Kognitive Produktionssysteme

In der Abteilung "Kognitive Produktionssysteme" konzentrieren wir uns darauf, fortschrittliche Steuerungs- und Vorhersagealgorithmen zu entwickeln und anzuwenden, um Probleme im Zusammenhang mit Robustheit und Zuverlässigkeit in Produktionssystemen anzugehen. Gleichzeitig stellen wir sicher, dass das gesamte System flexibel bleibt und sich an Prozessänderungen anpassen kann. Um die Robustheit, Zuverlässigkeit und Flexibilität gleichzeitig zu verbessern, setzen wir Methoden des maschinellen Lernens und der künstlichen Intelligenz ein, einschließlich dem verstärkenden Lernen, mehrschichtigen Perzeptronen und anderem.

Die Forschungsthemen des Bereichs sind im Einzelnen:

• Entwicklung und Anwendung von Verfahren des maschinellen Lernens im industriellen Umfeld
• Architekturen und Algorithmen für die kognitive Robotik und Automatisierungstechnik
• Integration cyber-physischer und kognitiver Produktionsmittel in vernetzten Wertschöpfungssystemen
• Sicherer, zuverlässiger und nachvollziehbarer Einsatz von künstlicher Intelligenz in der Produktion
• Theory-Guided Data Science für Prognose und Gesundheitsmanagement
• Physics-Informed maschinelles Lernen und Data-Efficient künstliche Intelligenz in der Produktion

Die produzierende Industrie und ihre Kunden legen zunehmend Wert auf hohe Qualitätsstandards. Anstelle der manuellen Qualitätsprüfung, die ineffizient und fehleranfällig sein kann, setzen einige Branchen verstärkt auf automatisierte Prüfungen, z.B. mithilfe von Methoden des maschinellen Lernens (ML). Es fehlen jedoch immer noch geeignete Standards und Entwicklungsmethoden, um die Eignung und Qualifizierung eines ML-basierten KI-Systems nachzuweisen. So verhindern Bedenken hinsichtlich der Zuverlässigkeit oder Genauigkeit der auf ML basierenden KI-Systeme bisher deren breiten industriellen Einsatz.

Ziel des Projekts ist die Entwicklung eines Software-Frameworks für die Qualifizierung bzw. Auditierung von ML-basierten KI-Systemen in der industriellen Qualitätsprüfung. Das Framework besteht dabei aus einem Vorgehensmodell samt softwaregestützter Methoden und Werkzeuge, die es ermöglichen (a) Prüf- und Bewertungskriterien zu ermitteln und zu formulieren sowie (b) das KI-System entlang dieser Kriterien abzunehmen. Das Framework soll modular gestaltet sein, sodass eine einfache Integration und Erweiterung von Prüf- bzw. Auditierungsmodulen möglich wird. Das Framework soll insbesondere kleine und mittelständische Unternehmen (KMU) dazu befähigen, fremdbezogene KI-Systeme zu qualifizieren, um so auch ohne eigene KI-Fachkräfte die Leistungsfähigkeit bewerten zu können. Das Framework soll auch für KI-Dienstleister zur Selbstauskunft oder für unabhängige Prüfinstanzen zur Zertifizierung einsetzbar sein.

In diesem Vorhaben wird für die verschiedenen Entwicklungsphasen eines KI-Systems eine systematische Ermittlung und Formulierung von anwendungs- und KI-spezifischen Prüf- und Bewertungskriterien vorgeschlagen, basierend auf sogenannten Argumentationsstrukturen. Kernelement der Argumentationsstruktur ist das Hauptziel, welches durch das KI-System zu erreichen ist , etwa, dass eine bestimmte Pseudofehlerrate nicht unterschritten wird. Zur weiteren Strukturierung kann dieses Hauptziel in Unterziele oder zu erfüllende Kriterien aufgegliedert werden. Zudem sind alle getroffenen Annahmen und Kontextinformationen in die Argumentationsstruktur zu integrieren. Um ein strukturiertes Argument zur Erfüllung des Hauptziels bereitstellen zu können, erfasst die Argumentationsstruktur auch die dafür erforderlichen und zu erbringenden system- oder prozessbezogenen Nachweise. Die Argumentationsstruktur soll bei der Auditierung des KI-Systems entlang der verschiedenen Entwicklungsphasen herangezogen werden. Daher soll in diesem Vorhaben ein computergestütztes Assistenzsystem als Bestandteil des Software-Frameworks zur unterstützenden Erstellung von Argumentationsstrukturen entwickelt werden, welches sich auf vorgefertigten, dem Anwendungskontext der Qualitätsprüfungen entsprechenden Templates stützt und die erstellte Argumentationsstruktur zentral verwaltet. Hierfür soll eine computergestützte Auditierungsplattform entwickelt werden.

