Eines der wichtigsten Ziele europäischer Industrieunternehmen sollte es sein, die Künstliche Intelligenz (KI) primär zur Optimierung bestehender Anlagen, Maschinen oder Werkzeuge zu nutzen. Denn Unternehmen wollen ihre Investitionen im Bereich Industrie 4.0 bzw. Industrial IoT überschaubar halten. Viele Entscheider werden daher zurecht den Bestand im Sinne eines Retrofits bestmöglich optimieren wollen, statt neu zu beschaffen. Wie kann also eine bestehende Komponente wie beispielsweise ein Greifer mittels KI neuen Mehrwert liefern? Oder anders gefragt: Wie wird aus einem Industriegreifer ein smarter Industriegreifer?
Greifer machen Ihre Arbeit zuverlässig, aber nicht immer arbeiten sie so feinfühlig, wie es für manche sensible Werkstücke erforderlich wäre. Das Data Science Team von Körber Digital hat daher untersucht, wie komplex Greifvorgänge sein können und wie diese intelligenter durchgeführt werden könnten: von der Datenanalyse und -auswertung über die Charakterisierung von Greifvorgängen bis hin zur Identifikation zusätzlicher Anwendungsmöglichkeiten.
Die Identifikation fehlerhafter Bauteile ist nur eine von vielen Möglichkeiten, die sich mit smarten Greifern eröffnen. Sven Warnke, Data Scientist bei Körber Digital, fasst die wesentlichen Fragestellungen zusammen: „Wie lassen sich fehlerhafte Greifvorgänge erkennen und vermeiden? Wie lässt sich ein erfolgreicher Greifvorgang charakterisieren? Und: Welche Aussagen und Erkenntnisse lassen sich zusätzlich gewinnen?“
Die Methode: Den Greifvorgang auf Datenbasis analysieren
„Im ersten Schritt wurden die vorhandenen Daten gesichtet, bewertet und interpretiert. Basis dafür war die enge Rücksprache mit Experten und eine grundlegende Einarbeitung unseres Data Science Teams in die elektromechanischen Abläufe und Zusammenhänge eines Greifers“, schildert der Datenexperte.
Bei der anschließenden Visualisierung der Daten zeichneten sich klare Muster ab: „Ein Greifvorgang kann anhand der Messdaten in die drei Phasen ‚Greifer schließt sich’, ‚Objekt halten’ und ‚Greifer öffnet sich’ unterteilt werden. Wir haben daraus einen Algorithmus entwickelt, der diese Unterteilung für die gesamten Daten automatisch durchführt.“
Darauf aufbauend wurden die Greifvorgänge tiefergehend analysiert: In einem iterativen Vorgehen wurden kontinuierlich Hypothesen aufgestellt, die durch weitere Darstellungen und Analysen entweder belegt oder widerlegt wurden.
Das Ergebnis: Greifer, die mitdenken und vorausdenken
Das Erkennen und Vermeiden von Fehlern, etwa per Outlier Detection, gehört zu den Grunddisziplinen und den häufig angewandten Methoden der Data Science. „Bei den Greifern haben wir aus der entgegengesetzten Richtung gedacht und haben zuallererst erfolgreiche Greifvorgänge definiert, damit wir wertvollere Erkenntnisse erlangen konnten als mit der reinen Fehlersuche.“
Zur Charakterisierung erfolgreicher Greifvorgänge ermittelte Körber Digital zwei Herangehensweisen, die sich gegenseitig ergänzen: Bei der ersten Herangehensweise wurde der akzeptable Wertebereich für Messwerte, wie zum Beispiel die Greiferposition oder der Greiferstrom, zu bestimmten Zeitpunkten während eines Greifvorgangs identifiziert. Daraus ergibt sich eine Art Schablone für einen erfolgreichen Greifvorgang. In Ergänzung dazu beschreibt die zweite Herangehensweise einen erfolgreichen Greifvorgang anhand bestimmter Greifvorgang-Charakteristika, sogenannte Features. Hier wurden ebenfalls die entsprechenden Wertebereiche ermittelt.
Welche Erkenntnisse konnten für die smarten Greifer genutzt werden?
Die Charakterisierung erfolgreicher Greifvorgänge ermöglicht die Erkennung fehlerhafter und ungewöhnlicher Greifvorgänge und eine Klassifikation von Greifvorgängen. „So können die Greifer nicht nur erkennen, dass ein Greifvorgang ein Bauteil beschädigt hat,“ erklärt Sven Warnke, „sie sehen auch voraus, wenn sich die Beschädigung des Bauteils abzeichnet.“ Darüber hinaus haben die Analysen Erkenntnisse über den zeitlichen Verlauf unterschiedlicher Messgrößen wie etwa den Greiferstrom ergeben – eine wertvolle Basis, um die Greifer noch zuverlässiger arbeiten zu lassen. Und ein sehr gutes Beispiel dafür, wie KI in der Produktion und im Maschinenbau gewinnbringend und ohne großen Aufwand eingesetzt werden kann.
