Ütemadó a digitális gyártási korszakban

A szabadalmaztatott 2ndSCIN® védőburkolat bármilyen mozgó automatizálási alkatrészt tisztatéri alkalmassá tesz. © Fraunhofer IPA/Fotó: Rainer Bez

Egy mezőgazdasági robot a Fraunhofer IPA-tól átveszi a gyomirtást egy faiskolában. © Szövetségi Mezőgazdasági és Élelmiszerügyi Hivatal/Fraunhofer

A pitasc szoftverrel olyan összeszerelési alkalmazásokat lehet gazdaságilag ésszerű módon automatizálni, mint például alkatrészek egymásra pattintása vagy egymásba tolása. © Fraunhofer IPA/Kép: Rainer Bez / A pitasc szoftverrel az összeszerelési alkalmazásokat, mint például a kattintással történő összekapcsolást vagy az alkatrészek egymásba tolását, gazdaságosan ésszerű módon lehet automatizálni. © Fraunhofer IPA/Kép: Rainer Bez

A „ARCaide Assembly Suite” szoftver támogatja a szakembereket például automatizált összeszerelési tervezéssel vagy az összeszereléshez nyújtott segítséggel, amely például kiterjesztett valóságon alapul. © Fraunhofer IPA/Fotó: Rainer Bez

A gépi tanulás segít olyan technológiák, mint a Dobozba Fogás, egyre autonómabbá válni. © Fraunhofer IPA/Kép: Rainer Bez

Az rob-akademI kutatási projektben a robotok megtanulják az összeszerelést, hogy rugalmasabb programozás válhasson lehetővé. © Fraunhofer IPA/Kép: Rainer Bez / Az rob-aKademI kutatási projektben a robotok megtanulják az összeszerelést, így lehetővé válik a rugalmasabb programozás. © Fraunhofer IPA/Kép: Rainer Bez

Explainable AI: Az automatica kiállításon a Fraunhofer IPA bemutatja azokat a módszereket, amelyek vizualizálják a neurális hálózatok döntéseit, és átláthatóvá, érthetővé teszik azokat a felhasználó számára. © Fraunhofer IPA/Fotó: Marco Huber

A PLC- és érzékelőadatok elemzésével automatikusan felismerhetők a gyártósorok hatékonysághiányai vagy veszteségei. © Fraunhofer IPA / Fotó: Rainer Bez

Fenntartható, autonóm, intelligens, tiszta: Az önállóan tanuló robotoktól a mezőgazdasági és gyártási alkalmazásokig a legkorszerűbb tisztatértechnológiákig, a gépi tanulás magyarázhatóságától a szoftvereszközökig a hatékonyabb gyártáshoz – a Fraunhofer IPA a 2022. június 21–24. között az automatica kiállításon számos alkalmazást és szolgáltatást mutat be az automatizált gyártás területén.

A négy szekcióval rendelkező automatica kiállítás a koronavírus miatti szünet után ismét idén nyáron indul: „Digitális átalakulás”, „Mesterséges intelligencia”, „Ember és gép” és „Fenntartható gyártás” – négy téma, amelyekben a Fraunhofer IPA Stuttgartban intenzíven kutat és innovációkat valósít meg. A kiállításon a kutatóintézet munkatársai 240 négyzetméteren mutatják be, hogy ma már mit lehet elérni, és merre halad az automatizálás.

Kültéri robotok a fenntartható mezőgazdaságért

Ez az út nem mindig a gyárban kezdődik, ahogy a mezőgazdasági robotika kiállítási példája is mutatja. A „CURT” nevű mezőgazdasági robot, amelyet Kevin Bregler és csapata fejlesztett ki, mechanikus gyomirtásra szolgál. Célja, hogy kevesebb növényvédő szer kerüljön felhasználásra a növényvédelemben, akár teljesen el lehet hagyni a gyomirtó szereket, így ökológiailag és gazdaságilag fenntartható mezőgazdaság alakulhat ki.

