Anzeige
Anzeige
Anzeige

Künstliche Intelligenz in der Projektierung von Produktionswerkzeugen

Deep Learning in 3D

Künstliche Intelligenz wird als Trendthema im technischen Kontext meist mit dem autonomen Fahren oder Bildverarbeitung verknüpft. Das spezielle Teilgebiet des 3D Deep Learning, also der Verarbeitung von dreidimensionalen Objekten wie CAD-Daten mit KI, bietet vor allem für den Maschinen- und Anlagenbau enormes Potenzial. Dieser Artikel gibt eine kurze Einführung zum Thema 3D Deep Learning und beschreibt das Einsatzpotenzial für die Bereiche Anlagenprojektierung und Produktionswerkzeuge.

Erkennung des Füllstands der Maschinen mit Deep Learning (Bild: Hofmann & Stirner Zuführsysteme GmbH)

Erkennung des Füllstands der Maschinen mit Deep Learning (Bild: Hofmann & Stirner Zuführsysteme GmbH)

Algorithmen für 2D Deep Learning standen in den letzten Jahren stark im Fokus der Forschung und sind mittlerweile ausgereift. Doch auch die Verarbeitung dreidimensionaler Objekte bietet ein großes Potenzial für die Produktionstechnik. Anders als bei zweidimensionalen Bildern ist die Datenform bei dreidimensionalen Objekten deutlich heterogener. 3D-Objekte können in der Form von Meshes, Voxel, Punktewolken oder mehreren Bildern aus verschiedenen Perspektiven dargestellt werden. Meshes können triangulierte Oberflächengitter sein oder mittels Tetraeder approximierte Volumenkörper. Ein Voxel ist ein dreidimensionaler Pixel. Dementsprechend sind auch die Strukturen von 3D Deep Neural Networks für die verschiedenen Datenformate unterschiedlich. In den letzten fünf Jahren konzentrierte sich die Forschung hier überwiegend auf die Punktwolken, also auf eine massive Ansammlung von Punkten auf den Oberflächeneigenschaften eines Objekts, beschrieben in einem dreidimensionalen kartesischen Koordinatensystem. Zusätzlich zu den Koordinaten eines Punktes können Farbinformationen im RGB-Code hinterlegt sein. 3D Deep Learning mit Punktewolken ist deutlich weniger rechenintensiv als beispielsweise die 3D Convolution von voxelisierten Modellen. Die Deep Neural Networks für Punktewolken heißen PointNet. Aktuelle Einsatzbereiche gibt es etwa in der autonomen Robotik.

Darstellungsformen für 3D-Objekte (Bild: Hofmann & Stirner Zuführsysteme GmbH)

Darstellungsformen für 3D-Objekte (Bild: Hofmann & Stirner Zuführsysteme GmbH)

Anlagenprojektierung

Der Einsatz von PointNet bietet auch im Maschinen- und Anlagenbau großes Potenzial. Werkzeuge geben mit ihrer Wirkflächengeometrie und entsprechender Kinematik dem Produktionsprozess die Funktion. Sie sind immer im Zusammenhang mit dem zu verarbeitenden Werkstück zu sehen. Um bei der Anlagenprojektierung die Machbarkeit eines Prozesses zu beurteilen, müssen Experten das Werkstück in deren Kontext technisch interpretieren und bewerten. Dafür ist fundiertes Erfahrungswissen nötig. Am deutlichsten wird dies am Beispiel der Zuführtechnik. Sie ist ein wichtiger Bestandteil, da sie die Anlage mit Bauteilen in der richtigen Orientierung und Menge versorgt. Bei deren Projektierung müssen auf Basis von CAD-Daten eines Fördergutes Fragen nach prozessualer Machbarkeit, Ausbringleistung, Verhakung, Kosten, Lieferzeit oder Autonomiezeit gestellt werden. Hierbei ist ein komplexer Zusammenhang zwischen dem 3D-Fördergut und den eben genannten Merkmalen zu erkennen. So fallen z.B. die Bewertungen für eine Schraubenzuführung immer ähnlich aus und auch die Zuführwerkzeuge sehen topologisch ähnlich aus.

