Autonome Fahrzeuge bestmöglich einsetzen

Mobile Roboter und fahrerlose Transportsysteme können eine ganze Reihe von Vorteilen bieten: z.B. gesteigerte Effizienz, keine Bindung an Arbeitszeiten sowie Geisterschichten und Dauereinsatz. So lassen sich gerade in den Bereichen Logistik und Produktion hohe Produktivitätssteigerungen erzielen, bei gleichzeitig sinkenden Kosten. Um dieses Potenzial bestmöglich heben zu können, gewinnen auch in diesem Bereich die Simulation und der digitale Zwilling an Bedeutung.

Bild: Machineering GmbH & Co. KG

Mobile Roboter und fahrerlose Transportsysteme (FTS) sind aus der modernen Logistik kaum noch wegzudenken. Waren und Materialien werden autonom transportiert und umgeschlagen. Die Fahrzeuge orientieren sich z.B. an Lauflinien und können sowohl im Gebäude als auch im Außenbereich eingesetzt werden. Immer mehr Betriebe greifen auf FTS zurück, da diese flexibler und effizienter in der eigenen Intralogistik eingesetzt werden können als personengesteuerte Systeme. Die jeweiligen Fahrzeuge können problemlos an die jeweiligen Aufgaben angepasst werden. So werden in kleineren Lagern oftmals Standardstücke mit nur geringem Gewicht über kurze Wege hinweg transportiert, während die großen Systeme autonom mit mehreren Tonnen belastet werden können. Gerade in der Logistik, der Automobilindustrie und der Medizintechnik sind FTS bereits häufig anzutreffen. Um die Vorteile der jeweiligen Systeme vollumfänglich nutzen zu können, müssen jedoch die Voraussetzungen geschaffen sein, die mobilen Einheiten reibungslos einsetzen zu können.

Gute Planung ist alles

Die Planung der FTS ist ein komplexer Prozess. Und so muss, bevor die mobilen Systeme zum Einsatz kommen, allen Beteiligten klar sein, dass damit auch Herausforderungen wie Staus oder Kollisionen einhergehen können, die ggf. folgenschwere Auswirkungen auf den nachgelagerten Prozess haben oder hohe Kosten nach sich ziehen. Daher ist es sinnvoll, wenn nicht sogar notwendig, die Abläufe und Prozesse im Vorfeld simulativ zu überprüfen. Mit der Simulationssoftware IndustrialPhysics können FTS vorab als virtuelle Modelle in bereits bestehende virtuelle Umgebungen wie eine Lagerhalle integriert werden. Da Die Software reale CAD-Daten und Kinematiken verwendet, lassen sich so realitätsgetreue Szenarien darstellen, Varianten prüfen, Wege testen und die Planung der Fahrten inklusive der herstellerabhängigen Größen visualisieren. Dabei geht es aber nicht nur um die Transportabläufe innerhalb der Fläche. In einer Simulation wie IndustrialPhysics kann der Gesamtprozess der Lager- oder Produktionshalle vollständig betrachtet werden, also inklusive Maschinenverhalten und Störungen des Ablaufs. So lässt sich ein reales Abbild der Halle mit allen relevanten Prozessabläufen visualisieren, um mögliche Deadlocks zu umgehen und passende Wege zu finden. Die Simulationssoftware fungiert dabei als Testumgebung für unterschiedliche Szenarien wie die Umsetzung eines zentralen oder dezentralen Steuerungsansatzes des FTS.

Zentraler oder dezentraler Ansatz?

