Taktgeber v digitální éře výroby

Patentovaný ochranný kryt 2ndSCIN® činí jakékoli pohybující se komponenty automatizace vhodnými pro čisté prostory. © Fraunhofer IPA/Foto: Rainer Bez

Agrární robot z Fraunhofer IPA přebírá regulaci plevelů v sadovnické školce. © Spolkový úřad pro zemědělství a výživu/Fraunhofer / Zemědělský robot z Fraunhofer IPA přebírá kontrolu plevelů v školce stromů. © Spolkový úřad pro zemědělství a výživu/Fraunhofer

S softwarem pitasc lze montážní aplikace, jako je zacvaknutí nebo zasunutí dílů do sebe, efektivně a ekonomicky smysluplně automatizovat. © Fraunhofer IPA/Foto: Rainer Bez / S softwarem pitasc lze montážní aplikace, jako je zacvaknutí nebo zasunutí dílů do sebe, efektivně a ekonomicky smysluplně automatizovat. © Fraunhofer IPA/Foto: Rainer Bez

Software »ARCaide Assembly Suite« podporuje odborné pracovníky například automatizovaným plánováním montáží nebo asistencí při montáži založenou na rozšířené realitě. © Fraunhofer IPA/Foto: Rainer Bez

Strojové učení pomáhá zpřístupnit technologie, jako je automatické vyzvedávání předmětů z krabice, větší autonomií. © Fraunhofer IPA/Foto: Rainer Bez / Strojové učení pomáhá zpřístupnit technologie, jako je automatické vyzvedávání předmětů z krabice, větší autonomií. © Fraunhofer IPA/Foto: Rainer Bez

V rámci výzkumného projektu rob-akademI se roboti učí sestavovat, což umožňuje flexibilnější programování. © Fraunhofer IPA/Foto: Rainer Bez / V rámci výzkumného projektu rob-aKademI se roboti učí, jak sestavovat, aby bylo možné flexibilnější programování. © Fraunhofer IPA/Foto: Rainer Bez

Explainable AI: Na veletrhu automatica představí Fraunhofer IPA metody, které vizualizují rozhodnutí neuronových sítí a činí je pro uživatele transparentními a srozumitelnými. © Fraunhofer IPA / Fotografie: Marco Huber

Pomocí analýzy dat z PLC a senzorů lze automaticky odhalit neefektivity nebo ztráty na výrobních linkách. © Fraunhofer IPA/Foto: Rainer Bez / S pomocí analýzy dat z PLC a senzorů lze automaticky odhalit neefektivity nebo ztráty na výrobních linkách. © Fraunhofer IPA/Foto: Rainer Bez

Udržitelný, autonomní, inteligentní, čistý: Od samoučících se robotů pro pole a továrny přes nejmodernější technologie čistých prostor, postupy pro vysvětlitelnost strojového učení až po softwarové nástroje pro optimalizovanou výrobu – Fraunhofer IPA představuje na automatice od 21. do 24. června 2022 řadu aplikací a služeb pro automatizovanou výrobu.

S čtyřmi seskupeními se letos po koronavirové přestávce opět vrací prezentační veletrh automatica: „Digitální transformace“, „Umělá inteligence“, „Člověk a stroj“ a „Udržitelná výroba“ – čtyři témata, na nichž také Fraunhofer IPA ze Stuttgartu intenzivně pracuje a pro která realizuje inovace. Na veletrhu budou zaměstnanci ústavu na 240 metrech čtverečních ukazovat, co je již dnes možné a kam směřuje vývoj v oblasti automatizace.

Venkovní roboti pro udržitelnou zemědělskou výrobu

Tato cesta nemusí vždy vést do továrny, jak ukazuje exponát věnovaný zemědělské robotice. Agrorobot „CURT“, který vyvinuli vědec Kevin Bregler a jeho tým, slouží k mechanické regulaci plevelů. Cílem je, aby CURT zajistil snížení používání pesticidů v ochraně rostlin, případně úplné vyřazení herbicidů, a tím vznikla ekologická i ekonomická udržitelná farma.

Exponát představuje robotický systém, jehož hardware i software byly plně vyvinuty v Fraunhofer IPA. Důležitou hardwarovou součástí je například manipulátor, který energeticky efektivně a ekologicky odstraňuje plevel. Softwarem jsou klíčové funkce navigace a zpracování obrazu. Robot tak může autonomně a bezpečně najít svou cestu i v obtížných dynamických podmínkách na polích, rozpoznat jednotlivé rostliny, řádky a plevel, který má odstranit. Sesbíraná data mohou dále přispět k tomu, že pomocí umělé inteligence (AI) lze procesy a rozhodnutí dělat efektivněji a autonomněji. Robot je symbolem řady aktivit ústavu zaměřených na šetrnou a udržitelnou zemědělskou výrobu.