Greifer machen Ihre Arbeit zuverlässig, aber nicht immer arbeiten sie so feinfühlig, wie es für manche sensible Werkstücke erforderlich wäre. Das Data Science Team von Körber Digital hat daher untersucht, wie komplex Greifvorgänge sein können und wie diese intelligenter durchgeführt werden könnten: von der Datenanalyse und -auswertung über die Charakterisierung von Greifvorgängen bis hin zur Identifikation zusätzlicher Anwendungsmöglichkeiten.
Die Identifikation fehlerhafter Bauteile ist nur eine von vielen Möglichkeiten, die sich mit smarten Greifern eröffnen. Sven Warnke, Data Scientist bei Körber Digital, fasst die wesentlichen Fragestellungen zusammen: „Wie lassen sich fehlerhafte Greifvorgänge erkennen und vermeiden? Wie lässt sich ein erfolgreicher Greifvorgang charakterisieren? Und: Welche Aussagen und Erkenntnisse lassen sich zusätzlich gewinnen?“
Die Methode: Den Greifvorgang auf Datenbasis analysieren
„Im ersten Schritt wurden die vorhandenen Daten gesichtet, bewertet und interpretiert. Basis dafür war die enge Rücksprache mit Experten und eine grundlegende Einarbeitung unseres Data Science Teams in die elektromechanischen Abläufe und Zusammenhänge eines Greifers“, schildert der Datenexperte.
Bei der anschließenden Visualisierung der Daten zeichneten sich klare Muster ab: „Ein Greifvorgang kann anhand der Messdaten in die drei Phasen ‚Greifer schließt sich’, ‚Objekt halten’ und ‚Greifer öffnet sich’ unterteilt werden. Wir haben daraus einen Algorithmus entwickelt, der diese Unterteilung für die gesamten Daten automatisch durchführt.“
Darauf aufbauend wurden die Greifvorgänge tiefergehend analysiert: In einem iterativen Vorgehen wurden kontinuierlich Hypothesen aufgestellt, die durch weitere Darstellungen und Analysen entweder belegt oder widerlegt wurden.
Das Ergebnis: Greifer, die mitdenken und vorausdenken
Das Erkennen und Vermeiden von Fehlern, etwa per Outlier Detection, gehört zu den Grunddisziplinen und den häufig angewandten Methoden der Data Science. „Bei den Greifern haben wir aus der entgegengesetzten Richtung gedacht und haben zuallererst erfolgreiche Greifvorgänge definiert, damit wir wertvollere Erkenntnisse erlangen konnten als mit der reinen Fehlersuche.“
Zur Charakterisierung erfolgreicher Greifvorgänge ermittelte Körber Digital zwei Herangehensweisen, die sich gegenseitig ergänzen: Bei der ersten Herangehensweise wurde der akzeptable Wertebereich für Messwerte, wie zum Beispiel die Greiferposition oder der Greiferstrom, zu bestimmten Zeitpunkten während eines Greifvorgangs identifiziert. Daraus ergibt sich eine Art Schablone für einen erfolgreichen Greifvorgang. In Ergänzung dazu beschreibt die zweite Herangehensweise einen erfolgreichen Greifvorgang anhand bestimmter Greifvorgang-Charakteristika, sogenannte Features. Hier wurden ebenfalls die entsprechenden Wertebereiche ermittelt.
Welche Erkenntnisse konnten für die smarten Greifer genutzt werden?
Die Charakterisierung erfolgreicher Greifvorgänge ermöglicht die Erkennung fehlerhafter und ungewöhnlicher Greifvorgänge und eine Klassifikation von Greifvorgängen. „So können die Greifer nicht nur erkennen, dass ein Greifvorgang ein Bauteil beschädigt hat,“ erklärt Sven Warnke, „sie sehen auch voraus, wenn sich die Beschädigung des Bauteils abzeichnet.“ Darüber hinaus haben die Analysen Erkenntnisse über den zeitlichen Verlauf unterschiedlicher Messgrößen wie etwa den Greiferstrom ergeben – eine wertvolle Basis, um die Greifer noch zuverlässiger arbeiten zu lassen. Und ein sehr gutes Beispiel dafür, wie KI in der Produktion und im Maschinenbau gewinnbringend und ohne großen Aufwand eingesetzt werden kann.
