A gépi tanulás az utóbbi években rekordmód gyorsítja az ipari termelés hatékonyságát. Az EMO Hannover 2023 során, szeptember 18. és 23. között a világ vezető gyártástechnológiai kiállítása rengeteg friss ötlettel inspirálja a közönséget, melyek közül a mesterséges intelligencia kiemelt szerepet kap.
A ChatGPT, mesterséges intelligenciával működő chatbot indulása óta sokan érdeklődnek a téma iránt, mely az ipari gyártástechnológiában is nagy léptekkel halad előre. A gépi tanulás növelheti a gyártás hatékonyságát, de hogyan is működik valójában? Az EMO Hannover 2023 során, szeptember 18. és 23. között a világ vezető gyártástechnológiai kiállítása rengeteg friss ötlettel inspirálja a közönséget, melyek közül a mesterséges intelligencia kiemelt szerepet kap.
A szerszámgépek valóban képesek önoptimalizálásra? Képesek-e tanulni a hibáikból? És lehetséges-e, hogy más gépektől származó tudásra tegyenek szert? A mesterséges intelligencia mindezt lehetővé teszi. Az öntanuló, intelligens gépek nagyobb termelékenységet, alacsonyabb költségeket és jobb minőséget biztosítanak, kevesebb állásidő mellett.
“Sok időt fordítottunk a gyártástechnológiai folyamataink optimalizálására, mellyel versenyelőnyre tettünk szert. Az ipari termelés digitális átalakításában is ugyanezt akarjuk elérni” – mondja Markus Spiekermann, a Fraunhofer Institute for Software and Systems Engineering munkatársa. “A mesterséges intelligencia döntő szerepet játszik az új követelmények teljesítésében, mivel csak annak alkalmazásával érhető el a megfelelően magas szintű automatizálás.”
Prediktív karbantartás esztergákhoz
A mesterséges intelligencia térnyerése egyre nagyobb az iparban. A szerszámgépgyártó Weisser Söhne GmbH & Co. KG például olyan AI-modellekre támaszkodik, amelyek lehetővé teszik esztergagépek karbantartási igényének előrejelzését.
“A prediktív karbantartás a mesterséges intelligenciát használja fel annak előrejelzésére, hogy mikor lesz szükség egy gép karbantartására, ezáltal megelőzve a meghibásodást” – magyarázza Robin Hirt, a Prenode GmbH vezérigazgatója és alapítója. A szoftvercég segít a gépgyártóknak abban, hogy az üzemeket személyre szabott, AI-alapú funkciókkal szerelhessék fel.
A modern gépek a mesterséges intelligencia segítségével önoptimalizálásra képesek, mondja Hirt: “Ehhez általában úgynevezett gépi tanulási módszereket használnak, melyek lehetővé teszik, hogy a gépek felismerjék a termelési adatokban a mintákat és összefüggéseket, majd ezekből automatikusan következtetéseket vonnak le. Sok esetben tanulhatnak a hibáikból, és átvehetik más gépek tudását.”
Decentralizált adatok egy közös AI modell létrehozásához
Gyakran alkalmazzák a közös tanulást, mivel az egyetlen gépről kapott adatok gyakran nem elegendőek egy pontos mesterséges intelligencia modell felépítéséhez. A közös tanulás megkönnyíti egy AI-modell “betanítását”, az adatokat decentralizált formában tárolva, de az adatok közvetlen megosztása nélkül. Az egyes adatok tehát az adott gépeken maradnak, és nem kell azokat központilag, egy helyen (például a gépgyártó felhőrendszerében) tárolni.
A mesterséges intelligencia modellek a folyamatban lévő esztergálási adatokat használják fel az üzem jelenlegi állapotának becsléséhez, majd ezt továbbítják az üzemeltető személyzetnek. Ehhez deep learning-alapú neurális hálózatokat használnak.
Intelligens szortírozási asszisztens a Trumpf-tól
A Sorting Guide működtetésére is mesterséges intelligenciát használnak, amely a németországi Ditzingenben található Trumpf által alkotott rendszer, amely segít a gyártott alkatrészek szétválogatásában, és így növeli a gép kihasználtságát. A Sorting Guide egy kameraalapú rendszer, amely decentralizált gépi tanulásra támaszkodik. A rendszer fő összetevői egy nagy felbontású kamera, egy nagy képernyő, egy ipari PC és egy intelligens képfeldolgozó szoftver.