Systematické identifikování potenciálů automatizace

Zpět na výrobní linku: zde se mnoho firem zabývá otázkou, zda a jak mohou automatizovat své montážní úkoly. Fraunhofer IPA již léta nabízí analýzu potenciálu automatizace (APA). Zpočátku byla APA závislá na znalostech odborníka na automatizaci. Nová aplikace však tyto znalosti zpřístupnila jednodušeji. Navádí uživatele k analýze vlastních montážních procesů, vyhodnocuje odpovědi a informuje o potenciálech automatizace. „S naší aplikací se může každý stát expertem na hodnocení montážních procesů,“ vysvětluje Joshua Beck, vědecký pracovník v Fraunhofer IPA, který aplikaci spoluvytvořil. Díky zohlednění technických a ekonomických aspektů nabízí aplikace rozsáhlou databázi pro rozhodování o investicích. Lze ji získat na základě jednoduché licenční smlouvy pro testovací použití. K dispozici je také demonstrační model v ústavu pro školení.

Chytře sestavovat

Software pro automatizaci montáže je NeuroCAD. Pomocí strojového učení analyzuje vlastnosti dílů a odhaduje, do jaké míry je díl vhodný pro automatizaci montáže. Uživatelé mohou na https://neurocad-dev.web.app/dashboard zdarma nahrát své STEP soubory a během několika sekund zjistit, jak snadné nebo složité je jednotlivé díly rozdělit. Software dále hodnotí uchopovací plochy a zarovnatelnost dílu. Navíc neuronová síť uvádí pravděpodobnost, že její výsledek je správný. NeuroCAD pomáhá vyvarovat se nevhodných konstrukcí dílů a urychlit montážní procesy.

Systémový modul pitasc pro programování silově řízených montážních procesů ukazuje, jak lze efektivně automatizovat dříve manuální operace, jako je klipování, nýtování nebo šroubování. „Dříve bylo nutné programovat robotický systém pro každou aplikaci téměř od začátku. S naším softwarem je možné rychle přenést jednou modelované úkoly na nové varianty produktů, produkty a dokonce i na roboty jiných výrobců, pouze úpravou parametrů,“ říká Frank Nägele, vedoucí skupiny robotického programování a řízení na Fraunhofer IPA. Software je strukturován podobně jako stavebnicový systém a umožňuje modulární programování montážních procesů: obsahuje mnoho předpřipravených a znovu použitelných programových bloků, které lze při nastavování robotického systému individuálně sestavit. pitasc je připraven k použití v pilotních projektech, které vědci rádi realizují společně s firmami.

Základní technologií všech funkcí nové softwarové sady „ARCaide Assembly Suite“ je AI, která analyzuje a vyhodnocuje tzv. STEP soubory. Tyto informativní soubory mohou generovat všechny CAD systémy a poskytují „3D analytické AI“ všechny potřebné informace k přesnému odvození strukturovaných montážních informací. Druhou součástí ARCaide je „Assembly Composer“. Tento načítá extrahované montážní informace ze STEP souboru a vkládá je do grafického nástroje pro plánování montáže. Nástroj vizualizuje technicky relevantní informace jednoduše a přehledně, takže odborníci mohou montáž naplánovat snadno a bez chyb. AI asistence při montáži „KIM“ doplňuje tento balíček softwarových komponent. Automaticky a nákladově efektivně vytváří montážní asistenty, kteří interaktivně podporují montéry. Asistent je variabilní a může například být založen na 2D nebo 3D vizualizaci či rozšířené realitě.

Samoučící se roboti díky AI

Nejen montáž, ale i manipulace s předměty je někdy výzvou pro automatizaci. Exponát AI Picking ukazuje, jak strojové učení a simulace výrazně zlepšují autonomii a výkonnost aplikací.

Vědci předvádějí na příkladu robota, který bere objekty z nejasné polohy z krabice nebo palety. Objektová lokalizační odhad založený na AI poskytuje robustní a přesné informace o poloze objektů během několika milisekund. „Nové objekty lze rychle a jednoduše naučit na základě CAD modelu,“ vysvětluje vedoucí projektu Felix Spenrath. „Software dále dokáže odhalit a odstranit zaseknutí a pracovat i s balicím materiálem.“ Robot byl již důkladně trénován v simulaci a toto znalosti bylo přeneseno do reálné aplikace. Poloha uchopení a strategie jsou na základě těchto znalostí automaticky generovány a hodnoceny. Intuitivní ovládací rozhraní dokresluje celou aplikaci.

Kromě manipulace s předměty těží z autonomních robotů i montáž. Jak toho lze dosáhnout, ukazuje exponát společného výzkumného projektu rob-aKademI. Cílem projektu je umožnit flexibilní programování robotů pro montážní úkoly s minimální námahou. Zaměřuje se především na firmy, které hledají jednoduchý, ale perspektivní způsob vstupu do robotizované montážní automatizace. Pro tento účel vzniklo simulační prostředí, ve kterém se robot učí montovat na základě CAD dat a pomocí metody „Reinforcement Learning“, tedy učení pokusem a omylem. Robot se tak učí i pracovat s tolerancemi dílů nebo nejasnostmi v procesu. Cílem je robustní montáž založená na robotice s rozměrem až 1 m. Konkrétní scénář nasazení ukáže jedna robotická buňka.

Bezdotyková výroba díky „druhé kůži“

Nejen autonomnější, ale i vysoce čistá výroba je stále žádanější. „Čisté výrobní prostředí umožňuje využití high-tech technologií budoucnosti,“ vysvětluje Udo Gommel, vedoucí oddělení Reinst- a mikroprodukce na Fraunhofer IPA. „Klíčové technologie zítřka jsou závislé na technice čistoty. Je to rozhodující od výroby baterií po biotechnologie.“

V tomto kontextu je ochranné pouzdro 2ndSCIN® patentované a připravené k použití v dynamických automatizačních komponentách, například robotu pro vysoce čistou výrobu. Obal tvoří průhledná, pohyblivá a vícevrstvá textilie, která je inspirována lidskou kůží. Podle aplikace mohou být vrstvy nad sebou, oddělené mezivrstvami. V každém prostoru lze například odsávat nebo odvádět vzduch. Tím lze odstranit částice pocházející z okolí nebo z automatizační komponenty. Dávkování speciálních plynů do meziprostorů umožňuje jejich sterilizaci. Obal lze rovněž vyměnit přibližně za hodinu a po dekontaminaci jej lze znovu použít. Textilní vrstvy jsou vybaveny senzory, které nepřetržitě měří parametry jako koncentraci částic, chemickou kontaminaci, tlak nebo vlhkost. AI založené algoritmy vyhodnocují tyto data a umožňují například prediktivní údržbu. „2ndSCIN® je extrémně variabilní ve své konstrukci, takže můžeme realizovat individuální potřeby,“ říká Gommel. „Tím řešíme řadu požadavků na čisté ochranné kryty pro komponenty čistých prostor, které dosavadní produkty nesplňují.“

Vysvětlit strojové učení

Ve robotice i v řadě dalších oblastí výroby a služeb se stále častěji používají metody strojového učení a umělé neuronové sítě. V závislosti na aplikaci je stále důležitější a někdy i právně vyžadované vědět, jak tyto systémy fungují a proč dospívají k určitým výsledkům. Musí být vysvětlitelné. Dosud je to často kvůli jejich složitosti nemožné. „Čím výkonnější neuronová síť, tím složitější je ji pochopit,“ vysvětluje profesor Marco Huber, který vede Centrum kyberkognitivní inteligence (CCI) a oddělení zpracování obrazu a signálů na Fraunhofer IPA.

Na veletrhu automatica proto Fraunhofer IPA představí pod heslem „Explainable AI“ (xAI) metody, které vizualizují rozhodnutí neuronových sítí a činí je pro uživatele transparentní a srozumitelná. „Tato srozumitelnost posiluje přijetí AI, buduje důvěru, zlepšuje správnou funkčnost a přináší právní jistotu,“ vysvětluje Huber. Metody vysvětlitelnosti jsou vhodné pro všechny aplikace využívající neuronové sítě nebo strojové učení, zvláště pokud jsou kritické z hlediska bezpečnosti nebo podléhají přísným regulacím.

Udělat výrobní procesy transparentnější a efektivnější

Pokud celková efektivita zařízení nebo „Overall Equipment Effectiveness (OEE)“ poloautomatizované nebo automatizované výrobní linky nedosahuje požadované úrovně, je nutné identifikovat příčinu odchylky. Je třeba analyzovat výrobní proces co nejpodrobněji. Analýzy na úrovni MES nebo SCADA zkoumají proces souhrnně a neposkytují informace o příčinách uvnitř procesu. Naopak rostoucí propojení v výrobě otevírá nové možnosti optimalizace. Zde přichází na řadu autonomní optimalizace výroby. Přístup k různým datovým zdrojům umožňuje transparentnost výrobního procesu a na jejím základě lze OEE autonomně optimalizovat.

Tato vize – Maximalizace celkové efektivity zařízení – je demonstrována exponátem „MOEE“, který napodobuje automatizovanou výrobní linku. Ta je sledována jak řízením, tak i externími senzory, například světelnými závorami nebo kamerami. Tyto zdroje dat jsou využívány k vytvoření modelu chování linky. To umožňuje průběžnou online analýzu a zachycení normálního chování, stejně jako identifikaci úzkých míst nebo ztrát ve výrobě. „Tímto přístupem vytváříme u našich zákazníků transparentnost procesů a automaticky odhalujeme jejich potenciály ke zlepšení,“ říká Yannick Mayer, vědec na Fraunhofer IPA a spoluvytvářecí projekt MOEE.