Expertennetzwerk 4. Effizient lackieren Digitalisierung

Künstliche Intelligenz und maschinelles Lernen

Ein höherer Automatisierungsgrad, mehr Kapazität, weniger Kosten: Das sind einige der Mehrwerte, die mit dem Einsatz von künstlicher Intelligenz oder maschinellem Lernen in Produktionen einhergehen. Doch worum geht es bei den Technologien überhaupt und welchen Stand haben sie momentan?

Die Geschäftigkeit, die den Themen künstliche Intelligenz (KI) und maschinellem Lernen (ML) momentan widerfährt, erweckt den Eindruck, es handele sich um brandneue Technologien. Dabei reichen erste Anfänge der Technologie und der Begriff KI selbst sogar bis in die 1950er-Jahre des vergangenen Jahrhunderts zurück. Damals wurde der Turing-Test entwickelt und der Informatiker und Elektroingenieur Arthur Samuels brachte einem Computer erstmals das Spiel Dame bei. Zu den aktuell prominenten Beispielen für KI gehören beispielsweise die Sprachassistenten Alexa und Siri, die Siege des Google-Programms AlphaGo im Spiel Go gegen den weltbesten menschlichen Spieler 2015, 2016 und 2017 oder auch das Online-Übersetzungstool DeepL.

Auch wenn das Thema schon lange unterschiedlich intensiv bearbeitet wird, sind tatsächlich erst seit einigen Jahren die technischen Voraussetzungen vorhanden, um ML in industrielle Anwendungen zu bringen. Hierzu gehört zuvorderst die Digitalisierung und die zunehmende Vernetzung von Produktionsmaschinen im Kontext von Industrie 4.0 verbunden mit leistungsstarken Sensoren und hoher Rechenkapazität. Letztere ist nötig, damit die große Menge erzeugter Daten auch verarbeitet und sinnvoll ausgewertet werden kann.

Grundsätze des maschinellen Lernens

Oft werden die Begriffe KI und ML synonym oder mindestens in einem Atemzug genannt. Zunächst gilt: KI ist der Oberbegriff für viele Problemlösungsmethoden, darunter zum Beispiel Logik und Planungsverfahren, für die üblicherweise viel menschliche Intelligenz erforderlich wäre. Auch ML ist eine dieser Methoden und aktuell wohl die am meisten beforschte und angewandte. Grundsätzlich geht es beim ML darum, Muster in Daten zu erkennen und dieses Wissen zur Problemlösung einzusetzen. Auch wird der Ansatz der traditionellen Datenverarbeitung umgewandelt: Bisher war es nötig, für einen Computer ein Programm zu schreiben, das mithilfe von Eingabendaten Ausgaben erzeugt. Dieses Programm zu erstellen, ist aufwendig und erfordert Fachwissen. Mithilfe von ML soll sich der Computer nun selbst programmieren. Hierfür erhält er Eingabedaten und, je nach ML-Methode, auch Ausgabedaten und erstellt darauf basierend automatisch das erforderliche Programm.
Es gibt drei Methoden maschinellen Lernens: Beim überwachten Lernen liegen dem Algorithmus Eingabe- und Ausgabedaten vollständig vor. Konkret heißt das: Wenn bspw. ein Bild mit einer Katze erkannt werden soll, muss der Algorithmus vorher hunderte Bilder mit dem Label „Katze“ gesehen haben, um zu wissen, ob er ein ungesehenes Bild als Katze klassifizieren soll. Beim unüberwachten Lernen stehen nur die Eingabedaten bereit und der Algorithmus erzeugt selbstständig sogenannte Cluster, also Merkmalsgruppen. Die dritte Methode ist das Verstärkungslernen (reinforcement learning): Hier erhält der Algorithmus ein Belohnungssignal, um schrittweise besser zu werden.