Prozesse der Warmmassivumformung unterliegen vielen Größen und Randbedingungen. Der Schmiedevorgang ist dabei empfindlich gegenüber wechselwirkenden Prozessschwankungen oder eine instabile Prozessführung. So kommt es vor allem bei Schwankungen bei den Einlegetemperaturen oder beim Aufbringen des Schmierstoffs zur Unterfüllung und das Bauteil wird als Ausschuss bewertet. Massenzugabe sorgen beim Gesenkschmieden für einen stabileren Prozess. Dabei entstehen Grate, die später mit viel Energieaufwand entfernt werden müssen und zusätzlichen Materialaufwand erfordern. Die Prozessstabilisierung durch eine Gratausformung wirkt sich somit negativ auf den Material- und Energiebedarf aus. Viele Geometrien sind zudem anfällig gegenüber Verzügen, die außerhalb der zulässigen Toleranz weitere Nachbearbeitungen erfordern. So beeinflussen Schwankungen in den Prozessparametern und unbekannte Wechselwirkungen die Qualität der Teile.

Das Ziel des Forschungsvorhabens besteht in der Verbesserung von Qualitätsmerkmalen im Gesenkschmiedeprozess durch ein besseres Verständnis der Wechselwirkungen. Dabei sollen datenbasierte Modelle in Kombination mit globalen Erklärbarkeitsverfahren helfen, bislang unverstandene Korrelationen und Prozessschwankungen zu identifizieren. Damit können Ansätze entwickelt werden, die durch ein angepasstes Wirkflächendesign auch mit geringeren Sicherheitsfaktoren wie Grat oder Aufmaße eine Prozessstabilisierung erlauben. Um dies zu erreichen, wird zunächst das Domänenwissen gesammelt und kondensiert, Bauteilqualitätsdaten und Prozessdaten werden automatisiert generiert, um Referenzdatensätze zu erzeugt. Anhand dieser Daten wird ein maschinelles Lernverfahren entwickelt, das anhand von Prozessdaten Vorhersagen über Qualitätsmerkmale treffen kann. Schließlich wird ein White-Box-Modell zur Identifikation von Prozessgrößen entwickelt, die die Bauteilqualität beeinflussen. Damit soll in Zukunft das Wirkflächendesign für den vorliegenden Prozess optimiert werden und die Übertragbarkeit auf andere Gesenkschmiedeprozesse erreicht werden.

Biegeschlaffe Bauteile wie Kabel und Kabelbäume haben bei der Produktion von Elektrofahrzeugen eine zentrale Rolle. Sie sind aber mangels robuster Prozesse bislang nicht automatisiert handhabbar. Im Projekt "RoboCable" werden daher neuartige KI-Methoden für die robotergestützte Handhabung bzw. Manipulation biegeschlaffer Bauteile erforscht.

Im Projekt wird eine Kombination folgender Technologien betrachtet:

• Lageschätzung filigraner biegeschlaffer Bauteile mittels optischer Sensoren
• modellbasiertes Matching von Sensordaten und digitalem Bauteilmodell
• skillbasierte Roboterprogrammierung zur Umsetzung komplexer und kraftgeregelter Bewegungen
• KI-basierte Auswahl und Parametrierung geeigneter Roboterskills
• Reinforcement Learning für die Robotersteuerung
• Einsatz einer Physik-Simulationsumgebung als Digitaler Zwilling der Produktion

Durch diese Kombination erlernt der Roboter neue Montagetätigkeiten virtuell in der Simulationsumgebung, um den hohen Varianzen biegeschlaffer Bauteile und inhärenten Prozessunsicherheiten Rechnung zu tragen. Laufende Aufgaben können parallel dazu unterbrechungsfrei ausgeführt werden. Im Sinne einer VISION ZERO werden Programmier-, Stillstands- und Anlaufzeiten sowie Defekte minimiert.

Das Projekt ist am 01.Januar 2023 im Rahmen des InnovationsCampus Mobilität der Zukunft ICM gestartet.

Universität Stuttgart: Institut für Steuerungstechnik der Werkzeugmaschinen und Fertigungseinrichtungen (Prof. Verl) https://www.isw.uni-stuttgart.de/

KIT Karlsruhe: Institut für Industrielle Informationstechnik (Prof. Heizmann) https://www.iiit.kit.edu/index.php

Fraunhofer IPA Stuttgart: Abteilung Roboter- und Assistenzsysteme (Dr. Kraus) https://www.ipa.fraunhofer.de/de/Kompetenzen/roboter--und-assistenzsysteme.html

Die nachhaltige Wiederaufarbeitung/Refabrikation von Gerätekomponenten erfordert einen hohen manuellen Arbeitsaufwand. Während die Neuproduktion von einer hohen Normierung der Komponenten in jedem Produktionsschritt profitiert, wirkt sich bei der Refabrikation der Verschleiß jeder Komponente sehr unterschiedlich auf Form oder Oberflächeneigenschaften aus. Dies erschwert die Automatisierung massiv und macht die Neuproduktion – obwohl deutlich weniger nachhaltig – wirtschaftlicher. Gleichzeitig besteht die Herausforderung eines zunehmenden Fachkräftemangels, weshalb es einen großen Bedarf an Automatisierungslösungen im Bereich der Refabrikation gibt.

