Die KI analysiert und bewertet potenzielle Greifpunkte. Im Anschluss daran führt der Roboter den ausgewählten Griff aus.

© Siemens

Aufgrund von Sensorrauschen und Okklusionen ist das Greifen des Roboters über viele Objekte hinweg sehr anspruchsvoll. Physikalische Eigenschaften wie Objektform, Lage, Materialeigenschaften, Masse und die Positionen der Kontaktpunkte zwischen Greifer und Objekt lassen sich nur schwer präzise ableiten. Jüngste Ergebnisse deuten darauf hin, dass tiefe neuronale Netzwerke sehr wohl für solche Problemstellungen verwendbar sind. Ihr Training basiert auf großen Datensätzen von menschlichen Greiflabels oder Versuchen des Greifens auf einem physischen System. Erfolgreiche Greifvorgänge lassen sich über eine Vielzahl von Objekten direkt aus Bildern ohne explizite Modellierung der Physik planen.

Die Erstellung der Trainingsdatensätze ist sehr zeitaufwendig. Um die Trainingszeit zu verkürzen, lassen sich schnell Griffe über einen großen Datensatz von Objektmatrix-Modellen berechnen – dabei helfen physikalische Griffmodelle. Diese Methoden ordnen die Greifvorgänge nach Greifrobustheit – also nach der Wahrscheinlichkeit des Greif-Erfolges, die von Modellen aus der Mechanik vorhergesagt wird. Der Anwender kann sehen, ob die Greifvorgänge beliebigen Kräften und Drehmomenten widerstehen können oder nicht. Die Wahrscheinlichkeitsverteilung über Eigenschaften wie Objektposition und Oberflächenreibung spielt hier eine wichtige Rolle. In der Praxis sind diese Wahrnehmungssysteme langsam und fehleranfällig. Deshalb lassen sich die Erkenntnisse nicht gut für neue Objekte verallgemeinern.

Die Bewertung der Greifpunkte: Die potenziellen Greifpunktpaare durchlaufen das neuronale Netzwerk und werden durch die Künstliche Intelligenz analysiert sowie anschließend bewertet.

© Siemens

Mit anderen Worten: Die Aufgabe, mit herkömmlichen Methoden Greifpunkte zu ermitteln, ist nicht genau und nur mit einer Wahrscheinlichkeitsberechnung möglich. Im industriellen Einsatz sind jedoch Schätzwerte nicht ausreichend, um diese in einem reibungslosen Prozess zu integrieren. An dieser Stelle kommt nun Künstliche Intelligenz ins Spiel, da diese die Möglichkeit beherrscht, das Greifen von Objekten viel smarter zu lösen. Denn in Zukunft sollen Handlingsysteme autonom Objekte erkennen und greifen. Anstatt zu versuchen, die Form und die Lage von 3D-Objekten zu schätzen, verwendet etwa die von Siemens für diesen Zweck eingesetzte Künstliche Intelligenz ‚Dex-Net 2.0‘ ganz andere Methoden, um das optimale Greifen zu ermöglichen.

Bei Dex-Net 2.0 handelt es sich um eine KI, die auf Neuronalen Netzen basiert und von der Universität in Berkeley (USA) speziell entwickelt wurde, um das Greifen von unbekannten Objekten zu ermöglichen. Konkret verwendet Dex-Net 2.0 ein wahrscheinlichkeitsbezogenes Modell, um synthetische Punktwolken zu erzeugen. Form und Lage von 3D-Objekten aus Bildern zu schätzen, ist also nicht mehr nötig. Die Software erfasst die Robustheitsmerkmale aus Datensätzen von 3D- Objektnetzen und verwendet dafür physikalisch basierte Modelle des Greifens, der Bildwiedergabe und des Kamerarauschens. Die wichtigste Erkenntnis hinter dem Verfahren ist, dass robuste Parallelbackengreifer eines Objekts stark mit der Form des Objekts korrelieren.

Ausgeführt wird die KI auf dem neuen Modul für die Simatic S7-1500.

© Siemens

Im Detail funktioniert also das Greifen willkürlich geformter und positionierter Objekte wie folgt: Die integrierte 3D-Kamera erfasst einen willkürlichen Körper in Form und Position. Daraus wird das digitale Abbild des Objekts generiert. So lassen sich durch eine Objektanalyse potenzielle Greifpunkte ermitteln. Die KI analysiert und bewertet nun nach dem Durchlaufen des neuronalen Netzwerks mit einem Bewertungssystem das optimale Greifpunktpaar. Die Entscheidung fällt also auf das Greifpunktpaar mit der höchsten Bewertung. Und das stellt die Grundlage für die Entscheidung der KI dar, wie der Roboter das Objekt greifen soll – ausgeführt auf dem Modul für Simatic S7-1500. Im herkömmlichen Sinne muss nichts mehr programmiert werden, genauer gesagt: Diese Komplexität könnte niemand programmieren.

