Reinforcement Learning Roboter finden ihre optimale Bewegungsbahn von selbst

Anbieter zum Thema

Linde Material Handling GmbH

Klinkhammer Intralogistics GmbH

IdentPro GmbH

Viele Unternehmen beschäftigen sich heute mit Industrie 4.0, weil sie die Möglichkeiten der Digitalisierung erkannt haben. Jetzt kommt noch die KI hinzu, um bei kniffligen Aufgaben zu unterstützen.

Die Optimierung von Prozessen ist nicht nur dazu da, gute Kennzahlen wie zum Beispiel den OEE-Wert (Overall Equipment Effectiveness) zu erreichen. Auch die Unterstützung des Personals ist ein wichtiger Aspekt. Vor allem bei aufwändigen oder fehleranfälligen Tätigkeiten kann durch die Unterstützung von digitalen Möglichkeiten ein Mehrwert geschaffen werden. IT Engineering Software Innovations untersucht deshalb Anwendungsfälle von KI für die Roboterprogrammierung. Das Ganze geschieht im Rahmen des Forschungsprojektes „KI-Steuerung“. Gemeinsam mit den Projektpartnern ISG Industrielle Steuerungstechnik GmbH und dem Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (ISW) der Universität Stuttgart wird dazu der Einsatz von Reinforcement Learning für die Generierung von Programmen zur Robotersteuerung erforscht.

Digitalisierung birgt interessantes Optimierungspotenzial

In der modernen Produktion spielen verschiedene digitale Systeme zusammen, um einerseits die Produktionsprozesse zu steuern und andererseits auch anstehende Teile und Produkte dafür vorzubereiten, ohne die laufende Produktion zu unterbrechen. Simulationssysteme helfen, um Produktionsparameter herauszufinden oder, um grundsätzlich die Machbarkeit von Vorhaben zu prüfen.

Bildergalerie

Unter anderem sind dafür bereits heute Anwendungen für die virtuelle Inbetriebnahme im Einsatz. Dabei wird mit einer speziellen, leistungsfähigen Software ein virtuelles Abbild der zu entwickelnden Maschine beziehungsweise Anlage geschaffen. Mechanische, elektrische und dynamische Eigenschaften des zu simulierenden Systems werden dabei realitätsnah abgebildet, um eine 3D-Simulation des Gesamtsystems mit einem identischen Verhalten zur realen Maschine zu erzeugen. Teilweise bieten Zulieferer schon fertige, virtuelle Modelle ihrer Bauteile mit allen relevanten Eigenschaften zum Einspielen in das Simulationsmodell an. Dieses System für die virtuelle Inbetriebnahme ermöglicht es auch über eine Phase der Inbetriebnahme hinaus, etwa Abläufe eines neu erstellten Programms zunächst in einer Simulation zu testen, bevor sie an der realen Anlage ausgeführt werden.

Herausfordernde Art der Roboterprogrammierung

Im Fokus des Forschungsprojektes steht, wie die Integration von Modellen und Methoden des Reinforcement Learnings in ein derartiges Simulationssystem aussehen kann. Reinforcement Learning ist ein Teilbereich des Machine Learnings. Dabei lernt der eingesetzte Algorithmus durch „Belohnung“ und „Bestrafung“, wie in potenziell auftretenden Situationen zu handeln ist, um das gewünschte Ziel zu erreichen respektive den Nutzen zu maximieren. Durch die Verknüpfung der Simulation mit der Entwicklung des Reinforcement-Learning-Algorithmus kann dieser direkt am Modell lernen, welche Bewegungen zielführend sind. Das Ergebnis kann später auch in der Wirklichkeit zur Steuerung eingesetzt werden, weil das Modell eben ein realitätsnahes Abbild der existierenden Maschine ist.

Die grundlegende Problemstellung ist einfach beschrieben: Roboterprogrammierung ist aufwändig! Während einerseits hohe Anforderungen an die Sicherheit gestellt werden, ist die Fahrt auf effizienten Bahnen entscheidend, um hohe Taktzeiten zu erreichen. Darüber hinaus ist die Koordination und Optimierung der Bahnen von mehreren sich gleichzeitig bewegenden Roboterarmen eine große Herausforderung. Wird dabei etwas falsch gemacht, kommt es unter Umständen zur Kollision, was hohe Kosten und teilweise längere Ausfallzeiten bedeutet.

(ID:49322007)