Wyznacznik tempa w erze cyfrowej produkcji

Obudowa ochronna 2ndSCIN® objęta patentem sprawia, że dowolne poruszające się elementy automatyzacji nadają się do pomieszczeń czystych. © Fraunhofer IPA/Foto: Rainer Bez

Robot rolniczy z Fraunhofer IPA przejmuje kontrolę nad chwastami w szkółce drzewnej. © Federalny Urząd ds. Rolnictwa i Żywności/Fraunhofer

Za pomocą oprogramowania pitasc można w sposób opłacalny automatyzować zastosowania montażowe, takie jak zatrzaskiwanie lub wsuwanie elementów w siebie. © Fraunhofer IPA/Foto: Rainer Bez / Dzięki oprogramowaniu pitasc można zautomatyzować zastosowania montażowe, takie jak zatrzaskiwanie lub wsuwanie elementów w siebie, w sposób, który ma sens ekonomiczny. © Fraunhofer IPA/Foto: Rainer Bez

Oprogramowanie »ARCaide Assembly Suite« wspiera wykwalifikowanych pracowników, na przykład automatycznym planowaniem montażu lub pomocą przy montażu opartą na rzeczywistości rozszerzonej. © Fraunhofer IPA/Foto: Rainer Bez

Uczenie maszynowe pomaga uczynić technologie takie jak automatyczne chwytanie bardziej autonomicznymi. © Fraunhofer IPA/Foto: Rainer Bez / Machine learning helps to make technologies such as Bin Picking more autonomous. © Fraunhofer IPA/Photo: Rainer Bez

W ramach projektu badawczego rob-akademI roboty uczą się montażu, co umożliwia bardziej elastyczne programowanie. © Fraunhofer IPA/Foto: Rainer Bez / W projekcie badawczym rob-aKademI roboty uczą się, jak składać, aby możliwe było bardziej elastyczne programowanie. © Fraunhofer IPA/Foto: Rainer Bez

Wyjaśnialna sztuczna inteligencja: Na targach automatica Fraunhofer IPA prezentuje metody, które wizualizują decyzje sieci neuronowych i czynią je przejrzystymi oraz zrozumiałymi dla użytkownika. © Fraunhofer IPA/Foto: Marco Huber

Dzięki analizie danych z PLC i czujników można automatycznie wykrywać nieefektywności lub straty na liniach produkcyjnych. © 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

Zrównoważony, autonomiczny, inteligentny, czysty: Od samouczących się robotów do pola i fabryki po najnowocześniejsze technologie czystych pomieszczeń, metody wyjaśnialności uczenia maszynowego po narzędzia programowe do optymalizacji produkcji – Fraunhofer IPA prezentuje na automatice od 21 do 24 czerwca 2022 roku mnóstwo zastosowań i usług dla zautomatyzowanej produkcji.

Wraz z czterema klastrami, po przerwie spowodowanej pandemią, w tym sezonie ponownie rozpoczyna się targowa wystawa automatica: „Transformacja cyfrowa”, „Sztuczna inteligencja”, „Człowiek i maszyna” oraz „Zrównoważona produkcja” – cztery tematy, nad którymi również intensywnie pracuje Fraunhofer IPA z Stuttgartu i dla których wdraża innowacje. Na targach pracownicy instytutu pokażą na 240 metrach kwadratowych, co jest już możliwe dziś i dokąd zmierza automatyzacja.

Roboty na zewnątrz dla zrównoważonego rolnictwa

Ta podróż nie musi zawsze odbywać się w fabryce, co pokazuje eksponat dotyczący robotyki rolniczej. Robot rolniczy „CURT“, nad którym pracuje naukowiec Kevin Bregler i jego zespół, służy do mechanicznej regulacji chwastów. Ma on zapewnić, że mniej pestycydów będzie używanych w ochronie roślin, a całkowite wyeliminowanie herbicydów może stać się możliwe, co przyczyni się do powstania ekologicznego i ekonomicznego zrównoważonego rolnictwa.