Beispiel neuronale Netze

Das häufigste Verfahren beim ML ist Deep Learning. Es nutzt tiefe künstliche neuronale Netze, um Erkenntnisse aus Daten zu gewinnen. Die Arbeitsweise künstlicher neuronaler Netze orientiert sich an den Vorgängen im menschlichen Gehirn, das schätzungsweise aus 86 Milliarden Nervenzellen besteht. Jede Nervenzelle, auch Neuron genannt, ist mit durchschnittlich 10.000 anderen Neuronen verbunden. Bei künstlichen neuronalen Netzen sind die Neuronen typischerweise in Schichten angeordnet und Verbindungen liegen zwischen Neuronen der direkt aufeinanderfolgenden Schichten vor.
Das typischste Anwendungsbeispiel ist aktuell die bereits erwähnte Bildverarbeitung. Anhand von einzelnen Pixeln kann ein neuronales Netz nach diversen Rechenschritten ausgeben, um welches Objekt, also Klasse, es sich handelt. Voraussetzung für diese automatische Auswertung von Daten ist, dass das neuronale Netz trainiert wird. Hierzu wird die Stärke der einzelnen Verbindungen zwischen den Neuronen so angepasst, dass das Netz möglichst wenig Fehler bei der Zuordnung der Daten zu einer Klasse macht. Zur Anpassung der Verbindungsstärke, die oftmals als ‚Gewicht‘ bezeichnet wird, kommen spezialisierte mathematische Optimierungsverfahren zum Einsatz. Für ein gutes Training des Netzes muss es eine Vielzahl an Eingabedaten, also beispielsweise gelabelte Bilder, erhalten, und für diese muss zunächst ein Mensch die richtige Ausgabeinformation angeben. Praktischerweise gibt es bereits umfangreiche Bilddatenbanken mit gelabelten Daten, z.B. ImageNet, sodass grundlegendes Trainingsmaterial vorhanden ist.

Anwendungsbeispiele für die Produktion

ML bietet viele Einsatzmöglichkeiten in Produktionen. Schon die Produktionsplanung und der Aufbau von Anlagen können perspektivisch automatisierter und schneller ablaufen. Eine Inbetriebnahme innerhalb weniger Tage ist hier die Vision. Ist die Produktion am Laufen, sollen die Erzeugnisse gut sein. Aktuell erfährt ein Produktionsleiter erst am Ende, welche Qualität ein Erzeugnis hat und ob der Prozess stets funktioniert. Effektiver wäre es, dies bereits im Produktionsverlauf zu wissen und bei Bedarf direkt Produktionsparameter ändern zu können. Auch hierfür wird ML eine wichtige Rolle spielen.
Ein weiteres Thema für ML-Methoden ist „Predictive Maintenance“, die vorausschauende Instandhaltung, bei der zum genau richtigen Zeitpunkt Komponenten ausgetauscht und somit Stillstände verhindert werden. Hinzu kommen neue Geschäftsmodelle auf Basis aller verfügbaren Daten. Ein Beispiel ist das Verkaufen einer Dienstleistung anstelle einer Maschine. Der Kunde mietet die Maschine und bezahlt, was er genutzt hat. Das funktioniert aber wiederum nur, wenn der Hersteller ein bestimmtes Servicelevel sicherstellen kann, beispielsweise eine Verfügbarkeit von 99 Prozent. Datenanalysen und ML helfen Ausrüstern dabei, vorhersagen zu können, dass die Maschine wie gefordert funktionieren wird. Oder ein Unternehmen verkauft seine Maschinen an mehrere Kunden und erhält über die Datenanalyse Informationen über die jeweilige Produktionsleistung im Vergleich zum Wettbewerber. So könnte der Hersteller auch ins Beratungsgeschäft einsteigen.

Lackiertechnik: Kombination mit Simulationen

In der Lackiertechnik stellt der Beschichtungsprozess ein interessantes und herausforderndes Beispiel für den Einsatz von ML-Algorithmen dar, denn viele Daten aus dem Prozess, zum Beispiel zur Applikationstechnik, Verfahrenstechnik oder Fördertechnik, werden oft ohnehin schon erfasst. Sie werden aber bisher wenig genutzt. Auch Qualitätskenndaten wie Schichtdicke oder Lackierfehler werden zunehmend automatisiert erfasst, u.a. über Messungen der Schichtdicke mittels Terahertz-Strahlung oder Ultraschall und über Lackierfehlerkontrollen mittels Deflektometrie. Weil allerdings die technischen und chemischen Prozesse interagieren, sind die Zusammenhänge komplex und die Datenbasis ist oft recht klein, zumal die Eingangsparameter in einer automatisierten Produktion selten variiert werden. Daher können numerische Simulationen des Lackierprozesses das überwachte Lernen anhand der „Realität“ ergänzen, um gezielt die Datenlücken in der Lerngruppe zu schließen. Umgesetzt wurde diese Kombination aus numerischer Simulation (s. Abb. 1) und tatsächlicher Anwendung für den Einsatz eines Lackierzerstäubers (elektrostatisch unterstützter Hochrotationszerstäuber). Die Ergebnisse zeigten, wie Applikations- und Qualitätsgrößen zusammenhängen und welchen Einfluss der Lackierzerstäuber auf die Wirkungsgrad des Zerstäubers hat. (s. Abb. 2) Ein anderes Beispiel sind automatisiert erzeugte Lackierprogramme – ein wichtiger Anwendungsfall, da in vielen Branchen die Variantenvielfalt von Lackierobjekten das Erstellen von Roboterprogrammen unwirtschaftlich macht und somit weiterhin manuell beschichtet werden muss. Prozesssimulationen und ML-basierte Optimierungsalgorithmen ermöglichen, ein Lackierprogramm zu erzeugen, ohne dass ein Bauteil real existiert und Beschichtungsversuche nötig sind (s. Abb. 3). Derzeit wird dieses Lackierprogramm dann noch in der Praxis getestet und optimiert, aber in der Zukunft ist abzusehen, dass der Prozess vollautomatisch ablaufen kann.

Simulation der turbulenten Drallströmung eines Hochrotationszerstäubers (Quelle: Fraunhofer IPA)

Simulation der turbulenten Drallströmung eines Hochrotationszerstäubers (Quelle: Fraunhofer IPA)

 

Kombination von physikalischen Simulationen und ML zur Erstellung eines Modells für den Wirkungsgrad eines Lackzerstäubers in Abhängigkeit der Zerstäubungsparameter (Quelle: Fraunhofer IPA)
"Sie wird alle signifikanten Gefährdungen behandeln und für automatische, stationäre Pulverversorgungseinrichtungen gelten." Einen wichtigen Aspekt wird der Explosionsschutz darstellen, weil beim Umgang mit dem Pulver zündfähige Stäube entstehen können. Aus diesem Grund müssen entsprechend dimensionierte Absauganlagen vorhanden sein. Dies gilt insbesondere bei größeren Versorgungssystemen, in denen die Lackierer mit mehreren Farbtönen hantieren. Vor allem eingehauste Systeme sind üblicherweise bereits heute damit ausgestattet. Zu den weiteren Sicherheitsaspekten zählen u. a. die Konstruktion, Einrichtungen zur Branderkennung und Feuerlöschung, Hinweise zur Anlagensteuerung und Beleuchtung sowie ergonomische Aspekte. Der Entwurf für das Blatt ist fertig, die Kommentarfrist endet am 31. Mai 2019. Mit der Veröffentlichung rechnet Roland Knopp zum Ende dieses Jahres. Dann wird das Blatt für alle neuen Anlagen gelten, aber auch für bestehende Pulverversorgungssysteme Anhaltspunkte für den sicheren Betrieb geben, weil erstmalig der Stand der Technik für diese Anlagenart definiert wird. Bei offenen, mobilen Systemen, die im Einheitsblatt nicht behandelt werden, muss der Anwender übrigens selbst darauf achten, wo er die Kartons mit dem Farbpulver platziert bzw. ob die Farbversorgung zündgeschützt ist und er sie mit in die Beschichtungskabine nehmen darf.Zum Netzwerken:Berufsgenossenschaft Holz und Metall, Hannover, Roland Knopp, Tel. +49 511 8118-14263, roland.knopp@bghm.de, www.bghm.de"Sie wird alle signifikanten Gefährdungen behandeln und für automatische, stationäre Pulverversorgungseinrichtungen gelten." Einen wichtigen Aspekt wird der Explosionsschutz darstellen, weil beim Umgang mit dem Pulver zündfähige Stäube entstehen können. Aus diesem Grund müssen entsprechend dimensionierte Absauganlagen vorhanden sein. Dies gilt insbesondere bei größeren Versorgungssystemen, in denen die Lackierer mit mehreren Farbtönen hantieren. Vor allem eingehauste Systeme sind üblicherweise bereits heute damit ausgestattet. Zu den weiteren Sicherheitsaspekten zählen u. a. die Konstruktion, Einrichtungen zur Branderkennung und Feuerlöschung, Hinweise zur Anlagensteuerung und Beleuchtung sowie ergonomische Aspekte. Der Entwurf für das Blatt ist fertig, die Kommentarfrist endet am 31. Mai 2019. Mit der Veröffentlichung rechnet Roland Knopp zum Ende dieses Jahres. Dann wird das Blatt für alle neuen Anlagen gelten, aber auch für bestehende Pulverversorgungssysteme Anhaltspunkte für den sicheren Betrieb geben, weil erstmalig der Stand der Technik für diese Anlagenart definiert wird. Bei offenen, mobilen Systemen, die im Einheitsblatt nicht behandelt werden, muss der Anwender übrigens selbst darauf achten, wo er die Kartons mit dem Farbpulver platziert bzw. ob die Farbversorgung zündgeschützt ist und er sie mit in die Beschichtungskabine nehmen darf.Zum Netzwerken:Berufsgenossenschaft Holz und Metall, Hannover, Roland Knopp, Tel. +49 511 8118-14263, roland.knopp@bghm.de, www.bghm.de
"Für die Sicherheit bei der Materialversorgung mit Nasslacken gibt es seit langem die DIN EN 12621. Für Pulverlacke ist jetzt mit dem VDMA-Einheitsblatt ‚Automatische Beschichtungspulverversorgungseinrichtungen – Sicherheitsanforderungen‘ erstmals eine vergleichbare Regelung in Vorbereitung", berichtet Roland Knopp, Leiter des Sachgebiets Oberflächentechnik und Schweißen bei der Berufsgenossenschaft Holz und Metall.