A kiállítási példán egy olyan robotrendszert mutatnak be, amelynek hardvere és szoftvere teljes egészében a Fraunhofer IPA-n fejlesztették ki. Egy fontos hardverkomponens például a manipulatőrendszer, amely energiatakarékosan és környezetbarát módon távolítja el a gyomokat. A szoftveres funkciók közül kiemelkednek a navigáció és a képalkotás. Így a robot autonóm és biztonságos módon tud mozogni a nehéz dinamikus körülmények között a mezőn, felismerve egyes növényeket, növénysort és a gyomokat. A begyűjtött adatok továbbá hozzájárulhatnak ahhoz, hogy a mesterséges intelligencia (MI) segítségével hatékonyabb és autonómabb folyamatokat és döntéseket hozzanak. A robot szimbolikusan az intézet számos tevékenységét képviseli a forráskímélő és fenntartható mezőgazdaság területén.

Az automatizálási potenciálok rendszeres felmérése

Vissza a gyártósorra: sok vállalat foglalkozik azzal a kérdéssel, hogy miként és milyen mértékben automatizálhatja összeszerelési feladatait. A Fraunhofer IPA már évek óta kínálja az automatizálási potenciál elemzést (APA) erre a célra. Kezdetben ez a módszer egy automatizálási szakértő tudására épült. Most egy új alkalmazás könnyebben hozzáférhetővé teszi ezt a tudást. Segít a felhasználóknak elemezni saját összeszerelési folyamataikat, kiértékeli a válaszokat, és tájékoztat az automatizálási lehetőségekről. „Az alkalmazásunkkal bárki szakértővé válhat az összeszerelési folyamatok értékelésében” – mondja Joshua Beck, a Fraunhofer IPA tudományos munkatársa, aki az alkalmazás fejlesztésében is részt vett. Az alkalmazás figyelembe veszi a műszaki és gazdasági szempontokat, és széles körű adatbázist kínál a beruházási döntésekhez. Egyszerű licencszerződéssel próbára is lehet szerezni, illetve az intézetben egy demonstrátort is elérhető oktatási célokra.

Intelligens összeszerelés

A NeuroCAD szoftver az összeszerelés automatizálására szolgál. Gépi tanulási módszerek segítségével elemzi az alkatrészek jellemzőit, és becslést ad arra, hogy mennyire alkalmas egy alkatrész az összeszerelés automatizálására. A felhasználók a https://neurocad-dev.web.app/dashboard oldalon ingyenesen tölthetik fel STEP-fájljaikat, és néhány másodperc alatt megtudhatják, mennyire könnyű vagy nehéz egy alkatrész egyedileg kezelhető. Emellett a tool értékeli a fogási felületeket és az alkatrész igazíthatóságát, valamint a neurális háló valószínűséget ad arra, hogy az eredmény helyes. A NeuroCAD segít elkerülni a hátrányos alkatrésztervezést és gyorsítja az összeszerelési folyamatokat.

A pitasc rendszerépítő készlet a nyomásvezérelt összeszerelési folyamatok programozására mutatja be, hogyan lehet eddig manuálisan végzett műveleteket, például klipszelést, szegecselést vagy csavarozást gazdaságosan automatizálni. „Korábban minden alkalmazáshoz külön robotrendszert kellett programozni. A szoftverünkkel a modellezett feladatok gyorsan átültethetők új termékváltozatokra, termékekre és akár más gyártók robotjaira is, csupán a paramétereket kell módosítani” – mondja Frank Nägele, a Fraunhofer IPA Robotprogramozási és Szabályozási csoport vezetője. A szoftver moduláris felépítésű, és lehetővé teszi, hogy az összeszerelési folyamatokat könnyen összerakjuk: sok előre elkészített és újra felhasználható programkocka található benne, amelyeket egyedi módon lehet összeállítani a robot rendszerének beállításakor. A pitasc készen áll a pilot alkalmazásokra, amelyeket a kutatók szívesen valósítanak meg együtt a vállalatokkal.

A „ARCaide Assembly Suite” új szoftverének alaptechnológiája egy MI, amely a STEP-fájlokat elemzi és értékeli. Ezek az információgazdag fájlok bármely CAD-rendszer által generálhatók, és a „3D-elemző MI” számára minden szükséges információt szolgáltatnak a strukturált összeszerelési adatok pontos levonásához. Az ARCaide másik szoftverkomponense az „Assembly Composer”, amely kiolvassa az összeszerelési adatokat a STEP-fájlból, és egy grafikus eszközbe tölti be az összeszerelés tervezéséhez. Ez az eszköz egyszerűen és vizuálisan mutatja a szakemberek számára a fontos összeszerelési információkat, így könnyen és hibamentesen tervezhetik meg az összeszerelést. A „KIM” nevű AI összeszerelési segédautomatikusan és költséghatékonyan készít összeszerelési segédleteket, amelyek interaktívan támogatják a szerelőket. A segédlet változatos lehet, például 2D- vagy 3D-alapú, vagy akár kiterjesztett valóságon alapuló.

Tanuló robotok MI segítségével

Nemcsak az összeszerelés, hanem a dobozhoz való hozzáférés is kihívás lehet az automatizálásban. Az AI Picking kiállítási példája megmutatja, hogyan javítják a gépi tanulási módszerek és szimulációk az autonómiát és a teljesítményt.

A kutatók egy olyan robot példáján keresztül mutatják be, amely ismeretlen helyzetű tárgyakat vesz ki egy dobozból vagy raklapról. Egy MI-alapú objektumhelyzet-becslés gyors és pontos eredményeket ad néhány milliszekundum alatt. „Az új tárgyakat gyorsan és egyszerűen lehet betanítani CAD-modell alapján” – magyarázza Felix Spenrath projektvezető. „A szoftver képes felismerni és megoldani a beszorulásokat, valamint megbízhatóan bánik a csomagolóanyagokkal is.” A robotot már szimulációban alaposan betanították, majd ezt a tudást átültették a való világba. A fogási pozíciókat és stratégiákat automatikusan generálja és értékeli a rendszer. Egy intuitív kezelőfelület teszi teljessé az alkalmazást.

Az összeszerelés mellett a tanuló robotok a gyártási folyamatokat is fejlesztik. Ennek bemutatására szolgál a rob-aKademI közös kutatási projekt kiállítása. A projekt célja, hogy a gyártási feladatok rugalmas robotprogramozását könnyen elérhetővé tegye. Elsősorban olyan vállalatokat céloz, amelyek egyszerű, de jövőbiztos megoldást keresnek a robot alapú összeszereléshez. Ehhez egy szimulációs környezet készült, ahol a robot CAD-adatok és a „Reinforcement Learning” módszer segítségével, próbálkozás és hibázás alapú tanulással sajátítja el az összeszerelést. A robot megtanulja kezelni a gyártási toleranciákat és bizonytalan folyamatokat is. Így a roboterős összeszerelés akár 1 méteres tételméretig is megvalósítható. Egy robotcellát mutatnak be, amely konkrét példát nyújt a technológia alkalmazására.

Szennyeződésmentes gyártás „második bőrrel”

Nemcsak az autonómabb, hanem az ultra tiszta gyártás iránti igény is növekszik. „A tiszta gyártási környezet lehetővé teszi a jövő high-tech technológiáinak alkalmazását” – mondja Udo Gommel, a Reinst- és Mikrogyártás osztályvezetője a Fraunhofer IPA-n. „A holnap kulcstechnológiái csak a tisztaságtechnika révén haladnak előre. Ez döntő fontosságú: az akkumulátorgyártástól a biotechnológiáig.”

Ebben a kontextusban a szabadalommal védett 2ndSCIN® védőburkolat dinamikus automatizálási komponenseket tesz alkalmassá, például egy robotot az ultra tiszta gyártáshoz. A burkolat áttetsző, mozgó és többrétegű textilből készült, amely az emberi bőrt mintázza. Az alkalmazástól függően két vagy több réteg helyezkedhet el egymás felett, amelyek között távtartók vannak. Minden réteg között például beszívhatnak vagy kifújhatnak levegőt, így eltávolítva a környezetből vagy az automatizálási komponensről származó részecskéket. A rendszer közötti térbe speciális gázokat lehet juttatni, például sterilizálás céljából. A burkolat kb. egy óra alatt cserélhető, és dekontaminálás után újra felhasználható. A textilrétegek érzékelőkkel vannak ellátva, amelyek folyamatosan mérik a részecskeszámot, a kémiai szennyeződést, a nyomást vagy a nedvességet. MI-alapú algoritmusok értékelik ezeket az adatokat, például megelőző karbantartást tesznek lehetővé. „A 2ndSCIN® rendkívül rugalmas a felépítésében, így egyedi igények szerint alakítható” – mondja Gommel. „Így számos, tisztaságra alkalmas védőburkolat igényét tudjuk kielégíteni, amelyek eddig nem voltak megoldhatók.”

Gépi tanulás magyarázata

A robotikában és számos más gyártási és szolgáltatási alkalmazásban egyre inkább alkalmaznak gépi tanulási módszereket és mesterséges ideghálókat. A felhasználás függvényében egyre fontosabbá válik, és néha jogilag is szükségessé, hogy megértsük, hogyan működnek ezek, és miért hoznak eredményt. Ez magyarázhatóvá kell váljon. Eddig ez gyakran nem volt lehetséges összetettségük miatt. „Minél erősebb egy idegháló, annál nehezebb megérteni” – mondja Marco Huber professzor, a Fraunhofer IPA Cyber Cognitive Intelligence (CCI) központját és a Kép- és Jelfeldolgozó Osztályt vezető szakértő.

A Fraunhofer IPA ezért az „Explainable AI” (xAI) mottóval mutat be módszereket az automatica kiállításon, amelyek vizualizálják a neurális hálók döntéseit, és átláthatóvá, érthetővé teszik azokat a felhasználók számára. „Ez az átláthatóság növeli a MI elfogadottságát, bizalmat épít, javítja a helyes működést, és jogi biztonságot ad” – magyarázza Huber. Az eljárások minden olyan alkalmazásban alkalmasak, ahol neurális hálók vagy gépi tanulás van használatban, különösen biztonsági vagy szigorúan szabályozott területeken.

Gyártási folyamatok átláthatóbbá és hatékonyabbá tétele

Ha a teljes berendezés hatékonysága vagy az „Overall Equipment Effectiveness (OEE)” egy részben automatizált gyártósoron nem éri el a kívánt szintet, meg kell találni az eltérés okát. Ehhez a gyártási folyamatot a lehető legnagyobb részletességgel kell vizsgálni. A MES- vagy SCADA-szintű elemzések összefoglalják a folyamatot, de nem adnak információt a belső okokról. Az egyre növekvő összekapcsoltság a gyártásban azonban új lehetőségeket nyit a folyamatok optimalizálására. Itt kapcsolódik be az autonóm gyártásoptimalizálás. A különböző adatszolgáltatókhoz való hozzáféréssel a gyártási folyamat átláthatóvá válik, és ennek alapján az OEE autonóm módon optimalizálható.

A „Maximize Overall Equipment Effectiveness” koncepciót demonstráló „MOEE” kiállítási példán egy automatizált gyártósort modelleznek. Ez a rendszer a vezérlésen keresztül, valamint külső szenzorokon, például fénykapukon vagy kamerákon keresztül figyeli a folyamatot. Ezek a megfigyelési források lehetővé teszik egy viselkedési modell kialakítását, amely folyamatosan elemzi a sort, és felismeri a normál működést, valamint az esetleges szűk keresztmetszeteket vagy termelési veszteségeket. „Ezzel a módszerrel folyamattranszparenciát teremtünk ügyfeleinknél, és automatikusan feltárjuk a fejlesztési lehetőségeket” – mondja Yannick Mayer, a Fraunhofer IPA kutatója és a MOEE társszerzője.