ACRA4DT

ACRA4DT

Automatisierte Konfiguration von Robotern und Analytics in I4.0 mit digitalen Zwillingen

ACRA4DT

Die Installation und Programmierung komplexer Robotersysteme, sowie die Konfiguration von assoziierten Data Analytics-Verfahren, ist zeitaufwendig und erfordert Expertenwissen im Bereich der Industrieautomation. Wissensbasierte semantische Interoperabilitätskonzepte ermöglichen eine flexible und herstellerunabhängige Rekonfiguration von Produktionssystemen für die Kleinserienfertigung in kleinen und mittelständischen Unternehmen.

Demonstrator ACRA4DT
Demonstrator ACRA4DT

Der Demonstrator für die automatisierte Konfiguration von Robotern und Analytics-Verfahren zeigt, wie semantische digitale Zwillinge (engl. Digital Twin) in einem Plug&Produce-System eingesetzt werden können, um eine flexible Fertigung für kleine Losgrößen Industrie 4.0-konform zu ermöglichen. Roboterprogramme werden hierbei automatisch aus der Definition von Produktionszielen abgeleitet.

Das Digital-Twin-Modell umfasst semantische Beschreibungen von Prozessen, Produkten und Herstellungsressourcen. Der den semantischen Darstellungen zugrundeliegende Formalismus ist eine Beschreibungslogik, die es dem System ermöglicht, die logische Konsistenz von Modellen automatisch zu überprüfen sowie implizite Fakten aus explizit modellierten Fakten abzuleiten.

Das semantische Digital-Twin-Modell eines Geräts umfasst ein formales Skill-Modell, das z.B. auf Informationsmodellen und sogenannten Companion Specifications basiert, die in OPC UA-Nodesets kodiert sind. Standardisierte Definitionen für Skills von Robotern und ihren Werkzeugen ermöglichen eine herstellerunabhängige Spezifikation von Bearbeitungsschritten.

Die semantische Interoperabilität zwischen Hardware- und Softwarekomponenten sowie Fertigungsprozessen wird durch semantische Fähigkeitsmodelle gewährleistet. Sie definieren den Funktionsumfang und die Anwendbarkeit eines bestimmten Skills und können so mit den Anforderungen einzelner Aufgaben des Fertigungsprozesses abgeglichen werden. Rohdaten von Sensoren, die während der Ausführung generiert werden, werden automatisch mit semantischen Kontextinformationen angereichert, um Maschine-Learning-basierte Analytics-Verfahren zu verbessern.

Dr. Markus Rickert

Ihr Kontakt

Dr. Markus Rickert

+49 89 3603522 43
rickert@fortiss.org

Projektpartner

IBM