Ausstattung - Datengestützte und Selbstlernende Produktion

In modernen Produktionsumgebungen müssen Roboter flexibel auf wechselnde Aufgaben reagieren und gleichzeitig sicher mit Menschen zusammenarbeiten.

Klassische Robotersysteme erfordern jedoch häufig spezialisiertes Programmierwissen und sind nur begrenzt in digitale Produktionssysteme mit intuitiven Bedienkonzepten integriert.

Dadurch entstehen hohe Hürden für eine flexible Nutzung von Robotik und für eine effiziente Mensch-Maschine-Interaktion.

Das Team DSP erforscht, wie kollaborative Robotik mit datengetriebenen Methoden, intelligenter Steuerung und modernen Schnittstellen kombiniert werden kann.

Durch die Integration von Cobots in digitale Plattformen sowie durch den Einsatz von KI-basierter Interaktion, etwa über Sprachmodelle, können Roboter intuitiver gesteuert und einfacher in Produktionsprozesse eingebunden werden.

Ziel ist es, Robotiksysteme zu entwickeln, die flexibel, lernfähig und für Anwender einfach nutzbar sind.

Im Demonstrator kommt ein kollaborativer ABB-Roboter (GoFa) zum Einsatz, der über digitale Schnittstellen Produktionsaufträge oder Benutzeranfragen entgegennimmt und autonom ausführt. In verschiedenen Szenarien wie etwa einem industriellen Roboter-Use-Case zur Demonstration vernetzter Produktion oder dem „Coffeebot“ mit sprachbasierter Steuerung wird gezeigt, wie Mensch-Maschine-Interaktion und intelligente Robotik zusammenspielen.

Der Demonstrator verdeutlicht, wie Roboter durch intuitive Kommunikation und digitale Integration flexibel in reale Produktions- und Serviceprozesse eingebunden werden können.

Industrieunternehmen stehen vor der Herausforderung, heterogene Maschinen und Systeme unterschiedlicher Hersteller nahtlos zu vernetzen. Oft fehlen standardisierte, sichere und einfach integrierbare Lösungen für die Anbindung an Cloud-Systeme.

Dadurch bleiben Potenziale wie Energieoptimierung, Transparenz und flexible Produktionssteuerung ungenutzt.

Team DSP zeigt mit dem Demonstrator, wie durch den Einsatz der offenen IIoT-Plattform SEALMAN eine durchgängige, sichere und herstellerübergreifende Konnektivität realisiert werden kann.

Die Architektur verbindet Maschinen, Edge und Cloud und ermöglicht so eine einfache Integration in bestehende Produktionsumgebungen sowie eine zentrale Datennutzung.

Im Demonstrator wird ein Roboter-Use-Case gezeigt, bei dem Nutzer über eine Weboberfläche verschiedene Produktionsstrategien auswählen können.

Diese Entscheidungen wirken sich direkt auf den Energieverbrauch aus und machen Zielkonflikte zwischen Effizienz und Produktionsweise sichtbar.

Der Demonstrator adressiert damit zentrale Industrieprobleme wie fehlende Transparenz, eingeschränkte Entscheidungsgrundlagen und mangelnde Systemintegration und zeigt konkret, wie durch digitale Konnektivität datenbasierte Optimierung und effizientere Produktionsprozesse ermöglicht werden.

Industrieunternehmen stehen vor der Herausforderung, komplexe Prozesse effizient zu automatisieren und gleichzeitig flexibel auf Veränderungen zu reagieren. Klassische Automatisierungslösungen stoßen insbesondere bei dynamischen, schwer modellierbaren Prozessen an ihre Grenzen. Zudem fehlt es häufig an Systemen, die eigenständig optimale Entscheidungen treffen und sich kontinuierlich verbessern können.

Team DSP kombiniert klassische Automatisierungstechnik mit Künstlicher Intelligenz, insbesondere Reinforcement Learning, um Prozesse nicht nur zu automatisieren, sondern adaptiv zu steuern.

Ein zentraler Bestandteil ist die vorgelagerte Simulation des Prozesses. Dadurch kann der RL-Agent vorab trainiert werden, ohne reale Anlagen zu beeinflussen, Ressourcen zu verbrauchen oder Hardware zu gefährden. Aufbauend darauf verfügt Team DSP über besondere Expertise im Transfer dieser gelernten Strategien von der Simulation in die reale Anwendung.

Der Demonstrator zeigt einen automatisierten Farb-Mischprozess als abstrahiertes Beispiel für komplexe industrielle Abläufe. Ein Reinforcement-Learning-Agent trifft eigenständig Entscheidungen zur Prozessführung. Diese werden durch einen Liquid Handler umgesetzt.

Der Aufbau verdeutlicht, wie intelligente Entscheidungsmodelle mit physischer Automatisierung gekoppelt werden können. Gleichzeitig zeigt er, wie durch Simulation, KI und integrierte Systemarchitektur adaptive, effiziente und reproduzierbare Prozesse realisiert werden können.

Industrieunternehmen stehen vor der Herausforderung, ihren Energieverbrauch zu reduzieren und gleichzeitig flexibel auf schwankende Energieverfügbarkeit – insbesondere aus erneuerbaren Quellen wie Photovoltaik – zu reagieren.

Bestehende Produktionsanlagen sind jedoch meist nicht darauf ausgelegt, energieabhängig gesteuert zu werden. Es fehlt an Transparenz über die Hauptverbraucher sowie an Modellen, die den Energiebedarf eines Prozesses in Abhängigkeit von Parametern zuverlässig vorhersagen können. Dadurch bleiben Potenziale zur Energieoptimierung und CO₂-Reduktion ungenutzt.

Team DSP entwickelt Ansätze zur datenbasierten Analyse und intelligenten Steuerung von Energieverbräuchen in Produktionssystemen.

Durch die Kombination aus Messdatenerfassung, mathematischer Modellierung und KI-basierten Verfahren werden Energieverbräuche analysiert und prognostizierbar gemacht. Aufbauend darauf können Prozesse flexibel an das verfügbare Energieangebot – beispielsweise aus einer PV-Anlage – angepasst werden.

Ziel ist es, bestehende Anlagen intelligent zu erweitern, sodass sie energieoptimiert und ressourcenschonend betrieben werden können.

Der Demonstrator bildet ein Palettenhandlingsystem im Kleinformat nach, basierend auf einem Achsportal, wie es in realen Fertigungsanlagen eingesetzt wird.

Anhand dieses Systems wird untersucht, welche Komponenten und Bewegungsprofile den größten Einfluss auf den Energieverbrauch haben. Durch Variation von Prozessparametern (z. B. Geschwindigkeiten, Fahrprofile oder Taktung) entstehen unterschiedliche Energieverbräuche für denselben Prozess.

Diese Zusammenhänge werden genutzt, um sowohl klassische als auch KI-basierte Modelle zur Vorhersage des Energiebedarfs zu entwickeln. Der Demonstrator zeigt anschließend, wie Produktionsprozesse auf Basis dieser Vorhersagen flexibel gesteuert werden können – beispielsweise angepasst an die aktuell verfügbare Energie aus erneuerbaren Quellen.

Damit wird praxisnah veranschaulicht, wie datengetriebene Modelle und intelligente Steuerung dazu beitragen können, Energieeffizienz und Nachhaltigkeit in bestehenden Produktionssystemen signifikant zu verbessern.