiterationen für eine diskrete Aufgabe ein geeignetes Verhalten. In der Produktion liegen jedoch häufig kontinuierliche Prozesse vor, die der Anforderung unterliegen, mit wenigen dutzend Trainingsiterationen bereits ein robustes Prozessverhalten zu erlernen.