Suchen

Automatica 2020 Geisterschicht: Die Produktion wird autonom

| Redakteur: Jürgen Schreier

Wie werden sich digitale Transformation, Big Data und KI auf die produzierende Welt auswirken? Steuert sich die Fabrik der Zukunft selbst? Und was passiert dann mit den Arbeitsplätzen? Antworten darauf und auf viele andere Fragen gibt die Fachmesse Automatica 2020 vom 16. bis 19. Juni in München.

Firma zum Thema

Die Automatica 2020 belegt eine Rekordfläche von 76.000 Quadratmetern. Mehr 900 Aussteller - darunter die großen Player der Roboterbranche wie ABB, Fanuc, KUKA oder Yaskawa - werden ihre Produkte und Lösungen zeigen.
Die Automatica 2020 belegt eine Rekordfläche von 76.000 Quadratmetern. Mehr 900 Aussteller - darunter die großen Player der Roboterbranche wie ABB, Fanuc, KUKA oder Yaskawa - werden ihre Produkte und Lösungen zeigen.
(Bild: Messe München)

Gesamtwirtschaftlich spielt das Thema Automatisierung eine wichtige Rolle. Patrick Schwarzkopf, Geschäftsführer des Fachverbandes VDMA Robotik + Automation, ist überzeugt: „Die Robotik und Automation ist die Schlüsseltechnologie für höhere Wettbewerbsfähigkeit, Qualität und Nachhaltigkeit. Wer die intelligente Automation und Robotik bestmöglich einsetzen möchte und sich über alle neuen Trends informieren möchte, findet Antworten auf der Automatica.“ Und zwar vom 16. bis 19. Juni 2020 in der Messe München.

Patrick Schwarzkopf, Geschäftsführer des Fachverbandes VDMA Robotik + Automation: „Die Robotik und Automation ist die Schlüsseltechnologie für höhere Wettbewerbsfähigkeit, Qualität und Nachhaltigkeit.“
Patrick Schwarzkopf, Geschäftsführer des Fachverbandes VDMA Robotik + Automation: „Die Robotik und Automation ist die Schlüsseltechnologie für höhere Wettbewerbsfähigkeit, Qualität und Nachhaltigkeit.“
(Bild: VDMA)

„Future Robot Hall“ zeigt mobile Robotik

Dabei wird die Automatica 2020 eine Rekordfläche von 76.000 Quadratmetern belegen. Mehr 900 Aussteller - darunter die großen Player der Roboterbranche wie ABB, Fanuc, KUKA oder Yaskawa - zeigen Produkte und Lösungen, die schon jetzt zur Verfügung stehen, um die Fertigung produktiver und "autonomer" zu machen. Auch viele Automatica-Newcomer sind dabei, darunter Basler, Baumer, Hanwah, Nokia Solutions & Networks, Schaeffler Technologies und ZF Friedrichshafen. Besonders stark ist die Nachfrage im Bereich der kollaborativen, mobilen Robotik, der eine zusätzliche Halle, die die „Future Robot Hall“, gewidmet ist.

Wer wissen möchte, wie sich digitale Transformation, Mensch-und-Maschine-Kollaboration und Künstliche Intelligenz auf die produzierende Welt von morgen auswirken, finden auf der Automatica 2020 die passenden Antworten. Wie Falk Senger, Geschäftsführer der Messe München, richtet sich „die Automatica an Unternehmen aus allen Industriebranchen. Das Veranstaltungsangebot geht weit über eine klassische Ausstellung hinaus. Das Rahmenprogramm bietet eine einzigartige Dialogplattform und vermittelt den Zugang zu Innovationen, Wissen und Trends mit hoher Businessrelevanz.“

Aber inwieweit kann die Fabrik der Zukunft - oder vielleicht schon heute - automatisiert werden? Sind weitere Schritte in Richtung einer autonomen Produktion machbar und sinnvoll? Welche Rolle wird der Mensch in diesem Umfeld spielen? Ohne Zweifel ist die heutige Realität von der Vision der autonomen Produktion noch weit entfernt.

Die rasante Geschwindigkeit des technischen Fortschritts macht einen offenen Dialog über die Chancen und Risiken notwendig. Denn die Produktion von morgen geht weg von einer sequentiellen hin zu einer Matrix-Produktion. Dafür müssen z.B. fahrerlose Transportsysteme flexibler werden, Maschinen komplexe Aufgaben autonom lösen können, die Software noch vernetzter und intelligenter werden.