Dieses Vorhaben bringt Nachhaltigkeit und Wirtschaftlichkeit durch künstliche Intelligenz (KI) in Einklang. KI erlaubt eine automatisierte individuelle Anpassung der Bearbeitung eines Werkstücks. Dies macht die Automatisierung einsetzbar und die Refabrikation im freien Markt gegenüber der Neuproduktion wettbewerbsfähig. Das KI-basierte Bearbeitungssystem verbindet Sensoren für die Objektvermessung und Sichtprüfung mit ausführenden Robotern und passenden Bearbeitungswerkzeugen sowie einem intuitiven Interaktionssystem für den Menschen. Die Aufgabenplanung und kraftgeregelte Bearbeitung durch den Roboter nutzen modernste Methoden des maschinellen Lernens.

Mit dem derzeitigen Stand der Technik ist eine sehr häufige manuelle und damit teure Adaption von Roboterprogrammen notwendig, so dass der Betrieb nicht wirtschaftlich gestaltet werden kann. Roboter sollen nun in die Lage versetzt werden, sich eigenständig für die Bearbeitungsaufgabe zu programmieren und einzurichten. Konkret besteht das Bearbeitungssystem aus verschiedenen miteinander interagierenden Modulen (siehe Abbildung). Über eine Wissensbasis kann Domänen- und Expertenwissen in Form einer Ontologie und in einer Task-Bibliothek abgelegt und in die Robotersteuerung eingebracht werden (1). Sensoren vermessen das zu bearbeitende Werkstück. Auf der Grundlage der Messwerte können Abweichungen vom Normzustand des Werkstücks ermittelt werden (2). Während des Bearbeitungsvorgangs werden mittels der Sensorik fortwährend der Werkstückzustand und die Bearbeitungsqualität gemessen und bewertet (3). Die Taskplanung legt die abstrakten Bearbeitungstätigkeiten und Sollbewegungen für den Roboter fest (4). Die Bahnplanung erzeugt aus den gewählten Tasks eine Roboterbahn, die zur Bearbeitung verfahren werden muss (5). Die Bahnregelung (6) zielt auf eine schnelle Einregelung der von der Bahnplanung vorgegebenen Kraft- und Positionsbahnen ab, um das gewünschte Bearbeitungsergebnis zu erzielen. Die Verarbeitung der Sensordaten sowie die verschiedenen Planungs- und Regelungsmethoden nutzen Methoden des ML in Kombination mit wissensbasierten Ansätzen (7). Zur automatisierten Roboterprogrammierung wird eine Simulation eingesetzt, die es dem Roboter erlaubt, die für eine Bearbeitungsaufgabe erforderlichen Tätigkeiten optimal zu planen.

Ein adaptives, digitales Gesamtsystem zur automatisierten Wiederaufbereitung unterschiedlicher Gerätekomponenten ist das Ziel des Vorhabens.

Das Fachgebiet Prognostics and Health Management (PHM) befasst sich mit der Diagnose des aktuellen Degradationszustands technischer Systeme sowie mit der Prognose der weiteren Entwicklung dieses Zustands. Ziel ist die Bereitstellung von Informationen, welche im Rahmen des Health Managements für die Planung und Koordination von Instandhaltungsprozessen oder Systemanpassungen eingesetzt werden. Die Methoden für die Zustandsdiagnose und -prognose werden in der Literatur meist in physikalisch modellbasierte Methoden, datengetriebene Methoden und hybride Methoden unterteilt. Letztere dienen dazu, Unzulänglichkeiten rein datengetriebener Methoden zu kompensieren, indem Kenntnisse über das betrachtete System einbezogen werden, die jedoch als unzureichend für eine ganzheitliche Modellierung des Systems gelten. Denn in der Regel sind grundlegende Kenntnisse über das System und über die Gesetzmäßigkeiten seines Degradationsprozesses vorhanden. Dieser Forschungszweig wird als Theory-Guided Data Science (TGDS) bezeichnet und zielt insbesondere auf die Verminderung der Defizite datengetriebener Methoden ab.

Das Ziel des Forschungsvorhabens ist die Integration von bei PHM anwendungsübergreifend vorliegenden Gesetzmäßigkeiten bzw. Randbedingungen in datengetriebene Methoden zur Zustandsdiagnose und -prognose. Ein Beispiel hierfür ist dass das betrachtete technische System über keine Möglichkeit der Selbstheilung verfügt. Diese überwiegend auftretende Eigenschaft führt dazu, dass der Degradationszustand des Systems monoton zunehmend sein muss. Die Integration derartiger Vorkenntnisse soll eine Verbesserung der Extrapolation in Bereiche mit wenigen oder keinen Trainingsdaten sowie die Einhaltung von Gesetzmäßigkeiten des zu modellierenden Systems ermöglichen. Die dabei zu verfolgenden Ansätze sind  Physics-Based Regularization, Auxiliary Task in Multi-Task Learning, Intermediate Physical Variables und Physics-Guided Initialization (siehe Abbildung 1). Während theoretische Vorarbeiten bereits existieren, werden im Rahmen des Forschungsvorhabens dedizierte Lösungen für den Bereich PHM entwickelt, die aufgrund des zentralen Fokus, die anwendungsübergreifende Charakteristik der Gesetzmäßigkeiten zu berücksichtigen, eine entsprechende Breitenwirkung aufweisen.