Eine Simulation der FTS ist sinnvoll, wenn Unternehmen viele Varianten bereitstellen und einzelne, oftmals individuell ausfallende Artikel mit unterschiedlichen Maßen und Gewichten transportiert. Aber auch die Frage nach dem Steuerungsansatzes der FTS kann durch eine Simulation beantwortet werden. Beim zentralen Ansatz werden alle mobilen Roboter als Gesamtsystem betrachtet. Dadurch wird die Schnittstelle zum übergeordneten Leitsystem sehr groß, allerdings können so alle Roboter gleichzeitig koordiniert werden. Dieser Steuerungsansatz versucht den bestmöglichen gemeinsamen Weg für alle Transportfahrzeuge zu finden. Bei einer solchen Betrachtung werden gekoppelte Algorithmen verwendet, die den gesamten Konfigurationsraum kennen und nach einer optimalen Lösung suchen. Der Konfigurationsraum beinhaltet jede mögliche Position der Roboter. Der zentrale Ansatz kann zu einem sehr hohen Rechenaufwand führen. Beim dezentralen Steuerungsansatz arbeiten die einzelnen Transportfahrzeuge weitgehend autark. Sie besitzen lediglich eine schmale Schnittstelle zum Leitsystem, wodurch das System flexibler ist. Vorteile ergeben sich hier vor allem in der Einbindung mehrere Fahrzeuge in ein System. Auch der Ausfall eines Roboters oder eine Auftragsänderung können mit einer schmalen Schnittstelle einfacher abgefangen werden. Mit dem dezentralen Ansatz kann jedes fahrerlose Transportfahrzeug unabhängig und flexibel agieren. Der zentrale Ansatz hingegen bietet weniger Flexibilität. Der Ausfall eines einzelnen Roboters würde z.B. zum Stopp aller Transportfahrzeuge führen. Beim dezentralen Ansatz hingegen können die verbleibenden funktionsfähigen Fahrzeuge weiterfahren. Dem gegenüber steht die ganzheitlich koordinierte Wegfindung des zentralen Ansatzes. So können Stausituationen schon im Vorhinein umgangen werden. Allerdings fällt dies oftmals zu Lasten der Rechendauer. Mit der dezentralen Steuerung kommen Stausituationen hingegen öfters vor. Für welchen Ansatz sich nun ein Unternehmen entscheidet, hängt von vielen verschiedenen Faktoren ab. Die Erstellung von zwei verschiedenen Simulationsmodellen der beiden Varianten erlaubt es, alle Möglichkeiten vorab eingehend zu testen und so die passende zu finden.

Digitaler Zwilling und künstliche Intelligenz

Wenn die FTS in den realen Abläufen integriert sind, kann mit IndustrialPhysics das komplette Monitoring der einzelnen Transportsysteme erfolgen – basierend auf den tatsächlichen Daten der Fahrzeuge. Der digitale Zwilling der Halle, also das virtuelle Pendant zum realen Transportsystem, bietet den Verantwortlichen den Vorteil eines Echtzeit-Monitorings mit der Option, mit Look Ahead geplante Änderungen im Ablauf, der Geschwindigkeit oder auch der Priorisierung jederzeit risikolos zu testen. Das Konzept kann aber weiter gedacht werden. Die 3D-Simulation kann als Trainingsumgebung für selbstlernende Systeme erweitert werden. Voraussetzung ist eine Hardware-in-the-Loop-Simulation (HIL), bestehend aus dem Maschinenmodell, einer realen oder virtuellen Steuerung sowie dem KI-System. Somit kann das Zusammenspiel aller drei Komponenten getestet werden. Dies ist wichtig, um der künstlichen Intelligenz zu ermöglichen, verschiedene Algorithmen zu testen und mögliche Fehler selbst zu erleben, mit dem Ziel sie im realen Betrieb zu vermeiden. Auch die Lernziele können so durch den Ingenieur ohne Risiko festgelegt und überprüft werden. Auf der diesjährigen SPS-Messe in Nürnberg zeigt der IndustrialPhysics-Anbieter Machineering neben den allgemeinen Neuerungen rund um die Software auch einen Prototypen zur FTS-Simulation.

machineering GmbH & Co. KG
www.machineering.de

Das könnte Sie auch Interessieren

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.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.