Auf dem Weg zu personalisierten Produkten sorgt Künstliche Intelligenz (KI) für einen enormen Produktivitätsschub. Um die Forschung und den Technologietransfer von KI und maschinellem Lernen (ML) voranzutreiben, haben sich Wissenschaftler des Fraunhofer-Instituts für Produktionstechnik und Automatisierung IPA zum Zentrum für Cyber Cognitive Intelligence (ZCCI) zusammengeschlossen. Beim Open Lab Day am 5. Juli 2018 geben sie nicht nur Einblicke in ihre Arbeit, sondern bieten Unternehmensvertretern auch die Möglichkeit, deren Anwendungsideen im Rahmen einer Feldstudie umzusetzen.
In der Industrie 4.0 liegt eine große Chance für den Wirtschaftsstandort Deutschland. Denn Produktionen verschiedenster Größen und Branchen können mit intelligenten Automatisierungslösungen die Produktivität, Wettbewerbsfähigkeit und Qualität ihrer Arbeitsprozesse weiter verbessern. Und für die Hersteller von Maschinen und Anlagenb ergeben sich völlig neue Innovationspotenziale. Der Grund: Dank der zunehmenden Vernetzung von Produktionsanlagen sind riesige Datenmengen verfügbar. Werden diese mit KI- und ML-Methoden ausgewertet, sind zum einen Leistungssprünge in der Nutzung von Maschinen und Anlagen in Bezug auf Qualität, Flexibilität und Effizienz zu erwarten. Zum anderen werden mit KI ausgestattete Roboter vermehrt Einzug in alle Arbeits- und Alltagsumgebungen halten – und neue Aufgaben übernehmen.
Auch bei der Herstellung personalisierter Produkte zu Preisen von Massenware spielen Künstliche Intelligenz und maschinelles Lernen eine Schlüsselrolle: »Maschinen und Roboter können unmöglich für jedes einzelne personalisierte Produkt aufwendig umgerüstet und umprogrammiert werden. Sie müssen sich über lernende Algorithmen selbstständig an veränderte Gegebenheiten anpassen können«, sagt Werner Kraus, stellvertretender Leiter der Abteilung Roboter- und Assistenzsysteme am Fraunhofer IPA. Wie das gelingen kann, erforschen Kraus und Wissenschaftler anderer Abteilungen des Fraunhofer IPA. Sie haben sich zu diesem Zweck zum ZCCI zusammengeschlossen.
In der Industrie 4.0 liegt eine große Chance für den Wirtschaftsstandort Deutschland. Denn Produktionen verschiedenster Größen und Branchen können mit intelligenten Automatisierungslösungen die Produktivität, Wettbewerbsfähigkeit und Qualität ihrer Arbeitsprozesse weiter verbessern. Und für die Hersteller von Maschinen und Anlagenb ergeben sich völlig neue Innovationspotenziale. Der Grund: Dank der zunehmenden Vernetzung von Produktionsanlagen sind riesige Datenmengen verfügbar. Werden diese mit KI- und ML-Methoden ausgewertet, sind zum einen Leistungssprünge in der Nutzung von Maschinen und Anlagen in Bezug auf Qualität, Flexibilität und Effizienz zu erwarten. Zum anderen werden mit KI ausgestattete Roboter vermehrt Einzug in alle Arbeits- und Alltagsumgebungen halten – und neue Aufgaben übernehmen.
Auch bei der Herstellung personalisierter Produkte zu Preisen von Massenware spielen Künstliche Intelligenz und maschinelles Lernen eine Schlüsselrolle: »Maschinen und Roboter können unmöglich für jedes einzelne personalisierte Produkt aufwendig umgerüstet und umprogrammiert werden. Sie müssen sich über lernende Algorithmen selbstständig an veränderte Gegebenheiten anpassen können«, sagt Werner Kraus, stellvertretender Leiter der Abteilung Roboter- und Assistenzsysteme am Fraunhofer IPA. Wie das gelingen kann, erforschen Kraus und Wissenschaftler anderer Abteilungen des Fraunhofer IPA. Sie haben sich zu diesem Zweck zum ZCCI zusammengeschlossen.
Quick Checks für Anwendungsideen
Einblicke in laufende Forschungsprojekte gewähren die Wissenschaftler am Donnerstag, 5. Juli 2018 beim Open Lab Day am ZCCI. In Vorträgen und anhand verschiedener Demonstratoren präsentieren sie ein breites Spektrum maschineller Lernverfahren für die
- Robotik – Im Projekt »Deep Grasping« wenden die Forscher beispielsweise ML auf den Griff-in-die-Kiste an. Dabei werden die nötigen Daten in einer virtuellen Lernumgebung gewonnen und die vortrainierten Neuronalen Netze anschließend auf den realen Roboter übertragen.
- Optimierung von Produktionsprozessen – Das selbstlernende Analysetool »Smarte Systemoptimierung« etwa erkennt und meldet selbstständig Fehler und deren Ursachen in laufenden Produktionsprozessen.
- Umgebungserfassung – In den Projekten »Ambos« und »MonSiKo« werden maschinelle Lernverfahren für die Gestenerkennung eingesetzt, um Unterstützung bei manuellen Arbeitsschritten an Behindertenarbeitsplätzen oder Montagearbeitsplätzen zu bieten.
- Qualitätssicherung – Deep Learning wird beispielsweise für die Bewertung von Laser- Schnittkanten an Blechen mittels Bilddaten eingesetzt. Bewertungskriterien sind hierbei Rauheit und Grate. Auf Basis der Ergebnisse wird anschließend die Optimierung der Schnittkantenqualität durch die Verbesserung der Bearbeitungsparameter erfolgen.
