Das nächste Level von MRK

Grundlage für Mensch/Roboter-Kooperation (MRK)

Beim Design von Anwendungen in der Produktion, die auf maschinellem Lernen beruhen, legt Capgemini den Perception-Cognition-Action-Zyklus zugrunde. Die Kognition (Cognition) kann salopp als das betrachtet werden, was zwischen der Wahrnehmung (Perception) und der Aktion (Action) liegt. Beim Menschen handelt es sich also um die geistigen Prozesse, die zur Aktion führen. Das kann man auch auf die Maschine übertragen: Cognition ist dann sozusagen die Magie zwischen Sensor und Aktor. Diese beiden Zyklen müssen so miteinander verbunden werden, dass der Mensch basierend auf seiner Aktion eine passende Reaktion vom System erfährt (siehe Grafik). In der Praxis kann das wie folgt aussehen: Ein Mitarbeiter in der Fertigung soll zum Beispiel direkt nach einem Montageschritt Feedback erhalten, ob dieser erfolgreich von ihm durchgeführt wurde. Die Aktion des Systems muss dabei passend zur Wahrnehmung des Mitarbeiters gestaltet werden. Hier ist also zu bestimmen, ob das durch die Aktion ausgedrückte Feedback visuell, akustisch oder haptisch erfolgen soll. Die direkte Rückmeldung unterstützt unerfahrene Mitarbeiter bei der Einarbeitung und verhindert bei Experten Flüchtigkeitsfehler, die sonst eventuell erst später im Prozess erkannt werden. Mittels maschinellen Lernens und MRK können erhebliche Effizienzgewinne erzielt werden. Alles dreht sich um den Menschen und so müssen diese Systeme immer in Anbetracht der Fähigkeiten von Menschen und Maschine erstellt werden. Wenn Produktionsunternehmen ihre KI-Anwendungen zukünftig nach dieser Prämisse designen, ist der Weg zur wahren Smart Factory nicht mehr allzu weit.

Maschinelle Zusammenarbeit mit OPC UA

Aber auch die Zusammenarbeit der Maschinen untereinander muss in einer smarten Fabrik noch verbessert werden. Eine Schlüsseltechnologie dabei ist OPC UA: Viele Unternehmen haben Initiativen gestartet, um den Standard flächendeckend einzuführen. Ein zentrales Elelement von OPC UA ist neben der vereinfachten und sicheren Kommunikation die einheitliche semantische Beschreibung. Im Beispielszenario wurde dafür die vom VDMA initiierte Companion Specification Robotics für den APAS-Roboter und die Companion Specification Vision für die COVIQS-Lösung verwendet. Damit konnten zwei getrennte Teams in kurzer Zeit beide Lösungen miteinander verbinden, ohne Detailkenntnisse über die jeweils andere Anwendung zu besitzen. Konkret fragt der Roboter nach der Teileidentifikation über den von uns implementierten OPC UA Server die mit COVIQS ermittelte Teilequalität ab. Entsprechend dieser Antwort werden die Teile dann in die dafür vorgesehenen Behälter einsortiert. Die Definition und Konfiguration der Business Logik für diesen Prozess erfolgt mithilfe einer zentralen Node-Red Applikation. Hierdurch kann die Prozesslogik flexibel konfiguriert werden, ohne dass eine direkte Anpassung des Roboter oder Vision Systems notwendig ist. Durch den Einsatz von OPC UA kann darüber hinaus die Integration von COVIQS in bestehende Produktionslinien vereinfacht werden. Capgemini nutzt hierfür die standardisierte semantische Beschreibung PLCopen OPC UA Client für Steuerungen, die eine Unabhängigkeit von der verwendeten SPS-Hardware sicherstellt. Damit können auch bisher nicht mit OPC UA betreibbare Steuerungen mit weiteren Anwendungen effektiv und prozesssicher kommunizieren. Auch bei OPC UA setzt Capgemini mit dem Javascript-basierten NodeOPCUA auf Open Source.

Seiten: 1 2Auf einer Seite lesen

Capgemini // Capgemini Invent

Das könnte Sie auch Interessieren

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.

Bild: Coscom Computer GmbH
Bild: Coscom Computer GmbH
Software-Plattform für KI und maschinelles Lernen

Software-Plattform für KI und maschinelles Lernen

Vermehrt interessieren sich Unternehmen dafür, auf Basis ihrer Fertigungsinformationen Verbesserungspotenziale in der Produktionsplanung und -steuerung zu heben. Maschinelles Lernen und künstliche Intelligenz (KI) kann aber nur dann wirtschaftlich sinnvoll eingesetzt werden, wenn alle relevanten Daten im Zugriff sind und deren Struktur zu den Anwendungen passen. Das Coscom-ECO-System soll eine Plattformökonomie als Basis für Business Intelligence (BI) bieten.

Bild: Benteler International AG
Bild: Benteler International AG
Produktionsfehler: KI findet die Nadel im Heuhaufen

Produktionsfehler: KI findet die Nadel im Heuhaufen

In der Qualitätsprüfung ist Zeit ein wichtiger Faktor: Wer Fehler rechtzeitig findet, kann sie effektiv und kostensparend beheben. Gemeinsam mit dem Fraunhofer IEM setzt der Automobilzulieferer Benteler dafür in der Warmumformung von Fahrzeugteilen auf Echtzeit-Sensordaten und Künstliche Intelligenz. Damit können Produktionsfehler schneller erkannt, behoben und zukünftig sogar vermieden werden.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.