“A decentralizált gépi tanulás több gép összekapcsolását jelenti, hogy ezáltal egy mesterséges intelligencia-rendszert alkossanak” – magyarázza az elvet a Prenode vezérigazgatója. Ezek a gépek folyamatosan gyűjtik az adatokat a munkafolyamataikról. Minden egyes géphez kifejlesztik az AI-modellt, amelyet aztán centralizálnak. „Ezeket a modelleket aztán egy központi felhőben egyesítik, majd visszatáplálják az egyes rendszerekre” – folytatja Hirt. Az AI-rendszer így helyileg az összes többi gép tapasztalataira támaszkodhat anélkül, hogy valaha is meg kellene osztania a saját nyers adatait. “Ez lehetővé teszi, hogy a gépek hatékonyabban dolgozzanak, és nagyobb termelékenységet érjenek el”
A Trumpf Sorting Guide a következőképpen működik: A Sorting Guide a meglévő adatokat és az öntanuló képfeldolgozást használja az egyes alkatrészek felismeréséhez. Ezután a képernyőn rendezési ajánlást ad ki. A legyártott alkatrészek különböző színekben jelennek meg a képernyőn – az ügyfél megrendelése vagy a későbbi munkafolyamatok, például hajlítás, sorjázás, lakkozás vagy szállítás szerint kódolva. Így az olyan szempontok, mint az alkatrészek időigényes újraszámlálása, a kézi visszaigazolások és a kísérő dokumentumok szükségtelenné válnak. A gépkezelők egy pillantással láthatják, hogy mely alkatrészek állnak készen a további feldolgozásra, és hogy szükséges-e utómunka vagy sem. Ez felgyorsítja a válogatási folyamatot és segít elkerülni a hibákat. A mesterséges intelligencia és a gyártás kéz a kézben jár, mivel az ipari gyártási környezetben az embereknek és a gépeknek szorosan együtt kell működniük.
Optimalizált megmunkálás adatelemzés alapján
Az új módszer, amely a szerszámkopást elemzi megmunkálási folyamatok, például fúrás vagy marás során, szintén a mesterséges intelligenciára támaszkodik. Fontos, hogy a nagy értékű szerszámokat minél tovább lehessen használni. Ezért az is kulcsfontosságú, hogy pontosan meg tudjuk becsülni a hátralévő éltartamot. A szerszámtöréseket és a munkadarabok tönkremenetelét, vagy akár a szerszámgép károsodását mindenáron el kell kerülni.
Eddig ezt úgy oldották meg, hogy a szerszámokat adott számú művelet után (a tapasztalatok alapján) idő előtt kicserélték, hogy elkerüljék a minőségromlást vagy akár a szerszámtörés miatti költséges leállásokat. A szerszámcsere azonban költséges és időigényes, ezért érdemes optimalizálni a csereciklusokat.
Itt jött az AI a képbe. A Kaiserslauterni Műszaki Egyetem kutatói olyan módszert fejlesztettek ki, amely valós folyamat- és mérési adatok felhasználásával “betanítja” a rendszert, hogy megbízható előrejelzést kapjon a szerszámok állapotáról, és így optimalizálja a forgácsolófolyamatokat.
A gyakorlatban a forgácsolószerszámok kopási állapotának előrejelzéséhez először a folyamathoz kapcsolódó paramétereket kell azonosítani. Ezek közé tartoznak a különböző megmunkálóerők, a gép rezgései és a tengelyek teljesítményigénye. A szerszám és a munkadarab folyamatos méréseiből származó adatokat gyűjtik. A legnagyobb kihívást ezután az összegyűjtött adatokban lévő összefüggések azonosítása jelenti.
