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) wird durch das Hinzufügen von semantischem Wissen zur roboterbasierten Fertigung ein zusätzlicher Kontext für Anomalieerkennungsverfahren geschaffen, die auf maschinellem Lernen basieren. Dies ermöglicht die automatisierte Integration von Data Analytics für die Kleinserienfertigung.

Projektbeschreibung

Es sind viele manuelle Konfigurations- und Programmierschritte erforderlich, um hochgradig digitalisierte industrielle Fertigungsprozesse einzurichten. Dies beginnt mit der Programmierung der Steuerungslogik für einzelne Roboter und setzt sich fort bis zur Konfiguration von prozessüberwachenden Analytics-Verfahren.

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

Forschungsbeitrag

Traditionelle Ansätze für Analytics-Verfahren in der Industrieautomation und Robotik verwenden Rohdaten von mehreren Sensoren und erfordern für jeden neuen Anwendungsbereich 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 Beschreibungen sowie Kontextinformationen, z.B. der aktuell ausgeführten Montageaufgabe und den involvierten Bauteilen oder assoziierter Parameter, angereichert werden.

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

Projektdauer

01.11.2019 - 31.12.2020

Dr. Markus Rickert

Ihr Kontakt

Dr. Markus Rickert

+49 89 3603522 43
rickert@fortiss.org

Projektpartner

IBM