Künstliche Intelligenz im Maschinenbau
Learning by digital doing
Die 3D-Simulation von Anlagen und Prozessen kann dabei helfen, Fehler im realen Betrieb zu vermeiden. (Bild: Machineering GmbH & Co. KG)
Die Simulation von Anlagen ist im Maschinenbau kaum noch wegzudenken. Ein zuverlässiges 3D-Modell erleichtert die Isolation von relevanten Zustandsgrößen an der realen Maschine und reduziert somit den erforderlichen Rechenaufwand. Machineering zeigt Lösungen auf, wie ein digitaler Prototyp das Anlagenverhalten begünstigen kann und damit der Künstlichen Intelligenz im Maschinenbau die Tür öffnet.
Im Engineering-Prozess fungiert die Software industrialPhysics als Testbett für den Entwurf der zu entwickelnden KI. Denn aus den erzeugten Modellen dieser physikbasierten Software entsteht so ein virtuelles Trainingscenter, das die Algorithmen für Ihre Aufgabe vorbereiten soll: Die Überwachung der Produktivität von Maschinen und Anlagen. Prinzipiell wird die Simulation derzeit von Ingenieuren als Werkzeug genutzt, um zu Erkenntnissen zu gelangen, die nach Richtlinie VDI3633-1 auf die Realität übertragen werden können. In Fortführung dieser Vorgehensweise setzt der Ingenieur die KI vor Betrieb der realen Maschine ihrer Lernaufgabe im simulierten Umfeld aus.
Hardware in the Loop & KI
Die Trainingsumgebung – basierend auf einer Hardware-in-the-Loop-Simulation – besteht aus dem Maschinenmodell, einer realen oder virtuellen Steuerung sowie dem KI-System. Somit kann das Zusammenspiel aller drei Komponenten getestet werden. Dies ist wichtig um der Künstlichen Intelligenz zu ermöglichen, verschiedene Algorithmen zu testen und mögliche Fehler selbst zu erleben, mit dem Ziel sie im realen Betrieb zu vermeiden. Auch die Lernziele können so durch den Ingenieur ohne Risiko festgelegt und überprüft werden. Weiteres Potential der Nutzung von 3D-Simulationen in der Produktion – also parallel zum laufenden Betrieb – befindet sich in der Berechnung relevanter Größen aus dem 3D-Modell, die real nur mit hohem Aufwand messbar wären.
Look Ahead & Geisterroboter
In vielen Branchen, die mit robotergesteuerten Prozessen arbeiten, stehen verschiedene Roboter auf engem Raum und müssen mit- und nebeneinander sicher funktionieren. Je mehr die sich selbst programmierende Maschine Wirklichkeit wird, desto gründlicher muss auf Kollisionen oder mangelnde Erreichbarkeit geprüft werden. Hierzu kann ein Echtzeit-3D-Modell mit Kollisionserkennung genutzt werden. So können an der Maschine Rückzugsstrategien im Wechselspiel mit einem 3D-Kollisionsmodell situationsgerecht entwickelt werden. Parallel zu der virtuellen Maschine läuft ein Geisterroboter, der der realen Maschine eine vordefinierte Zeitsequenz voraus ist. Gesetzt den Fall, ein Element bewegt sich mit 1m/s und die Maschine kann mit 10m/s abbremsen, so muss das System innerhalb von 100ms stehen bleiben. Um das sicher zu stellen, benötigt man einen zusätzlichen Sicherheitspuffer, der den Roboter mit einem Vorlauf von ca. 300ms auf Kollision überwacht. Auch schon in der Planung und Entwicklung können mithilfe dieses zusätzlichen Tools virtuell verschiedene Szenarien durchgespielt werden, wie die betreffenden Roboter bestmöglich mit- und nebeneinander laufen. Zudem unterstützt die Simulation des Roboterverhaltens Unternehmen dabei, die Maschinenrichtlinie einzuhalten. So kann frühzeitig im Entwicklungsprozess die Geschwindigkeit der Bewegungen an die Umgebung, z.B. in der Nähe von Gerüsten oder Schutzzäunen, angepasst werden.
Eine physikbasierte Simulation liefert die Basis für maschinenbasiertes Verhalten, da sich aus den Modellen die Algorithmen ableiten und in realistischem Umfeld testen lassen. (Bild: Machineering GmbH & Co. KG)
3D-Simulation & Machine Learning
Die Nutzung der 3D-Simulation als Trainingsumgebung für maschinelles Lernen führt den Ingenieur direkt zum nächsten Evolutionsschritt: Die Fusion beider Technologien im realen Betrieb. Denn die Freiheitsgrade des maschinellen Lernens – und damit die später im Betrieb erforderliche Bandbreite und der Rechenaufwand können durch den Einsatz eines 3D-Modelles der Maschinen und Roboter erheblich reduziert werden. Darauf wird es ankommen, wenn alle Maschinen in den Produktionsanlagen durch KI aufgewertet werden sollen. Die Wirtschaftlichkeit der bereitgestellten Rechenleistung steigt und fällt mit der Zahl und Komplexität der durch Algorithmen zu lernenden Freiheitsgrade. Die 3D-Echtzeitsimulation mit Kollisionsberechnung an der Maschine kann helfen, die zu erfassenden Freiheitsgrade deutlich zu reduzieren und so die KI auf die wesentlichen Dinge zu fokussieren.