Weil Edge Computing Daten dort verarbeitet, wo sie entstehen, lässt sich die KI am Rande von lokalen Netzwerken für gesamte Anlagen bündeln. 

KI bündeln per Edge Computing

So geschehen etwa in der Leiterplattenfertigung bei Siemens in Amberg. Hier werden jährlich rund 6 Mio. Simatic-Produkte produziert. 75 % der Wertschöpfungskette sind automatisiert, was die Fabrik zu einem der führenden Produktionsstandorte von Siemens für die Digitalisierung macht. Bisher wurden sämtliche Leiterplatten abschließend durch ein Röntgengerät geschickt, um sicherzustellen, dass alle Produkte fehlerfrei die Fabrik verlassen. Doch jeder Röntgenvorgang bremste wegen der langen Durchlaufzeit die Fertigung und verringerte damit Effizienz und Stückzahl.

Was aber wäre, wenn man die Qualität jedes einzelnen Stücks bereits nach verschiedenen Fertigungsschritten überprüft, die Daten sammelt, auswertet und zurückspielt? Dann müsste sich schon vor dem Röntgengerät sagen lassen, welche Leiterplatte nochmal durchleuchtet werden sollte und bei welcher es unnötig ist. Gedacht, getan: Seit Seit 2017 setzt Siemens in Amberg an einer Linie, bei der konkret Lötstellen von Bus-Stecker-PINs innerhalb der Simatic ET200SP Basiseinheit geröntgt werden, auf ‚Closed Loop Analytics‘ – also auf die Analyse von Daten, um sie im nächsten Schritt zu verwenden und steuernd Daten in den Prozess zurückzuspielen. Dies spart Zeit und damit auch Geld. Hierfür wurden spezielle Algorithmen zur Vorhersage der Wahrscheinlichkeit von Herstellungsfehlern entwickelt.

Im ersten Schritt wurden die Prozessdaten von der physischen Ausrüstung und den Röntgen-Ergebnissen der produzierten Teile (Qualitätslabel) gesammelt. Anschließend erfolgte eine Modellierung multiva-rianter Abhängigkeiten von Prozessdaten und Röntgenlabels mit Hilfe von überwachten maschinellen Lernalgorithmen (binäre Klassifizierung). Der prädiktive Algorithmus wird in die IT-Landschaft integriert, um das kontinuierliche Trainieren des Maschinenmodells zu ermöglichen und somit die Genauigkeit der Vorhersagen zu erhöhen. Der Einsatz dieser KI-Algorithmen minimiert enorm die Anzahl der Röntgenuntersuchungen. Indem sie sich direkt in den Produktionsprozess vor Ort integrieren lassen, können sie laufend 

trainiert werden. Letztendliches Ziel von ‚Closed Loop Analytics‘ in Amberger Siemens-Werk sind 30 % weniger Tests im Röntgengerät. Zusammenfassend lässt sich festhalten: Die Baugruppe S7-1500 TM NPU integriert sich nahtlos in das Automatisierungssystem und ermöglich dadurch eine einfache Nutzung von KI-Algorithmen direkt in der Steuerung. Damit sind künftig Aufgaben lösbar, die mit heute verwendeten, klassischen Automatisierungs-Verfahren nicht oder nur mit großem Aufwand realisierbar sind.

KI wird sich aber nicht nur in der Steuerung, sondern auf allen Ebenen des Portfolios von ‚Totally Integrated Automation‘ Einzug halten und somit skalierbare Lösungen von der Feldebene über die Controller- und Edge-Ebene bis hin zur Cloud ermöglichen. Letztendliches Ziel ist, eine KI-Workbench zur Verfügung stellen zu können, die jeden Automatisierungs-Experten in die Lage versetzt, Probleme mit Künstlicher Intelligenz zu lösen.

Dabei zeigt auch das Beispiel des lernenden Greifroboters, dass es schon ­heute nicht mehr allein um die betriebliche Automatisierung geht, sondern vielmehr darum, wie KI-Fähigkeiten – beispielsweise Ich-Bewusstsein, Intelligenz und Vorhersagekompetenz – die industrielle Automatisierung voranbringen können. Oder anders ausgedrückt: Aus der automatisierten Fertigung wird autonome Fertigung auf Basis cyberphysischer Systeme, die sich unabhängig voneinander kontinuierlich optimieren und selbst organisieren – sprich ihre eigenen Entscheidungen treffen.

Autorin:
Nelli Klein ist Marketing Manager Future of Automation bei Siemens.