Im Engineering-Prozess fungiert eine Simulationssoftware wie iPhysics als Testbett für den Entwurf der zu entwickelnden Künstlichen Intelligenz (KI). Denn mithilfe des Digitalen Zwillings entsteht so ein virtuelles Trainingscenter, das die Algorithmen für Ihre Aufgabe vorbereiten soll: u.z. die Überwachung der Produktivität von Maschinen und Anlagen. Prinzipiell wird die Simulation derzeit von Ingenieuren als Werkzeug genutzt, um zu Erkenntnissen zu gelangen, die nach Richtlinie VDI3633-1 auf die Realität übertragen werden können. In Fortführung dieser Vorgehensweise setzt der Ingenieur die KI vor Betrieb der realen Maschine ihrer Lernaufgabe im simulierten Umfeld aus.
Hardware-in-the-Loop-Simulation und KI
Die Trainingsumgebung, basierend auf einer Hardware-in-the-Loop (HIL)-Simulation , besteht aus dem Maschinenmodell, einer realen oder virtuellen Steuerung sowie dem KI-System. Somit kann das Zusammenspiel aller drei Komponenten getestet werden. Dies ist wichtig, um der Künstlichen Intelligenz zu ermöglichen, verschiedene Algorithmen zu testen und mögliche Fehler selbst zu erleben, mit dem Ziel sie im realen Betrieb zu vermeiden. Auch die Lernziele können so durch den Ingenieur ohne Risiko festgelegt und überprüft werden.
Geisterroboter
In vielen Branchen, die mit robotergesteuerten Prozessen arbeiten, stehen verschiedene Roboter auf engem Raum und müssen mit- und nebeneinander sicher funktionieren. Je mehr die sich selbst programmierende Maschine Wirklichkeit wird, desto gründlicher muss auf Kollisionen oder mangelnde Erreichbarkeit geprüft werden. Hierzu kann ein Echtzeit-3D-Modell mit Kollisionserkennung genutzt werden.
Parallel zu der virtuellen Maschine läuft ein Geisterroboter, der der realen Maschine eine vordefinierte Zeitsequenz voraus ist. Auch schon in der Planung und Entwicklung können mithilfe dieses zusätzlichen Tools virtuell verschiedene Szenarien durchgespielt werden, wie die betreffenden Roboter bestmöglich mit- und nebeneinander laufen. Zudem unterstützt die Simulation des Roboterverhaltens Unternehmen dabei, die Maschinenrichtlinie einzuhalten. So kann frühzeitig im Entwicklungsprozess die Geschwindigkeit der Bewegungen an die Umgebung, z.B. in der Nähe von Gerüsten oder Schutzzäunen, angepasst werden.
Machine Learning
Die Nutzung der 3D-Simulation als Trainingsumgebung für maschinelles Lernen führt den Ingenieur direkt zum nächsten Evolutionsschritt: Die Fusion beider Technologien im realen Betrieb. Denn die Freiheitsgrade des maschinellen Lernens – und damit die später im Betrieb erforderliche Bandbreite und der Rechenaufwand – können durch den Einsatz eines 3D-Modelles der Maschinen und Roboter erheblich reduziert werden. Darauf wird es ankommen, wenn alle Maschinen in den Produktionsanlagen durch KI aufgewertet werden sollen. Die Wirtschaftlichkeit der bereitgestellten Rechenleistung steigt und fällt mit der Zahl und Komplexität der durch Algorithmen zu lernenden Freiheitsgrade. Die 3D-Echtzeitsimulation mit Kollisionsberechnung an der Maschine kann helfen, die zu erfassenden Freiheitsgrade deutlich zu reduzieren und so die KI auf die wesentlichen Dinge zu fokussieren.
Sie möchten noch mehr erfahren? Kontaktieren Sie uns, wir beraten Sie gern!