Minták keresése
Ahhoz, hogy az adatok között összefüggéseket találjanak, a kutatók a mesterséges intelligenciával támogatott rendszert képzik ki. Ez gépi tanulást használ a lehetséges minták felismerésére és a kopás állapotára vonatkozó következtetések levezetésére. A rendszernek azt is meg kell jósolnia, hogy a vállalatoknak milyen paramétereket kell alkalmazniuk az egyes forgácsolási folyamatoknál ahhoz, hogy a szerszám egy adott élettartamig megbízhatóan használható maradjon. Az adatokat, amelyekből a rendszernek tanulnia kell, öt partnercégtől gyűjtik – köztük globális szereplők, valamint kis- és középvállalkozások egyaránt vannak. Különböző változatokat próbálnak ki például a szerszám- és anyagtípusok vagy a folyamatparaméterek tekintetében. Így egy széleskörű adatbázis gyűlik össze a teljes élettartamra vonatkozóan, egészen a szerszám meghibásodásáig.
A mesterséges intelligencia még messze nem tökéletes. A folyamatok túlságosan eltérőek az egyes felhasználási esetekben. A gépi tanulás ezért támogatja az eszközváltásról szóló döntést. A cél az, hogy a rendszert az úgynevezett transzfer tanulással egyre jobbá tegyük. Itt a korábban megtanult, kapcsolódó feladatokból származó tudást arra használják, hogy a gépi tanulási modelleket gyorsabban betanítsák az új feladatokra.
IIP-Ecosphere a low-treshold hozzáféréshez
Az ipari termelés esetében a mesterséges intelligencia előnyei nem mindig nyilvánvalóak, különösen a kisvállalkozások esetében. Sokan aggódnak amiatt, hogy átadják termelési adataikat számítógépek számára, azok mélyreható elemzése céljából.
Azoknak a vállalatoknak, amelyek még bizonytalanok a mesterséges intelligencia hozzáadott értékét illetően, az IIP-Ecosphere projekt, amelyben a Fraunhofer Institute for Software and Systems Engineering is részt vesz, célja, hogy low-treshold hozzáférést biztosítson a gyártófüggetlen mesterséges intelligencia megoldásokhoz a komplex gyártási problémákra. A projekt célja egy új típusú ökoszisztéma létrehozása, valamint az, hogy a különböző szereplők – köztük egyetemek és kutatóintézetek, ipari vállalatok és mesterséges intelligencia megoldások szolgáltatói – elősegítsék az AI alkalmazását a gyártásban. A cél az “Intelligens ipari termelés ökoszférájának”, röviden IIP-ökoszférának a létrehozása.
A felfedezések helyszíne
Markus Spiekermann, a Fraunhofer Institute for Software and Systems Engineering ISST adatgazdasági osztályának vezetője elmondja: “Az IIP-Ecosphere projekt részeként például az úgynevezett mesterséges intelligencia megoldások katalógusát is fejlesztjük. Ez egy platform a termeléssel kapcsolatos problémákra, meglévő mesterséges intelligencia megoldások felfedezésére és elemzésére. A katalógus amellett, hogy megkönnyíti az információkhoz való hozzáférést, célzott szűrőket kínál a felhasználás alapján, és megmutatja a hozzáadott értéket is. Az egyes AI-alkalmazások ezután közvetlenül megvalósíthatók a szintén a projektben kifejlesztett nyílt forráskódú IIoT-platform segítségével” – mondja Spiekermann.
A tudás hatalmat jelent a nemzetközi versenyben való túlélésért folytatott küzdelemben – de éppúgy az adatok is. Németország mennyire jár élen a mesterséges intelligencia gyártástechnológiában történő alkalmazásában? “Amennyire meg tudom ítélni, jelenleg nincs olyan előnyünk a versenytársakkal szemben, amely lehetővé tenné, hogy nyugodtan megpihenjünk” – mondja Spiekermann, a Fraunhofer szakértője. “Sőt, a mesterséges intelligencia tekintetében le vagyunk maradva a nemzetközi szolgáltatók mögött, többek között az ipari gyártástechnológiában is” – mondja Spiekermann. „Mindazonáltal még mindig előrébb járunk, ami a szakterület-specifikus folyamatok optimalizálását illeti. Milyen adatok állnak rendelkezésre és milyen adatokra van szükség a konkrét esetekhez? Mik a buktatók, és milyen kivételeket kell figyelembe venni? Ha képesek vagyunk gyorsan fejleszteni szakértelmünket, akkor ezzel a tudással jelentős előnyre tehetünk szert Németországban.”
ForrásEMO
További információ: