KI Perzeption zur automatisierten Handhabung formlabiler Bauteile

Übersicht

Das Fraunhofer IPA zielt darauf ab, ein Projekt mit kreativen und proaktiven Industriepartnern aus Baden-Württemberg zu etablieren, die gemeinsame Interessen verfolgen und einen engen Erfahrungsaustausch wünschen.

Im Projekt »Perzeption zur automatisierten Handhabung formlabiler Bauteile (AutoLab)« teilt das Fraunhofer IPA ihr Know-How, insbesondere im Bereich der künstlichen Intelligenz (KI), mit den Partnern und gewährt Einblicke in eigene Anwendungsgebiete. Die Industriepartner können somit die Vorteile der Anwendung von KI auf ihre eigenen Anwendungen übertragen und partizipieren von den Projektergebnissen. Das Projekt soll im Januar 2022 starten und eine Laufzeit von 12 bis 18 Monaten haben.

Ein Kabelbaum ist das teuerste Teil bei der Montage elektromechanischer Systeme. Fast alle Montageprozesse mit komplexen und variantenreichen Komponenten werden manuell durchgeführt. Es kostet viel Zeit und Mühe, die Kundenspezifikationen zu verstehen und sie entsprechend der Anforderungen zu konstruieren. Diese mühsame Aufgabe stellt einen Bottleneck in der Produktion von elektromechanischen Systemen dar. Perzeption zur automatisierten Handhabung formlabiler Bauteile (AutoLab) ermöglicht es dem Montageprozess, auch komplizierte Fälle richtig zu behandeln. Das Projekt AutoLab besteht aus drei Hauptprozessen: Perzeption, Handhabung und Inspektion. Die verschiedenen Komponenten werden durch das Perzeptionssystem mithilfe von maschinellem Lernen automatisch klassifiziert. Anschließend führt das Handhabungssystem den Montageprozess auf der Grundlage der erkannten Anforderungen durch und optimiert ihn. Schließlich werden die Ergebnisse der Montage in der Inspektionsphase überwacht, um zu prüfen, ob sie korrekt ausgeführt wurden.

Perzeption

In der Perzeptionsphase werden die Kundenspezifikationen mithilfe von künstlicher Intelligenz analysiert. Ein vom Kunden entworfener 2D-Zeichnungsplan beschreibt seine Anforderungen, z. B. die Anordnung und die Art von Montageteilen und in welchen Winkeln die Objekte installiert werden sollen. Die verschiedenen Informationstypen der 2D-Zeichnung werden durch Objekterkennung, wie in Abbildung 2 zu sehen, und optische Zeichenerkennung (OCR) extrahiert. Die Objekterkennungsmethode erkennt Instanzen von Objekten einer bestimmten Klasse und nimmt die Position der Objekte wahr. Darüber hinaus wird die Größe oder der Winkel des Objekts von der OCR-Technologie erfasst. Alle erfassten Daten werden berechnet, um die relevanten Informationen an der richtigen Stelle abzubilden. Diese berechneten Daten werden an den nächsten Schritt weitergeleitet, sodass der Roboter die Anforderungen wahrnehmen kann.

Handhabung

Die extrahierten Kundenanforderungen an die Kabelbaummontage werden als Eingangsinformationen für das Handhabungsmodul genutzt. In diesem Modul werden die Produktanforderungen sowie Positionen und Toleranzen zusätzlicher Komponenten genutzt, um das finale Produkt zu modellieren. Dies wird in eine Physiksimulation überführt und mit einer Roboterzelle sowie einem Roboter versehen. Diese Simulationsumgebung bildet die Basis für den Machine Learning-Algorithmus. Die Teilehandhabung sowie die anschließende Montage des finalen Produkts werden durch einen hybriden Lernansatz gesteuert. Dieser besteht aus einem klassischen Robotersteuerungsalgorithmus sowie aktuellen »state-of-the-art« Machine Learning-Algorithmen. Der Montageprozess wird komplett offline gelernt, dies resultiert in einem kosteneffizienten Training, durchgängiger Produktion ohne Unterbrechungen sowie frühzeitigen Verbesserungsschleifen. Um den gelernten Steuerungsalgorithmus in die Realität zu übertragen, werden mehrere Methoden eingesetzt, unter anderem eine Domänen Adaptierung sowie eine Domänen Randomisierung. Die Kombination der genannten Methoden erlaubt hochfrequente Produktionsanpassungen aufgrund der Flexibilität des Ansatzes, dem gleichzeitigen Erlernen mehrerer Anforderungen sowie der Einfachheit der Anpassung der automatisierten Pipeline.

Inspektion 

Das fertige Produkt wird in dieser Phase automatisch mit einer  Industriekamera und Einsatz geeigneter Beleuchtung inspiziert.  Die Ergebnisse der Baugruppen werden von der Kamera aufgenommen  und mit einem maschinellen Lernverfahren, einem  sogenannten Convolutional Neural Network (CNN), analysiert.  In einem Quick-Check-Projekt mit einem Industriepartner  wurden die Möglichkeiten zur Erkennung von Fehlern auf der  Grundlage von Kundenanforderungen mit hoher Vorhersagegenauigkeit  nachgewiesen. Die Charakteristika wie Ausrichtung  und Positionierung von Bauteilen wurden vom Industriepartner  festgelegt. Mit den definierten Anforderungen erreicht  das trainierte Modell eine 100-prozentige Genauigkeit in der  Testmenge.  Die zuverlässigen Ergebnisse können auch zur  Optimierung  der Parameter des Handhabungsmoduls verwendet  werden.