Wechselseitiges Feedback zwischen Mensch und Maschine

KI im Regelkreis

Der Einsatz von KI in der Produktion gleicht heute oft einer Einbahnstraße: Zwar lassen sich so Fertigungsprozesse bereits deutlich verbessern, doch fehlt es meist an einer Rückkopplung zum Nutzer, die über die reine Bewertung der errechneten Lösungen hinausgeht. Im BMBF-geförderten Forschungsprojekt GeMeKI entwickelt das Fraunhofer IPT gemeinsam mit Partnern drei KI-Assistenzsysteme für das Fügen, Trennen und Umformen, die Expertenwissen für eine laufende Verbesserung einbeziehen. Neue Regelkreise ermöglichen wechselseitiges Lernen zwischen Mensch und Maschine.
 Prozessoptimierung durch KI-gestützte Datenanalyse anhand eines Fräsverfahrens
Prozessoptimierung durch KI-gestützte Datenanalyse anhand eines FräsverfahrensBild: Fraunhofer-Institut IPT

Spielte menschliches Wissen bislang hauptsächlich als Datenquelle beim Anlernen künstlicher Intelligenz eine wichtige Rolle, solll GeMeKI (Generalisierung von menschzentrierten KI-Applikationen für die Produktionsoptimierung) einen Schritt weiter gehen: Ziel sind Komponenten für ein bedienerfreundliches System, das den Menschen und nicht die Softwareanwendung in den Mittelpunkt stellt. Damit soll sich die Mensch/Maschine-Interaktion in beide Richtungen verbessern, sowie auch die Akzeptanz digitaler Assistenzsysteme im betrieblichen. Im Ergebnis entsteht ein Gesamtsystem aus KI, Sensorik und Produktionstechnik, das sich flexibel in die Wertschöpfungskette einfügen und an weitere Anwendungsfelder anpassen lässt.

Vielfältige Schnittstellen

Für die Nutzer gibt es in diesem System stets mehrere Schnittstellen zur Interaktion: An die Stelle des gängigen unidirektionalen Ablaufs, bei dem der Mensch die gefundenen Lösungswege der KI bewertet, selbst aber kein Feedback erhält, soll hier ein dynamischer, bidirektionaler Prozess entstehen. Das bedeutet, dass die Nutzer in der Anwendung der gefundenen Lösungen aktiver als bisher in das Geschehen eingreifen, selbstständig korrigieren können und mithilfe von Sensorik neue, verbesserte Rohdaten erzeugen, die die KI-Modelle mit weiteren Informationen anreichern. Wie das genau funktionieren kann, wird anhand von drei Beispielprozessen erprobt, die in produzierenden Unternehmen immer wieder eingesetzt werden: dem Fügen, dem Trennen und dem Umformen.

Geteiltes Expertenwissen senkt Ausschuss

Beim Fügen elektrischer Bauteile zu einem Gesamtsystem werden oft Klebeprozesse eingesetzt. Hier kommt es auf die richtige Dosierung des Klebstoffs an, aber auch auf Umgebungsfaktoren wie Temperatur, Luftfeuchtigkeit und Materialeigenschaften. Im GeMeKI-Projekt erprobt Miele gemeinsam mit der Firma Xenon Automatisierungstechnik und dem Werkzeugmaschinenlabor WZL der RWTH Aachen, wie sich die Fertigung kleiner Elektromotoren durch KI-Einsatz verbessern lässt. Dazu greift das Assistenzsystem auf Expertenwissen von Mitarbeitern zurück. Denn diese sind aufgrund langjähriger Erfahrung in der Lage, die Beschaffenheit der Kleberaupen an Rotor, Kugellager und Stator mit dem Klebeprozess intuitiv zu beurteilen. Die KI leitet aus den diesen Rückmeldungen selbstständig Regeln ab, anhand derer später auch weniger erfahrene Arbeitskräfte befähigt werden können, zutreffende Urteile über die Qualität der verklebten Bauteile zu fällen. Zusätzlich lassen sich auch nachgelagerte und stichprobenhafte zerstörende Prüfprozesse einsparen und Ausschuss um bis zu zehn Prozent senken.

Verlässliche Informationen steigern Verfügbarkeit

Das Einrichten von Maschinen zur Hochleistungszerspanung ist regelmäßig mit hohem Zeitaufwand verbunden: Bis zu vier Monaten dauert der Produktionsanlauf für komplexe Bauteile mit Genauigkeiten im Mikrometerbereich. Mit dem Ziel, den Ramp-up-Prozess zu verkürzen, arbeiten die Unternehmen Starrag Technology, Weiss Spindeltechnologie, Siemens und das WZL der RWTH Aachen an einem bedienerfreundlichen System, das während der Bearbeitung anhand integrierter Sensorik die Belastung und den Zustand der Werkzeugspindel überwacht. Die gewonnenen Daten werden nahezu in Echtzeit durch Algorithmen des maschinellen Lernens weiterverarbeitet und Anwenderinnen und Anwendern direkt an der Maschine leicht verständlich visualisiert. So kann das System ihnen verlässliche Informationen und Vorschläge unterbreiten, die die Verfügbarkeit und Performance der Prozesse verbessern und auf diese Weise dabei helfen, die Zeit bis zum Produktionsanlauf um bis zu 20 Prozent zu verkürzen.

Seiten: 1 2Auf einer Seite lesen

Das könnte Sie auch Interessieren

Weitere Beiträge

Bild: Müller Präzisionswerkzeuge GmbH
Bild: Müller Präzisionswerkzeuge GmbH
Die Produktion 
von übermorgen

Die Produktion von übermorgen

Wie bei allen industriellen Anwendungen herrscht auch bei der Zerspanung stetig wachsender Kostendruck. Maßgeblich für die Produktionskosten eines zerspanten Bauteils sind der Werkzeugverschleiß und das Zeitspanvolumen. Je effizienter Werkzeuge eingesetzt werden, umso geringer werden die Kosten. Maschinelles Lernen kann dabei als Entscheidungsunterstützung für den Werkzeugwechsel einen wertvollen Beitrag leisten. Allerdings gibt es hier keine Patentlösungen, zu unterschiedlich sind die einzelnen Prozesse von Anwendungsfall zu Anwendungsfall.

mehr lesen

Anzeige