Das erste Anwendungsszenario war ein Montageprozess für eine kontaktreiche Stift-in-Loch Aufgabe, bei der ein Roboterarm einen Stift in ein Loch stecken soll. Ein Roboter erlernt eigenständig eine geeignete Montagebewegung, ohne dass die exakten kinematischen und dynamischen Gegebenheiten von Greifsystem und Bauteil beschrieben werden müssen.

Das erste Anwendungsszenario war ein Montageprozess für eine kontaktreiche Stift-in-Loch Aufgabe, bei der ein Roboterarm einen Stift in ein Loch stecken soll. Ein Roboter erlernt eigenständig eine geeignete Montagebewegung, ohne dass die exakten kinematischen und dynamischen Gegebenheiten von Greifsystem und Bauteil beschrieben werden müssen. VDMA / Cybernetics Lab

Um solche Lösungsmöglichkeiten zu untersuchen, hat der Forschungskreis I40 des VDMA-Forums Industrie 4.0 in Kooperation mit dem Institut für Unternehmenskybernetik (IfU) des Cybernetics Lab der RWTH Aachen das vorwettbewerbliche Forschungsprojekt Inpuls durchgeführt. Die Abkürzung steht für ‚Intelligente und selbstlernende Produktionsprozesse in KMUs‘. Das zweijährige Forschungsprojekt wird im September abgeschlossen. Angewendet wurde das Machine-Learning-Verfahren ‚Reinforcement Learning‘, und getestet wurden zwei Anwendungsszenarien, ein Montage- und ein Materialförderprozess:

  • Das erste Anwendungsszenario war ein Montageprozess für eine kontaktreiche Stift-in-Loch Aufgabe. Das langfristige Ziel besteht darin, eine autonome Montagezelle für unplanbare Montagesituationen zu erschaffen. Ein Roboter erlernt eigenständig eine geeignete Montagebewegung, ohne dass die exakten kinematischen und dynamischen Gegebenheiten von Greifsystem und Bauteil beschrieben werden müssen.
  • Im zweiten Anwendungsszenario wurde ein komplexer pneumatischer Schüttgutförderer untersucht. Merkmale sind hier verfahrenstechnische Problemstellungen, die stark abhängig sind von Umgebungsbedingungen. Mithilfe von künstlicher Intelligenz wurde angestrebt, den Fließprozess stets im optimalen Betriebspunkt zu halten.

Dabei sollten sich die Maschine durch Ausprobieren mit der Umgebung selbstständig den bestmöglichen Prozess beibringen. In den betrachteten Anwendungsdomänen treten Rahmenbedingungen auf, die aufgrund ihrer Komplexität und Dynamik technisch-physikalisch noch nicht modelliert werden können. Durch den Einsatz selbstlernender Verfahren ist es bei wechselnden Rahmenbedingungen nicht mehr nötig, Prozessparameter manuell anzupassen. Dadurch mindert sich der Programmier- und Wartungsaufwand und es erhöhen sich die Zuverlässigkeit und Prozesseffizienz.

Wesentliches Ergebnis des Projekts wird ein Handlungsleitfaden sein, der Unternehmen dabei unterstützen soll, mit Hilfe von industriellem Reinforcement Learning Produktionsprozesse und -systeme zu optimieren. Unternehmen sollen befähigt werden, Potenziale und Nutzen von industriellem Reinforcement Learning im eigenen Unternehmen abschätzen zu können und bei der Implementierung eines solchen Systems unterstützt zu werden. Dazu veranstaltet das VDMA-Forum Industrie 4.0 auch einen Infotag „Forschung zu Machine Learning und künstlicher Intelligenz“ am 12. September 2019 in Frankfurt/Main.