Künstliche Intelligenz spielt zentrale Rolle

Eine zentrale Rolle wird in in diesem Zusammenhang Künstliche Intelligenz (KI) spielen. Zwar sei KI, so Prof. Dr.-Ing. Berend Denkena, Präsident der WGP – Wissenschaftliche Gesellschaft für Produktionstechnik, keine wirklich neue Technologie: „Aber die Systeme können heute – aufgrund der zur Verfügung stehenden größeren Datenmengen und den Möglichkeiten zur Verarbeitung und Speicherung dieser Daten – auf bessere Grundlagen zum Trainieren zurückgreifen. Und diese Datenverfügbarkeit wird in der Industrie 4.0 weiter steigen.“

Prof. Dr.-Ing. Berend Denkena, Präsident der WGP: „Wir gehen davon aus, dass – ähnlich wie bei Kraftfahrzeugen – zunächst Assistenzsysteme zur Unterstützung der Produktionssysteme eingesetzt werden.“
Prof. Dr.-Ing. Berend Denkena, Präsident der WGP: „Wir gehen davon aus, dass – ähnlich wie bei Kraftfahrzeugen – zunächst Assistenzsysteme zur Unterstützung der Produktionssysteme eingesetzt werden.“
(Bild: Universität Hannovver)

Die Einsatzbereiche für maschinelles Lernen in der Produktion sind durchaus vielfältig. Sie reichen vom "Klassiker" der digitalen Transformation, der vorausschauenden Wartung (Predictive Maintenance) über neue datenbasierte Dienstleistungen und Pay-per-use-Modelle bis hin zur Produktionsoptimierung.

KI-Vorreiter ist zweifellos die industrielle Bildverarbeitung - vor allem wenn es um den Einsatz um Deep Learning geht. Das liegt daran, dass sich die Experten in diesem Bereich seit jeher mit dem Erkennen von Mustern beschäftigen und die Bilderkennung ganz generell ein beliebtes Betätigungsfeld für KI-Experten ist. So erkennt Googles KI-Kamera-Software Google Lens durch die Smartphone-Kamera mittlerweile eine Milliarde Gegenstände und kann diese automatisch zuordnen.

Bildverarbeitung ist KI-Vorreiterin

„Die künstliche Intelligenz hat längst in der industriellen Bildverarbeitung Einzug gehalten“, bestätigt Dr. Maximilian Lückenhaus, Director Marketing + Business Development beim Vision-Software-Spezialisten MVTec Software. Eine besondere Bedeutung hierbei habe Deep Learning, meist basierend auf Convolutional Neural Networks (CNN). „Diese CNNs sind von biologischen Prozessen inspirierte künstliche neuronale Netze. Sie nutzen sehr große Mengen an digitalen Bilddaten für einen umfassenden Trainingsprozess, um danach selbstständig neue Objekte klassifizieren zu können“, erläutert Lückenhaus.

In diesem Trainingsprozess werden spezifische Besonderheiten und Merkmale von Objekten automatisch gelernt. Nach diesem Training können neue Bilddaten zugeordnet und damit besonders hohe Erkennungsraten erzielt werden. Bevorzugte Anwendungsgebiete sind die Klassifizierung und Detektion von Objekten.

Damit Firmen die Vorteile der Technologie möglichst einfach nutzen können, offeriert Mvtec in seiner Software vortrainierte Deep-Learning-Tools, die auf der Basis von rund drei Millionen sorgfältig selektierten Bildern aus dem industriellen Umfeld "geschult" wurden. „Damit benötigen Unternehmen nur noch vergleichsweise wenige eigene Bilder, um die Netze auf Ihre Anwendungen angepasst fertig zu trainieren“, verspricht Lückenaus.

Deep Learning unterstützt komplexe Prüfprozesse

Auch Cognex hat Deep-Learning-basierte Bildanalyse-Tools in seine Software integriert. Die Technologie dafür haben sich die US-Vision-Spezialisten durch den Zukauf der schweizerische Vidi Systems an Bord geholt. „Wenn der Mensch lernen kann, Produkte zu prüfen, kann Visionpro Vidi dies auch“, betont Joerg Kuechen, Senior Vice President für Bildverarbeitungsprodukte bei Cognex: „Außerdem kann Visionpro Vidi in wenigen Minuten mit lediglich 50 Bildern trainiert werden.“

Deep Learning-Technologie sieht man bei Cognex als gute Ergänzung vor allem dann, wenn komplizierte Prüfverfahren für Herstellungsprozesse benötigt werden, die zeitaufwendig sind und mit herkömmlicher regelbasierter Bildverarbeitung nur schwierig zu programmieren sind. Außerdem können damit auch Personen, die keine Programmierexperten sind, Bildverarbeitungsanwendungen auf Werksebene pflegen und neu trainieren.

Mvtec hat bei der Entwicklung der Deep-Learning-Features seiner Software Halcon ebenfalls eng mit Pilotkunden aus verschiedenen Branchen zusammengearbeitet. Mit Erfolg: Beim Prüfen von Kontaktflächen führte die Implementierung einer Deep-Learning-basierten Fehlererkennung zu einer massiven Reduzierung der Fehlerquote, was den Bedarf an manueller Prüfung drastisch reduzierte und die Produktion beschleunigte.

Also alles gut dank Deep Learning? „Die Technologie bringt viele Vorteile, hat aber auch Grenzen“, betont Dr. Maximilian Lückenhaus von MVTec Software. Zum einen sind zum Trainieren Hundertausende von Beispielbildern nötig; gerade wenn man dazu Opensource-Lösungen nutzt. Zum anderen benötigen das Training und auch die spätere KI-basierte Klassifizierung der Daten sehr viele Rechenressourcen. „Daher werden große Rechenkapazitäten und eine entsprechende Hardware benötigt. Bei sehr zeitkritischen Anwendungen reicht eine Standard-CPU meist nicht aus“, so Lückenhaus.

(ID:46304849)