Eksponat przedstawia system robotyczny, którego hardware i software zostały w pełni opracowane przez Fraunhofer IPA. Ważnym elementem hardware jest na przykład manipulator, który energooszczędnie i przyjazny dla środowiska usuwa chwasty. Po stronie software kluczowe funkcje to nawigacja i przetwarzanie obrazów. Robot potrafi autonomicznie i bezpiecznie poruszać się po polach nawet w trudnych warunkach dynamicznych oraz rozpoznawać pojedyncze rośliny, rzędy roślin i chwasty do usunięcia. Zebrane dane mogą także przyczynić się do tego, że dzięki sztucznej inteligencji (AI) procesy i decyzje będą podejmowane bardziej efektywnie i autonomicznie. Robot symbolizuje liczne działania instytutu związane z zasobooszczędnym i zrównoważonym rolnictwem.

Systematyczne wykrywanie potencjałów automatyzacji

Powrót na halę produkcyjną: tutaj wiele firm zastanawia się, czy i jak można zautomatyzować swoje zadania montażowe. Od lat Fraunhofer IPA oferuje analizę potencjału automatyzacji (APA) dla tego pytania. Na początku APA była powiązana z wiedzą eksperta ds. automatyzacji. Teraz nowa aplikacja ułatwia dostęp do tej wiedzy. Prowadzi użytkowników przez analizę własnych procesów montażowych, ocenia odpowiedzi i informuje o potencjałach automatyzacji. „Dzięki naszej aplikacji każdy może stać się ekspertem w ocenie procesów montażowych“, wyjaśnia Joshua Beck, pracownik naukowy w Fraunhofer IPA, który współtworzył aplikację. Uwzględniając aspekty techniczne i ekonomiczne, aplikacja oferuje obszerne bazy danych do podejmowania decyzji inwestycyjnych. Można ją uzyskać na podstawie prostej licencji testowej. Dodatkowo w instytucie dostępny jest demonstrator do celów szkoleniowych.

Inteligentny montaż

Oprogramowanie NeuroCAD do automatyzacji montażu analizuje cechy elementów za pomocą metod uczenia maszynowego i szacuje, na ile dany element nadaje się do automatycznego montażu. Użytkownicy mogą bezpłatnie przesłać swoje pliki STEP na https://neurocad-dev.web.app/dashboard i w kilka sekund dowiedzieć się, jak łatwo lub trudne jest rozdzielenie elementu. Ponadto narzędzie ocenia chwyty i możliwość ustawienia elementu. Dodatkowo sieć neuronowa podaje prawdopodobieństwo poprawności swojej oceny. NeuroCAD pomaga unikać niekorzystnych konstrukcji elementów i przyspiesza procesy montażowe.

System pitasc do programowania siłowo-regulowanych procesów montażowych pokazuje, jak dotychczas ręcznie wykonywane operacje, takie jak zaciskanie, nitowanie czy wkręcanie, można opłacalnie zautomatyzować. „Dotychczas konieczne było programowanie systemu robota dla każdej aplikacji od nowa. Nasze oprogramowanie pozwala na szybkie przenoszenie modeli zadań na nowe warianty produktów i roboty innych producentów, wystarczy dostosować parametry“, mówi Frank Nägele, kierownik grupy programowania i sterowania robotami w Fraunhofer IPA. Oprogramowanie jest zbudowane podobnie do systemu modułowego i umożliwia programowanie montażu w sposób modułowy: zawiera wiele gotowych i wielokrotnego użytku bloków programowych, które można indywidualnie łączyć podczas konfiguracji systemu robota. pitasc jest gotowy do zastosowania w pilotażowych projektach, które naukowcy chętnie realizują wspólnie z firmami.

Podstawową technologią dla wszystkich funkcji nowego oprogramowania „ARCaide Assembly Suite” jest sztuczna inteligencja, która analizuje i ocenia pliki STEP. Te bogate w informacje pliki mogą być generowane przez dowolny system CAD i dostarczają „3D-analizującej AI” wszystkich niezbędnych informacji do precyzyjnego wyprowadzania strukturalnych danych montażowych. Drugim komponentem oprogramowania ARCaide jest „Assembly Composer”. Odczytuje on wyekstrahowane informacje montażowe z pliku STEP i wprowadza je do graficznego narzędzia do planowania montażu. Narzędzie to w prosty sposób graficznie przedstawia kluczowe informacje montażowe, co ułatwia fachowcom planowanie montażu bez błędów. Trzecim elementem jest „KIM” – sztuczna inteligencja wspomagająca montaż. Automatycznie i tanio tworzy asystentów montażu, którzy interaktywnie wspierają monterów. Asystent jest elastyczny i może być oparty na wizji 2D lub 3D albo na rozszerzonej rzeczywistości.

Uczenie robotów dzięki AI

Nie tylko montaż, ale także sięganie do skrzyni z narzędziami często stanowi wyzwanie dla automatyzacji. Eksponat AI Picking pokazuje, jak metody uczenia maszynowego i symulacje znacząco poprawiają autonomię i wydajność aplikacji.

Naukowcy demonstrują to na przykładzie robota, który chwyta obiekty z nieokreślonej pozycji z pudełka lub palety. Opierając się na AI, szacowanie położenia obiektu jest szybkie i dokładne, trwające kilka milisekund. „Nowe obiekty można szybko i łatwo nauczyć na podstawie modelu CAD“, wyjaśnia kierownik projektu Felix Spenrath. „Oprogramowanie potrafi także wykrywać i rozwiązywać zacięcia oraz radzić sobie z materiałami opakowaniowymi.“ Robot został już w pełni wytrenowany w symulacji, a ta wiedza została przeniesiona do rzeczywistego zastosowania. Pozycje chwytów i strategie są automatycznie generowane i oceniane na podstawie tej wiedzy. Intuicyjny interfejs uzupełnia całość aplikacji.

Oprócz chwytania, również montaż korzysta z samouczących się robotów. Jak to działa, pokazuje eksponat projektu badawczo-rozwojowego rob-aKademI. Projekt ma na celu umożliwienie elastycznego programowania robotów do zadań montażowych przy minimalnym nakładzie pracy. Skupia się głównie na firmach, które szukają prostego, ale przyszłościowego wejścia w robotyzację montażu. Powstało środowisko symulacyjne, w którym robot uczy się montażu na podstawie danych CAD i metody AI „Reinforcement Learning“, czyli uczenia przez próbę i błąd. Robot uczy się także radzić sobie z tolerancjami elementów i nieścisłościami w procesie. Celem jest osiągnięcie odpornej, robotyzowanej montażu do wielkości partii 1 m. Zespół robotyczny pokaże konkretne scenariusze zastosowania tych technologii.

Produkcja bez kontaminacji dzięki „drugiej skórze“

Nie tylko coraz bardziej autonomiczna, ale także ultraczysta produkcja jest coraz bardziej pożądana. „Czyste środowiska produkcyjne umożliwiają rozwój technologii wysokiej precyzji przyszłości“, wyjaśnia Udo Gommel, kierownik działu produkcji czystej i mikroprodukcji w Fraunhofer IPA. „Kluczowe technologie jutra rozwijają się tylko z technikami zapewniającymi czystość. Są one kluczowe: od produkcji baterii po biotechnologię.“

W tym kontekście opatentowana osłona ochronna 2ndSCIN® umożliwia dynamiczną automatyzację komponentów, takich jak roboty do ultraczystej produkcji. Osłona składa się z przepuszczalnego, ruchomego i wielowarstwowego tekstylu, który naśladuje ludzką skórę. W zależności od zastosowania, mogą nakładać się na siebie dwie lub więcej warstw. Warstwy są oddzielone dystansami, w których można na przykład zasysać lub odprowadzać powietrze. W ten sposób można usunąć cząsteczki pochodzące z otoczenia lub komponentów automatyzacji. Podanie specjalnych gazów do przestrzeni między warstwami umożliwia ich sterylizację. Ponadto osłona może być wymieniona w około godzinę i po dekontaminacji może być ponownie używana. Warstwy tekstylne są wyposażone w czujniki monitorujące parametry takie jak stężenie cząstek, kontaminacja chemiczna, ciśnienie czy wilgotność. Algorytmy AI analizują te dane i umożliwiają na przykład przewidywanie konserwacji. „2ndSCIN® jest niezwykle elastyczny w konstrukcji, co pozwala na realizację indywidualnych potrzeb“, wyjaśnia Gommel. „W ten sposób odpowiadamy na wiele wymagań dotyczących czystościowych osłon ochronnych dla komponentów w pomieszczeniach czystych, które dotychczasowe produkty nie spełniały.“

Wyjaśnianie uczenia maszynowego

W robotyce, jak również w wielu innych dziedzinach produkcji i usług, coraz częściej stosuje się metody uczenia maszynowego i sztuczne sieci neuronowe. W zależności od zastosowania, coraz ważniejsze i czasami prawnie konieczne jest zrozumienie, jak one działają i dlaczego dochodzą do określonych wyników. Muszą być wyjaśnialne. Ze względu na ich złożoność, dotąd często było to niemożliwe. „Im bardziej wydajna jest sieć neuronowa, tym trudniej ją zrozumieć“, wyjaśnia profesor Marco Huber, kierownik Centrum Cyber Cognitive Intelligence (CCI) i działu Przetwarzania Obrazów i Sygnałów w Fraunhofer IPA.

Na targach automatica Fraunhofer IPA prezentuje w ramach hasła „Explainable AI“ (xAI) metody wizualizacji decyzji sieci neuronowych, które czynią je przejrzystymi i zrozumiałymi dla użytkownika. „Ta przejrzystość wzmacnia akceptację AI, buduje zaufanie, poprawia poprawność działania i zapewnia bezpieczeństwo prawne“, wyjaśnia Huber. Metody wyjaśnialności są odpowiednie dla wszystkich zastosowań korzystających z sieci neuronowych lub uczenia maszynowego, zwłaszcza tych krytycznych pod względem bezpieczeństwa lub silnie regulowanych.

Uczynienie procesów produkcyjnych bardziej przejrzystymi i efektywnymi

Jeśli ogólna efektywność urządzenia lub „Overall Equipment Effectiveness (OEE)“ (współczynnik wykorzystania sprzętu) w części lub całości linii produkcyjnej nie osiąga pożądanego poziomu, konieczne jest zidentyfikowanie przyczyny odchylenia. Należy szczegółowo zbadać proces produkcji. Analizy na poziomie MES lub SCADA obejmują cały proces, nie dając informacji o przyczynach wewnątrz procesu. Jednak coraz większa sieciowość produkcji otwiera nowe możliwości optymalizacji. Tu zaczyna się autonomiczne optymalizowanie produkcji. Dostęp do różnych źródeł danych pozwala na uczynienie procesu transparentnym i na podstawie tego na automatycznym poziomie optymalizować OEE.

Realizację tej wizji – Maximize Overall Equipment Effectiveness – demonstruje eksponat „MOEE“, który odtwarza zautomatyzowaną linię produkcyjną. Linia jest monitorowana zarówno przez sterowanie, jak i zewnętrzne sensory, takie jak światłowody czy kamery. Te źródła danych służą do tworzenia modelu zachowania linii. Umożliwia to ciągłą analizę online i identyfikację anomalii lub strat produkcyjnych. „Dzięki temu zapewniamy naszym klientom przejrzystość procesów i automatycznie wykrywamy potencjały optymalizacyjne“, wyjaśnia Yannick Mayer, naukowiec w Fraunhofer IPA i współtwórca MOEE.