Taktgever in het digitale productie tijdperk

De gepatenteerde beschermhoes 2ndSCIN® maakt bewegende automatiseringsonderdelen geschikt voor cleanrooms. © Fraunhofer IPA/Foto: Rainer Bez

Een agrarische robot van Fraunhofer IPA neemt de onkruidbestrijding over in een boomkwekerij. © Bundesanstalt für Landwirtschaft und Ernährung/Fraunhofer / Een landbouwrobot van Fraunhofer IPA neemt de onkruidbestrijding over in een boomkwekerij. © Bundesamt für Landwirtschaft und Ernährung/Fraunhofer

Met de software pitasc kunnen montage-toepassingen zoals het vastklikken of in elkaar schuiven van onderdelen op een economisch verantwoorde manier worden geautomatiseerd. © Fraunhofer IPA/Foto: Rainer Bez / Met de pitasc-software kunnen montage-toepassingen zoals het vastklikken of in elkaar schuiven van onderdelen op een wijze worden geautomatiseerd die economisch zinvol is. © Fraunhofer IPA/Foto: Rainer Bez

De software »ARCaide Assembly Suite« ondersteunt vakbekwame operators met bijvoorbeeld geautomatiseerde montageplanning of montagehulp gebaseerd op augmented reality. © Fraunhofer IPA/Foto: Rainer Bez

Machine learning helpt om technologieën zoals het grijpen uit de doos autonomer te maken. © Fraunhofer IPA/Foto: Rainer Bez / Machine learning helpt om technologieën zoals Bin Picking autonomer te maken. © Fraunhofer IPA/Foto: Rainer Bez

In het onderzoeksproject rob-akademI leren robots hoe ze moeten monteren, zodat een flexibelere programmering mogelijk wordt. © Fraunhofer IPA/Foto: Rainer Bez / In het rob-aKademI-onderzoeksproject leren robots hoe ze moeten assembleren, zodat een flexibelere programmering mogelijk is. © Fraunhofer IPA/Foto: Rainer Bez

Explainable AI: op de automatica presenteert het Fraunhofer IPA methoden die de beslissingen van neurale netwerken visualiseren en voor de gebruiker transparant en begrijpelijk maken. © Fraunhofer IPA/Foto: Marco Huber

Met behulp van de analyse van PLC- en sensordata kunnen inefficiënties of verliezen in productielijnen automatisch worden opgespoord. © Fraunhofer IPA/Foto: Rainer Bez / With the help of PLC and sensor data analysis, production line inefficiencies or losses can be automatically detected. © Fraunhofer IPA/Photo: Rainer Bez

Duurzaam, autonoom, intelligent, puur: Van zelflerende robots voor veld en fabriek tot geavanceerde cleanroomtechnologieën, methoden voor uitlegbaarheid van machine learning tot softwaretools voor geoptimaliseerde productie – het Fraunhofer IPA toont op de automatica van 21 tot 24 juni 2022 een scala aan toepassingen en diensten voor geautomatiseerde productie.

Met vier clusters gaat de beurs automatica na een coronapauze deze zomer weer van start: »Digitale Transformatie«, »Kunstmatige Intelligentie«, »Mens en Machine« en »Duurzame productie« – vier thema's waar ook het Fraunhofer IPA uit Stuttgart intensief onderzoek naar doet en voor welke het innovaties implementeert. Op de beurs zullen de medewerkers van het instituut gebundeld op 240 vierkante meter tonen wat vandaag al mogelijk is en waar de reis naar automatisering naartoe gaat.

Outdoor-robots voor duurzame landbouw

Deze reis hoeft niet altijd in de fabriek plaats te vinden, zoals het expositieobject over landbouwrobotica laat zien. De agrarische robot »CURT«, ontwikkeld door wetenschapper Kevin Bregler en zijn team, dient voor mechanische onkruidbestrijding. Zo moet CURT ervoor zorgen dat er minder pesticiden in de gewasbescherming hoeven te worden gebruikt, een volledig verbod op herbiciden mogelijk maken en zo een ecologisch en economisch verantwoorde landbouw ontstaan.

Het expositieobject toont een robotsysteem waarvan hardware en software volledig door het Fraunhofer IPA zijn ontwikkeld. Een belangrijk hardwarecomponent is bijvoorbeeld de manipulator, die onkruid energie-efficiënt en milieuvriendelijk verwijdert. Softwarematig zijn vooral navigatie en beeldverwerking essentiële functies. Zo kan de robot ook onder moeilijke dynamische omstandigheden autonoom en veilig zijn weg vinden op de velden, evenals individuele planten, plantrijen en het te verwijderen onkruid herkennen. De verzamelde gegevens kunnen bovendien helpen om met behulp van kunstmatige intelligentie (AI) processen en beslissingen efficiënter en autonomer te maken. De robot staat symbool voor talrijke activiteiten van het instituut rond een resourcebesparende en duurzame landbouw.

Systematisch automatiseringspotentieel bepalen

Terug op de werkvloer: hier houden veel bedrijven zich bezig met de vraag of en hoe ze hun montagewerkzaamheden kunnen automatiseren. Al jaren biedt het Fraunhofer IPA hiervoor de automatiseringspotentieelanalyse (APA). Aanvankelijk was de APA gekoppeld aan de kennis van een automatiseringsexpert. Een nieuwe app maakt deze kennis nu eenvoudiger toegankelijk. Ze begeleidt gebruikers bij het analyseren van hun eigen montageprocessen, evalueert de antwoorden en informeert over automatiseringspotentieel. »Met onze app kan iedereen expert worden in de beoordeling van montageprocessen«, legt Joshua Beck uit, die als wetenschappelijk medewerker bij het Fraunhofer IPA werkt en de app mede heeft ontwikkeld. Door technische en economische aspecten mee te nemen, biedt de app een uitgebreide databasis voor investeringsbeslissingen. Ze is verkrijgbaar via een eenvoudige licentieovereenkomst voor proefgebruik. Daarnaast is er binnen het instituut een demonstrator beschikbaar voor opleidingsdoeleinden.

Slim monteren

Een software voor montageautomatisering is NeuroCAD. Deze analyseert met behulp van machinaal leren eigenschappen van onderdelen en geeft een inschatting van de geschiktheid van een onderdeel voor montageautomatisering. Gebruikers kunnen op https://neurocad-dev.web.app/dashboard hun STEP-bestanden gratis uploaden en binnen enkele seconden ontdekken hoe eenvoudig of moeilijk het is om een onderdeel te scheiden. Daarnaast beoordeelt het tool de grijpfacetten en de uitlijnbaarheid van het onderdeel. Bovendien geeft het neuraal netwerk een waarschijnlijkheid aan dat de uitkomst correct is. NeuroCAD helpt om ongunstige constructies van onderdelen te voorkomen en montageprocessen te versnellen.

De pitasc-systeembouwdoos voor het programmeren van krachtgeregelde montageprocessen laat zien hoe tot nu toe handmatig uitgevoerde processen zoals clippen, nieten of schroeven economisch zinvol kunnen worden geautomatiseerd. »Tot nu toe was het nodig om een robotsysteem voor elke toepassing grotendeels opnieuw te programmeren. Met onze software kunnen eenmaal gemodelleerde taken snel worden overgezet op nieuwe productvarianten, producten en zelfs op robots van andere fabrikanten, door simpelweg de parameters aan te passen«, zegt Frank Nägele, hoofd van de groep Robotprogrammering en -regeling bij het Fraunhofer IPA. De software is vergelijkbaar met een bouwdoossysteem en maakt het mogelijk om montageprocessen modulair te programmeren: het bevat veel vooraf gemaakte en herbruikbare programmablokken die bij het inrichten van een robotsysteem individueel kunnen worden samengesteld. pitasc is klaar voor gebruik in pilotprojecten, die de wetenschappers graag samen met bedrijven willen uitvoeren.

De fundamentele technologie voor alle diensten van de nieuwe software »ARCaide Assembly Suite« is een AI die de zogenaamde STEP-bestanden analyseert en evalueert. Deze informatieve bestanden kunnen door elk CAD-systeem worden gegenereerd en leveren de »3D-analyse-KI« alle benodigde informatie om gestructureerde montage-informatie nauwkeurig af te leiden. Een tweede softwarecomponent van ARCaide is de »Assembly Composer«. Deze leest de geëxtraheerde montage-informatie uit het STEP-bestand en voert deze in in een grafisch hulpmiddel voor montageplanning. Het hulpmiddel toont vakgerichte montage-informatie op een vereenvoudigde grafische wijze, zodat monteurs de montage eenvoudig en foutvrij kunnen plannen. De KI-montagehulp »KIM« voltooit het trio softwarecomponenten. Ze maakt automatisch en kosteneffectief montagehulpjes die monteurs interactief ondersteunen. De hulp kan variabel zijn en bijvoorbeeld een 2D- of 3D-gebaseerde assistentie bieden of gebaseerd zijn op augmented reality.

Zelflerende robots dankzij AI

Niet alleen de montage, maar ook het grijpen in de doos vormt soms nog een uitdaging voor automatisering. Met het expositieobject AI Picking toont het Fraunhofer IPA hoe machinaal leren en simulaties de toepassing op het gebied van autonomie en prestatievermogen aanzienlijk verbeteren.

De wetenschappers demonstreren dit aan de hand van een robot die objecten uit een ongedefinieerde positie uit een doos of van een pallet pakt. Een op AI gebaseerde objectpositieschatting levert hiervoor robuuste en nauwkeurige objectposities binnen enkele milliseconden. »Nieuwe objecten kunnen snel en eenvoudig worden ingeleerd op basis van een CAD-model«, legt projectleider Felix Spenrath uit. »De software kan bovendien verstrikingen detecteren en oplossen en ook met verpakkingsmateriaal robuust omgaan.« De robot is al uitgebreid getraind in simulatie en deze kennis is vervolgens overgedragen naar de echte toepassing. Grijpposities en -strategieën worden automatisch gegenereerd en beoordeeld op basis van deze kennis. Een intuïtieve gebruikersinterface maakt de toepassing compleet.

Naast het grijpen profiteert ook de montage van zelflerende robots. Hoe dat mogelijk is, toont het expositieobject van het samenwerkingsproject rob-aKademI. Het project heeft als doel om de flexibele robotprogrammering voor montagewerkzaamheden met weinig inspanning mogelijk te maken. Het richt zich vooral op bedrijven die een eenvoudige maar toekomstbestendige instap in robotgebaseerde montageautomatisering zoeken. Hiervoor is een simulatieomgeving ontwikkeld waarin de robot op basis van CAD-gegevens en met behulp van de AI-methode »Reinforcement Learning«, oftewel leren door trial-and-error, het monteren leert. Daarbij leert hij ook omgaan met toleranties van het werkstuk of onnauwkeurigheden in het proces. Zo moet robuuste robotgebaseerde montage tot een batchgrootte van 1 meter mogelijk worden. Een robotsysteem zal een concreet toepassingsscenario van de technologieën laten zien.

Contaminatievrij produceren dankzij »tweede huid«

Niet alleen een autonomere, maar ook een ultrareine productie wordt steeds meer gevraagd. »Schone productieomgevingen maken de hightech-technologieën van de toekomst mogelijk«, zegt Udo Gommel, hoofd van de afdeling Reinst- en Microproductie bij het Fraunhofer IPA. »De sleuteltechnologieën van morgen komen alleen vooruit met reinheidstechniek. Het is cruciaal: van batterijproductie tot biotechnologie.«

In deze context maakt de gepatenteerde beschermhoes 2ndSCIN® dynamische automatiseringscomponenten zoals bijvoorbeeld een robot voor ultrareine productie klaar voor gebruik. De hoes bestaat uit een doorlatend, beweeglijk en meerlagig textiel dat is nagebootst naar de menselijke huid. Afhankelijk van de toepassing kunnen twee of meer lagen bovenop elkaar liggen. De lagen worden telkens gescheiden door tussenstukken. In elke tussenruimte kan bijvoorbeeld lucht worden aangezogen of afgevoerd. Zo kunnen deeltjes worden verwijderd die uit de omgeving of van de automatiseringscomponent afkomstig zijn. Het toedienen van speciale gassen in de tussenruimtes van het systeem maakt bijvoorbeeld sterilisatie mogelijk. Bovendien kan de hoes binnen ongeveer een uur worden verwisseld en na een decontaminatie opnieuw worden gebruikt. De textiellagen zijn bovendien uitgerust met sensoren die continu parameters meten zoals deeltjesconcentratie, chemische verontreiniging, druk of vochtigheid. KI-gebaseerde algoritmen evalueren deze sensordata en maken bijvoorbeeld voorspellend onderhoud mogelijk. »2ndSCIN® is extreem flexibel in opbouw, zodat we maatwerk kunnen realiseren«, legt Gommel uit. »Zo kunnen we voldoen aan veel eisen voor reinheidsgeschikte beschermhoezen voor cleanroomcomponenten, die eerdere producten niet konden vervullen.«

Machine learning uitleggen

In robotica en ook in talrijke andere toepassingsgebieden in productie en dienstverlening worden steeds vaker machinaal leren en kunstmatige neurale netwerken ingezet. Afhankelijk van de toepassing wordt het steeds belangrijker en soms ook wettelijk vereist om te weten hoe deze werken en waarom ze tot een resultaat komen. Ze moeten uitlegbaar worden. Vanwege hun complexiteit is dat tot nu toe vaak nog niet mogelijk. »Hoe krachtiger een neuraal netwerk, des te moeilijker is het te begrijpen«, legt professor Marco Huber uit, die bij het Fraunhofer IPA het Centrum voor Cyber Cognitive Intelligence (CCI) en de afdeling Beeld- en Signaalverwerking leidt.

Op de automatica presenteert het Fraunhofer IPA daarom onder het motto »Explainable AI« (xAI) methoden die de beslissingen van neurale netwerken visualiseren en voor de gebruiker transparant en traceerbaar maken. »Deze traceerbaarheid versterkt de acceptatie van AI, schept vertrouwen, verbetert de correcte werking en geeft rechtszekerheid«, aldus Huber. De methoden voor uitlegbaarheid zijn geschikt voor alle toepassingen die neurale netwerken of machinaal leren gebruiken en vooral veiligheidskritisch of sterk gereguleerd zijn.

Productieprocessen transparanter en efficiënter maken

Wanneer de totale equipment-effectiviteit of »Overall Equipment Effectiveness (OEE)« van een (gedeeltelijk) geautomatiseerde productie-installatie niet het gewenste niveau bereikt, moet de oorzaak van de afwijking worden vastgesteld. Daarbij is het belangrijk om het productieproces zo gedetailleerd mogelijk te onderzoeken. Analyses op MES- of SCADA-niveau bekijken het productieproces samenvattend en geven geen inzicht in oorzaken binnen het proces. De toenemende connectiviteit in de productie opent echter nieuwe wegen voor optimalisatie. Hier sluit autonome productieoptimalisatie op aan. Door toegang tot verschillende databronnen kan het productieproces transparant worden gemaakt en kan de OEE daarop autonoom worden geoptimaliseerd.

De uitvoering van deze visie – »Maximize Overall Equipment Effectiveness« – wordt gedemonstreerd door het expositieobject »MOEE«, dat een geautomatiseerde productie-installatie nabootst. Deze wordt zowel via de besturing als via externe sensoren zoals lichtschermen of camera's gemonitord. Deze waarnemingsbronnen worden gebruikt om een gedragsmodel van de lijn te creëren. Hierdoor kan de lijn continu online worden geanalyseerd en wordt het normaal gedrag vastgesteld, evenals knelpunten of productieverliezen. »Met deze aanpak creëren we procestransparantie bij onze klanten en identificeren we automatisch hun optimalisatiepotentieel«, zegt Yannick Mayer, wetenschapper bij het Fraunhofer IPA en medeontwikkelaar van MOEE.