Generierung von Trainingsdaten via Supervised Learning (Bild: Hofmann & Stirner Zuführsysteme GmbH)

Generierung von Trainingsdaten via Supervised Learning (Bild: Hofmann & Stirner Zuführsysteme GmbH)

Supervised Learning

Mit Hilfe eines PointNet kann nun das intrinsische Wissen von Experten via Supervised Learning abgebildet werden. Am einfachsten lässt sich dies am Beispiel des Verhakens von Fördergütern im Schüttgut bzw. Zuführsystem erklären. Durch die Visualisierung von 3D-CAD-Daten kann das Fördergut angezeigt werden. Nun ist durch ‚ja‘ oder ’nein‘ einzuschätzen, ob sich das Fördergut in der Zuführung ineinander verhaken kann. So entsteht eine Trainingsdatenbasis aus 3D-Objekt und der dazugehörigen Eigenschaft ‚ja‘ oder ’nein‘. Ähnlich verhält es sich mit anderen Größen wie der erzielbaren Ausbringleistung. Die Datenbasis besteht dann aus dem Objekt und der maximal möglichen Leistung in Teile pro Minute. Über Trainingsalgorithmen lernt nun das PointNet die Zusammenhänge zwischen den geometrischen Merkmalen des 3D-Förderguts und seinen spezifischen Zuführeigenschaften. Bei der Anlagenprojektierung kann dann einfach das Fördergut in das PointNet geladen und technisch interpretiert und bewertet werden, ohne dass es eines Experten bedarf. Auf www.designforfeeding.com ist diese Technologie bereits kostenlos verfügbar. Das PointNet im Backend ist mit über 13.000 Fördergütern trainiert, die verschiedene Experten via Supervised Learning strukturiert haben. Die Genauigkeit der Netze liegt bei 97,6%. Es ist denkbar, solche praxiserprobten PointNets mittels Transfer Learning analog zur Computer Vision auf andere Branchen der Anlagenprojektierung zu übertragen. Die Beziehung zwischen Werkstück und Produktionswerkzeug findet sich im Maschinenbau häufig wieder, so etwa in der Greiftechnik, der Schraubtechnik, der Stanz/Biege-Automation oder bei Spritzgusswerkzeugen.

Künstliche Intelligenz in der Projektierung von Produktionswerkzeugen
Bild: Hofmann & Stirner Zuführsysteme GmbH


Empfehlungen der Redaktion

Das könnte Sie auch interessieren

Die gute Nachricht lautet: Deutschland ist als Standort für Industrierobotikunternehmen durchaus beliebt. In einem internationalen Vergleich belegt die Bundesrepublik derzeit den zweiten Platz hinter Japan - mit 26 Prozent Anteil deutscher Unternehmen am weltweiten Umsatz. Auf den Rängen dahinter folgen die USA, die Schweiz und China. Das belegen Zahlen des kürzlich veröffentlichten Future of Robotics Reports. Doch gleichzeitig macht ein Blick in die Statistiken auch deutlich, dass in hiesige Unternehmen weitaus seltener Wagniskapital fließt als in anderen Teilen der Welt.‣ weiterlesen

Anzeige

Woher das 'Co' in Cobots stammt, wird für kundige Leser keine neue Erkenntnis sein. Kollaborierende Roboter dürfen, anders als ihre Kollegen, die Industrieroboter, quasi über den Schutzzaun springen und direkt mit dem Menschen interagieren. Sodann stellt sich meist die spannende Frage: Wer haftet für Fehler, die hierbei passieren können? Doch heute möchte ich mit Ihnen einen Schritt zurückgehen, um zu schauen, welche produktsicherheitsrechtlichen Anforderungen der Cobot überhaupt erfüllen muss, um über eben diesen Zaun springen zu können.‣ weiterlesen

Anzeige

Der Walk Training Robo von Panasonic sieht aus wie eine einfache Gehhilfe, ist aber darauf ausgelegt, die Gehfähigkeit eines Patienten zu stärken, um das Gehen –  etwa nach einem Schlaganfall – neu zu erlernen oder zu verbessern. ‣ weiterlesen

Anzeige

Der autonom fahrende Elektrorollstuhl PiiMo von Panasonic kann sich selbstständig fortbewegen, nachdem der Benutzer über eine Smartphone-Applikation ein Ziel vorgegeben hat. Darüber hinaus kann er sich mit sensorbestückten Gepäckwagen verbinden, die dem Rollstuhl automatisch folgen.  ‣ weiterlesen

Das Robotersystem Kitov One nutzt künstliche Intelligenz, um Baugruppen und Systemeinheiten zu inspizieren. Dadurch lässt sich mit dieser Lösung eine aufwendige manuelle Fehleranalyse automatisieren - nicht nur in der Elektroindustrie.‣ weiterlesen

Wellgetriebe, hauptsächlich bekannt aus dem Automotive-Bereich, werden in der Robotik bereits seit Jahrzehnten eingesetzt. Neu ist jetzt die Möglichkeit zur Fertigung nach Kundenwunsch, z.B. in Bezug auf Performance, Auslegung der Verzahnung oder Design. Das eröffnet die Freiheit, Konstruktionen neu zu denken und Lösungen zu schaffen, die vorher undenkbar waren.‣ weiterlesen

Anzeige
Anzeige
Anzeige
Anzeige
Anzeige
Anzeige