 

Automatisierte, virtuelle Erzeugung von Lackierprogrammen (Quelle: Fraunhofer IPA)
Die Normung von Tauchlackierungsprozessen wurde aktualisiert. Foto: RedaktionDie Normung von Tauchlackierungsprozessen wurde aktualisiert. Foto: Redaktion
-

Forschungstrends

Aktuell stehen die Möglichkeiten von ML für Produktionen noch am Anfang. Es gibt Bereiche, in denen es bereits einen festen Platz hat – die Bildverarbeitung ist ein bekanntes Beispiel – aber andere Themen sind forschungslastiger. Diese umtriebige Forschung ist auch politisch stark gewollt, wie beispielsweise die im vergangenen Jahr beschlossene KI-Strategie der Bundesregierung belegt. In deren Rahmen sollen bis 2025 rund drei Milliarden Euro in die KI-Forschung investiert und der Slogan „KI made in Germany“ zu einem internationalen Markenzeichen werden.

Das derzeit dominanteste Forschungsthema ist das bereits ausgeführte Deep Learning. Ein weiteres Thema ist Meta-Learning, also zu lernen, wie man lernt. Dieses Prinzip des menschlichen Lernens zielt auf die möglichst effiziente Nutzung der Daten ab. Die Forschung arbeitet daran, dieses Prinzip auch für ML nutzbar zu machen. Ein Beispiel hierfür ist das Übertragen von Erfahrungen und Wissen aus einmal Gelerntem auf ähnlich geartete Aufgaben.

Nicht zuletzt ist die Erklärbarkeit der Ergebnisse im ML ein Forschungsfeld. Noch liegt die Funktionsweise der meisten ML-Verfahren nur als „Black Box“ vor. Man gibt Daten in den Algorithmus und erhält Ergebnisse, aber es ist nicht nachvollziehbar, wie das Ergebnis zustande kommt. Aus der Black Box muss also bestenfalls eine „White Box“ werden. Dies ist aus mehreren Gründen entscheidend. So verlangt die neue Datenschutzgrundverordnung, dass Personen bei einer automatisierten Entscheidungsfindung informiert werden müssen, wie diese Entscheidung zustande kam. Noch grundsätzlicher wird eine Expertenkommission der Europäischen Kommission, die im April dieses Jahres »Ethik-Leitlinien für eine vertrauenswürdige KI« vorgelegt hat. Erklärbarkeit ist darin eines von vier zentralen Kriterien. Bei sicherheitskritischen Anwendungen wie dem autonomen Fahren oder Medizinanwendungen geht es um Haftungsfragen. Und auch die Entwickler selbst können ihre eigenen Methoden besser verstehen und bei fehlerhaftem Einsatz korrigieren. Letztlich ist das Vertrauen der Anwender in KI und ML ein entscheidendes Kriterium dafür, wie sehr die neue Technologie akzeptiert und eingesetzt wird. Schließlich kann KI auch unliebsame Entscheidungen treffen, die im Falle ausreichenden Vertrauens eher akzeptiert werden.

Weitere Informationen:

2018 ist am Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA das Zentrum für Cyber Cognitive Intelligence (CCI) eröffnet worden. Das CCI treibt mit angewandter Forschung den Einsatz maschineller Lernverfahren in industriellen Produktionsprozessen voran, indem es Wissen und Technologien in die Praxis überträgt. Bedarfsgerecht unterstützt es vor allem kleine und mittelständische Unternehmen bei allen Fragen zum Thema ML für die Produktion und der Erprobung und Umsetzung maßgeschneiderter, skalierbarer Lösungen.

https://www.ipa.fraunhofer.de/cci

 

Prof. Dr.-Ing. Marco Huber
Prof. Dr.-Ing. Marco Huber
Dr. Oliver Tiedje
Das neue System verwendet die "VIVE Pro HMD" und "VIVE Tracker" von HTC. Das neue Design von "SimSpray" bietet eine intuitivere und realitätsgetreuere Benutzerführung durch verbesserte visuelle Darstellungen, Feedback der Teilnehmer und die Möglichkeit, größere Arbeitsumgebungen zu simulieren. Die verbesserte Optik und Visualisierung des "HTC VIVE Pro" bietet dem System die genauesten Visualisierungen für ein realistisches und eindringliches Erlebnis."SimSpray" nutzt Virtual Reality, um ansprechende und lehrreiche Simulationen zu erstellen. Die VR-Erfahrung verbessert den Lernprozess mit Tools zur Steigerung der Trainingsproduktivität und sofortigem Feedback und Analysen, die in typischen Trainingsszenarien nicht verfügbar sind. Zu den Tools gehören leicht verständliche Leistungsberichte, Live-Scoring und kinästhetische Hinweise. Dieses hochmoderne Werkzeug bietet Trainern und Auszubildenden die Möglichkeit, in einer einzigen Trainingseinheit zu üben, Schlüsselkennzahlen zu analysieren, Fehler zu diagnostizieren und ihre Fähigkeiten zu verbessern. Mit dem System wird die Trainingserfahrung in prägnante, wiederholbare Übungen mit aggressivem Feedback und intuitiven Leistungseinschätzungen überführt. Weitere Informationen: www.simspray.netSie interessieren sich für weitere internationale Neuigkeiten? Abonnieren Sie unseren kostenfreien, monatlichen internationalen Newsletter unter: www.besserlackieren.de/News-InternationalDas neue System verwendet die "VIVE Pro HMD" und "VIVE Tracker" von HTC. Das neue Design von "SimSpray" bietet eine intuitivere und realitätsgetreuere Benutzerführung durch verbesserte visuelle Darstellungen, Feedback der Teilnehmer und die Möglichkeit, größere Arbeitsumgebungen zu simulieren. Die verbesserte Optik und Visualisierung des "HTC VIVE Pro" bietet dem System die genauesten Visualisierungen für ein realistisches und eindringliches Erlebnis."SimSpray" nutzt Virtual Reality, um ansprechende und lehrreiche Simulationen zu erstellen. Die VR-Erfahrung verbessert den Lernprozess mit Tools zur Steigerung der Trainingsproduktivität und sofortigem Feedback und Analysen, die in typischen Trainingsszenarien nicht verfügbar sind. Zu den Tools gehören leicht verständliche Leistungsberichte, Live-Scoring und kinästhetische Hinweise. Dieses hochmoderne Werkzeug bietet Trainern und Auszubildenden die Möglichkeit, in einer einzigen Trainingseinheit zu üben, Schlüsselkennzahlen zu analysieren, Fehler zu diagnostizieren und ihre Fähigkeiten zu verbessern. Mit dem System wird die Trainingserfahrung in prägnante, wiederholbare Übungen mit aggressivem Feedback und intuitiven Leistungseinschätzungen überführt. Weitere Informationen: www.simspray.netSie interessieren sich für weitere internationale Neuigkeiten? Abonnieren Sie unseren kostenfreien, monatlichen internationalen Newsletter unter: www.besserlackieren.de/News-International
VRSim, Inc. kündigt "SimSpray 3.0" an, die nächste Generation ihres renommierten Virtual Reality Paint Training Tools.
Dr. Oliver Tiedje

Advertisement: