ACRA4DT

ACRA4DT

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

ACRA4DT

Im Projekt Automated Configuration of Robots and Analytics in I4.0 with Digital Twins (ACRA4DT) bietet das Hinzufügen von semantischem Wissen zur roboterbasierten Fertigung einen zusätzlichen Kontext für die auf maschinellem Lernen basierende Anomalieerkennung. Dies ermöglicht die automatisierte Integration von Datenanalysen für die Kleinserienfertigung.

Projektbeschreibung

Viele manuelle Konfigurations- und Programmierungsschritte sind erforderlich, um hochgradig digitalisierte industrielle Prozesse einzurichten. Dies beginnt mit der Programmierung der Steuerungslogik für einzelne Roboter und setzt sich fort mit der Konfiguration der Analytik, die die Produktion überwacht.

Diese manuellen Schritte sind sehr zeitaufwändig und erfordern ein hohes Maß an Fachwissen. Folglich sind sie nur bei statischen Produktionsplänen, bei denen die Betriebszeit die Programmierzeit bei weitem übersteigt, oder bei hochwertigen Anlagen wirtschaftlich durchführbar. Auf der anderen Seite steigt die Nachfrage nach flexibleren Produktionslinien und der Einzellosfertigung von mittelwertigen Anlagen ständig. Zwar versprechen Roboter und 3D-Drucker die erforderliche Flexibilität bei der Werkzeugausstattung, doch in Wirklichkeit ist der Aufwand für die Anpassung von Programmen und Analysen noch zu hoch, um sie auf breiter Basis einzusetzen.

Forschungsbeitrag

Traditionelle Ansätze für die Analytik in der industriellen Automation und Robotik verwenden Rohdaten von mehreren Sensoren und erfordern für jeden neuen Bereich oder Anwendungsfall einen hohen manuellen Aufwand. Bei einem wissensbasierten Ansatz zur Entwicklung von Produktionssystemen wird das Wissen über Produkte, Prozesse und Ressourcen formal in semantischen Repräsentationssprachen dargestellt.

Auf der Grundlage eines solchen semantischen Digital Twin-Modells können Sensor-Rohdaten automatisch mit semantischen Labels sowie Kontextinformationen, z.B. der aktuell ausgeführten Aufgabe und ihrem jeweiligen Teil oder ihren Parametern, angereichert werden.

fortiss untersucht in diesem Projekt, wie Ansätze des maschinellen Lernens zur Anomalieerkennung durch die Integration dieser Art von Informationen automatisiert und optimiert werden können, insbesondere für die Kleinserienfertigung.

Projektdauer

01.11.2019 - 31.12.2020

Dr. Markus Rickert

Ihr Kontakt

Dr. Markus Rickert

+49 89 3603522 43
rickert@fortiss.org

Projektpartner

IBM