Zukunftsweisende Produktionstechnologien: KI und Robotik
Effiziente und wandlungsfähige Produktionssysteme eröffnen neue Möglichkeiten, die Nachhaltigkeit des gesamten Mobilitätssektors zu steigern. "Künstliche Intelligenz (KI) und Robotik sind herausragende Zukunftsthemen in der Produktionsautomatisierung, weil sie das Potential bieten, besser mit den auftretenden Toleranzen und Unwägbarkeiten der Produktion umzugehen", sagt Professor Alexander Verl, Leiter des Instituts für Steuerungstechnik der Werkzeugmaschinen (ISW) der Universität Stuttgart und Mitglied des ICM-Forschungsdirektoriums. Selbstlernende und anpassungsfähige Maschinen, die zunehmend komplexere Arbeitsschritte ausführen, sind für die Zukunft der Produktionsstandorts Deutschland fundamental. "Die industrielle Beherrschung Künstlicher Intelligenz ist für den Maschinenbau von entscheidender Bedeutung, da sie uns befähigt, den Fachkräftemangel zu kompensieren, bessere Lösungen effizienter zu realisieren und deren Nachhaltigkeit zu verbessern", ergänzt Professor Andreas Wortmann, Institutsleiter des ISW.
Ein Anwendungsfall, der auf der Hannover Messe gezeigt wird, betrifft das Bordnetz von Fahrzeugen, das mit der datengesteuerten Elektromobilität an Wichtigkeit gewinnt. Im Projekt RoboCable erforschen vier Partnerinstitute des ICM neuartige KI-Methoden für die robotergestützte Manipulation von biegeschlaffen Bauteilen wie Kabel oder Kabelbäumen. Ihre Ergebnisse demonstrieren sie auf der Hannover Messe mit einem Roboter, der mit optischen Sensoren die Position der Stecker detektiert und sie automatisch mit Kabeln bestückt. Seine Bewegungen leitet er dabei skillbasiert anhand einer Statemachine her. Bahnbrechend ist hierbei der schnelle und effiziente KI-Ansatz zur räumlichen Detektion der Steckerpositionen, der die übrigen Automatisierungsschritte erst ermöglicht.
Mit dem gleichen Roboter veranschaulicht die ICM-Nachwuchsgruppe "Digitale Zwillinge als Greybox-Modelle für die Fertigungstechnik" von Dr. Christoph Hinze Forschungsergebnisse zum Iterative Learning durch die Kombination von physikalischen Modellen mit KI-Methoden. Der Demonstrator, der durch ein physikalisches Modell gesteuert wird, kann die Parameter nur annähernd bestimmen, was zu Abweichungen in der Bewegungsbahn führt. Durch mehrmaliges Überfahren und Erfassen lernt der Roboter aus den verbleibenden Bahnfehlern und verbessert seine Genauigkeit kontinuierlich. Diese fortschreitende Verbesserung ist mit dem bloßen Auge kaum erkennbar und wird daher am Messestand auf dem Bildschirm visualisiert. Für Automatisierungsprozesse, die hochgenau mit einer wandelbaren Umgebung interagieren müssen, ist dies entscheidend, beispielsweise beim Lackieren und Schweißen von Karosserieteilen.