Cluster Mechatronik & Automation

News

15.06.2021

Mechatronik X.0?

KI und IoT stehen im MEJOIN-Projekt im Fokus

Das Projekt MEJOIN ist eine Kooperation zwischen deutschen und japanischen kleinen und mittelständischen Unternehmen (KMUs), die der Mechatronikbranche zuzuordnen sind, und Universitäten, um den notwendigen Wissenstransfer zu gewährleisten. Im Mittelpunkt des Projekts steht der Austausch von Technologie- und Markt-Know-how mit dem Fokus auf Künstlicher Intelligenz (KI) und das Internet der Dinge (IoT).

Eine der Hauptfragen, mit denen sich das MEJOIN-Projekt beschäftigt, ist, inwieweit die teilnehmenden Unternehmen Künstliche Intelligenz in ihr Geschäftsmodell integriert haben und wie sie durch den Einsatz solcher Technologien in Zukunft wirtschaftliche Vorteile erzielen können. Das Hauptergebnis des Projekts umfasst Erkenntnisse über die unterschiedlichen KI-Situationen in den Branchen der Unternehmen, sowie Erkenntnisse über die Unterschiede bezüglich KI in Deutschland und Japan.

Einige der am MEJOIN-Projekt beteiligten Unternehmen sind in roboterbezogenen Bereichen tätig. Roboter werden zunehmend zur Optimierung der Produktion und für besonders gefährliche oder körperlich anspruchsvolle Aufgaben eingesetzt. Durch den Einsatz von KI erweitert sich der Anwendungsbereich auf ständig wechselnde Bauteile und Situationen. Verschiedene KI-Lerntechniken wie Simulationslernen und "Deep Grasping" werden die Lernzeit des Roboters verkürzen und seine Leistung in einer industriellen Umgebung verbessern. Durch den Einsatz von Kameras und Bilddatenverarbeitung durch Künstliche Intelligenz kann die Lern- und Leistungszeit von Montagerobotern drastisch verbessert werden.

Für die Treiber der digitalen Zwillinge in der Fertigung ergibt sich aus der Natur des Marktes ein höherer Bedarf an Produktionsflexibilität. Ein großes Interesse wurde hier festgestellt, was sowohl die Realisierung einer großen Vielfalt von Produktvarianten als auch die Fähigkeit zur dynamischen Umplanung der Produktion bedeutet. Der Vorschlag, der in entsprechenden Artikeln zur Erreichung der Flexibilität gefunden wurde, waren Architekturen, die von der Notwendigkeit angetrieben werden, die Produktion als Reaktion auf erforderliche Änderungen dynamisch umzuplanen, was durch einen erneuten Durchlauf von Planungsalgorithmen erreicht wird sobald ein Auslöser für eine Änderung aktiviert wird.

Die Enabler von digitalen Zwillingen in der Fertigung sind Simulation, das Internet der Dinge und Cybersecurity als entscheidende Technologien. Die Simulation wurde insbesondere mit Strukturmodellen von Maschinen und ihren Komponenten zur Modellierung mechanischer und elektrischer Funktionen sowie mit Modellen der Produktionssystemebene zur Abbildung der Dynamik des Shopfloors und seiner Prozesse in Verbindung gebracht. Der Einsatz von Analytik tauchte in der Literatur häufig als technologischer Enabler auf, wenn der digitale Zwilling einen prädiktiven oder entscheidungsunterstützenden Dienst anbot. Infolgedessen wurden Techniken des maschinellen Lernens, wie überwachte Klassifizierung und Regression, eingesetzt. Die Standardisierung von Prozessen ist ein weiterer Enabler, ebenso wie gut definierte Implementierungspläne und genaue Datenbestände in der ERP-Software. Die Festlegung eines klaren Implementierungspfads wurde häufig als wesentlicher Faktor für die vollständige Umsetzung von Fertigungsprojekten genannt.

Ein weiterer Punkt ist, dass die Qualität der Daten seit den Problemen mit der erhöhten Kapazität, diese Daten für Analysen zu nutzen, umfangreicher geworden ist. Letztendlich ist die interne Unterstützung durch das Management und eine angemessene Finanzierung ebenso wichtig, um den Erfolg eines implementierten digitalen Zwillings zu gewährleisten.

Hinsichtlich der Barrieren für eine erfolgreiche Implementierung stellt die mangelnde Reife von präskriptiven Analysetechniken ein Problem dar, da diese Technologien unzuverlässig sind. Auch kulturelle und strategische Barrieren behindern ein erfolgreiches Projekt. Daher spielt die Integration entlang der gesamten Organisation eine wichtige Rolle. Je größer die Organisation ist, desto schwieriger wird es sein, die notwendigen Schritte richtig umzusetzen. Schließlich müssen die Mitarbeiter, die befürchten, durch die neue Technologie ersetzt zu werden, geschult werden und einen sicheren Arbeitsplatz erhalten, da es eine Herausforderung ist, mit den schnellen Fortschritten der KI-Themen Schritt zu halten. Am Ende wird das Unternehmen immer noch einen Arbeitnehmer brauchen, der Erfahrung hat, um die Algorithmen entsprechend anzupassen.

Schließlich umfasst die industrielle künstliche Intelligenz (Industrial Artificial Intelligence, IAI) eine breite Palette von Technologien wie das Internet der Dinge (Internet of Things, IoT) und digitale Zwillingstechnologien. Das Spektrum der IAI wächst mit dem Fortschreiten der digitalen Technologien, und es ist nicht einfach, alle damit verbundenen Merkmale zu benennen. Die intelligente Fertigung kann jedoch als eine Produktionsumgebung mit Merkmalen menschlicher Intelligenz gesehen werden, die es ihr ermöglicht, zu lernen und die Lernkapazitäten zu erweitern. Für IAI werden die sechs Techniken Modellierung, Diagnose, Vorhersage, Optimierung, Entscheidung und Einsatz einzeln oder in Kombination miteinander verwendet und sind in verschiedenen Bereichen der industriellen Fertigung zu finden, von der Prozessqualitätskontrolle bis zum Lieferkettenmanagement.

Die Modellierung als kritische Technologie des IAI ist von entscheidender Bedeutung, da sie die Gesetzmäßigkeiten des Prozesses offenbart, wie z. B. den Verschlechterungsprozess von Anlagen oder Komponenten, die Beziehung zwischen Prozessparametern und Produktqualität, die Kopplung zwischen dem Betriebsstatus der Produktionslinie und dem Komponentenprozess. Modelle spiegeln den zentralen Produktionsprozess, die Produktionskapazität und die Wettbewerbsfähigkeit von Unternehmen wider. Prozesse können als Cyber-Physical Systems (CPS) betrachtet werden und durch die Verwendung einer neuartigen Methode die nichtlineare Kopplungssystemdynamik mit Hilfe eines Wörterbuchs mechanischer Funktionen identifizieren, die Schaltlogiken zwischen den Subsystemen identifizieren und den Entwicklungstrend von CPS aufzeigen. Außerdem wird eine Methode zur Erkennung des Betriebsmodus vorgeschlagen, die auf der Fluktuationsintervallvorhersage basiert, um die Zeitreihendaten in industriellen Prozessen zu klassifizieren. Diese Methode kann den Betriebsmodus des Prozesses erkennen und hat eine höhere Genauigkeit als eine Erkennungsmethode, die direkt die Zeitreihe verwendet.

Ein gleichmäßiger Prozess ist erforderlich, um qualitativ hochwertige Produkte zu gewährleisten, da die kleinste Abweichung erkannt und kategorisiert werden muss. Weichen die Messwerte von der Norm ab, muss ein Eingriff in den Prozess erfolgen, um minderwertige Produkte oder mögliche Sicherheitsrisiken zu verhindern. Überwachungsdaten werden in Form von Bildern, Videos und Zeitreihen von Fertigungsanlagen durch Sensoren gesammelt und durch verschiedene KI-basierte Methoden wie z. B. eine umfangreiche Datenanalyse verarbeitet, um die besagte Abweichung zu erkennen. Diese Aufgaben werden entweder mit überwachten oder unüberwachten Klassifikations- und Clustering-Problemen gelöst.

Die Vorhersage ist ein wesentlicher Faktor bei der Verbesserung der industriellen Produktion, der Kostensenkung, der Effizienzsteigerung und der Verbesserung der Qualität und Sicherheit der industriellen Fertigung durch den Einsatz von KI-Technologien und Cloud-Diensten. Überwachungsdaten und empirisches Degradationswissen werden zur Vorhersage der Restlebensdauer von Anlagen verwendet, was zur Entwicklung effizienter Wartungsstrategien führt. Die in den Prozessen gesammelten Überwachungsdaten werden zur Vorhersage des Bedarfs verwendet, um die Produktionskette zu koordinieren, ein Risikomanagement durchzuführen und Produktionsabfälle zu reduzieren. Die Vorhersage der Produktqualität erfolgt durch die Analyse der Überwachungsdaten und des Betriebszustands der Produktionslinie. Der Produktionsprozess wird dann optimiert, um fehlerhafte Produkte zu vermeiden. Die Technologie des digitalen Zwillings zeigt hier deutliche Auswirkungen auf die Qualitätsprüfung.

Gerade für Deutschland, wo mehr als 99% der Unternehmen KMU sind, spielen die Möglichkeiten für KMU, bequemer mit KI in Kontakt zu kommen, wie im MEJOIN-Projekt gezeigt, eine bedeutende Rolle.

 

Autor
Michael Hechtel,
Lehrstuhl für Fertigungsautomatisierung und
Produktionssystematik

Kontakt
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik
Fürther Straße 246b
90429 Nürnberg
Michael.Hechtel@faps.fau.de
+49 911 5302-9083

 


Schriftgöße: 
Schriftgrösse grossSchriftgrösse mittelSchriftgrösse normal
••• Suche •••
••• News •••

23.07.2021

Webinarreihe „Innovation Coffee“ am 29. Juli 2021 ...

„Bringing innovations to life - Show cases und Erf...


15.07.2021

Jetzt bewerben! Hilfen für die digitale Transforma...

Im Rahmen unseres EU-Projektes Boost4BSO können wi...


15.07.2021

APPLAUSE

Für die kostengünstige Fertigung von Photonik, Opt...


••• Newsletter •••

Immer auf dem neuesten Stand sein! Jetzt unseren Newsletter abbonnieren.

Internationales Forum Mechatronik
it-sa - Die IT-Security Messe und Kongress
Internationales Forum Mechatronik
mechatronikakademie
Cluster Offensive Bayern
ESF in Bayern
Cluster Mechatronik & Automation e.V. mit dem Clusterlabel Silber ausgezeichnet
Kompetenzatlas Elektromobilität Bayern
Mechatronik
 
Newseinzelmeldung Newseinzelmeldung  Impressum / Datenschutz    |    Sitemap    |    AGB    |    Drucken