In einem gemeinsamen Forschungsprojekt mit einem premium Automobilhersteller ist es uns gelungen zu zeigen, dass ein Laserschweißroboter sein Verhalten erkennen und nach ihm vorgegebenen Indikatoren selbstständig verbessern kann.
Ein Roboter tut das, was ein Ingenieur ihm vorgegeben hat zu tun. Heutzutage passiert das in der Praxis meist so, dass aus wenigen Übungsläufen ein festgelegter Satz an Parametern erzeugt wird, der das Verhalten des Roboters im Einsatz einmalig festlegt. Der beste Satz wird entsprechend bestimmter KPIs ausgewählt und im folgenden Betrieb eingesetzt. Derzeit wird der ‚richtige‘ Satz an Parametern durch einige wenige Versuche des Laserschweißroboters unter Anleitung eines Ingenieurs gefunden.
Im alltäglichen Betrieb aber unterliegt die Umgebung eines Roboters in einer Fabrik Veränderungen und auch die Aufgaben des Roboters können variieren. Wie wäre es denn, wenn der Schweißroboter autonom sein Verhalten dahingehend optimiert, dass der Ingenieur dem Roboter nur mehr vorgeben muss, welche Anforderungen an ein Werkstück bzw. eine Schweißnaht bestehen? In diesem Szenario würden die Roboter dann selbst systematisch einen Weg finden den Anforderungen in verschiedensten Situationen zu entsprechen.
Fig. 1 Architektur für einen selbstlernenden Laserschweißroboter
Mit der aktuellen Methode ist das Optimum der Funktionalität der Roboter nicht erreichbar. Der Prozess der Parameterfindung ist ineffizient, das Handeln des Roboters ist nicht intelligent und er kann somit nicht auf neue Gegebenheiten reagieren und daraus lernen.
Wir wollten deshalb einen Sprung vorwärts machen. Gemeinsam mit dem Automobilhersteller haben wir eine KI-Architektur entwickelt und geprüft, die es ermöglicht zuerst die Qualität einer Schweißnaht zu erkennen, diese dann zu bewerten, um danach den Laserschweißprozess des Roboters zu beurteilen. Damit ermöglichen wir dem Laserschweißroboter eine automatische Parameterfindung, die effizienter als jene mit der vorherigen Methode ist und zudem auch ein situatives Verständnis verschiedener Szenarien ermöglicht. Diese KI-Architektur ist in Fig 1. dargestellt.
Zudem erlaubt das entwickelte Konzept, dass Roboter miteinander lernen und auch während des Betriebs noch dazulernen. So erweitert sich der Erfahrungsschatz der Schweißnahtführung um ein Vielfaches und wird in einer systematischen Art und Weise integriert und auch dokumentiert. Mit dieser Funktionalität kommen wir der vollautonomen und sich selbst verbessernden Fabrik einen weiteren Schritt näher.
In verschiedenen Kulturen wird das Thema der künstlichen Intelligenz unterschiedlich betrachtet und die Vorstellungen gehen über KI als die Lösung der automatischen Versorgung der Menschheit bis hin zu Sorgen über das Abgeben von Kompetenzen und die Hingabe an Systeme, die für den Menschen nicht nachvollziehbar und ihm überlegen sind. Auch wenn wir in unserem Projekt diese philosophische Betrachtung nicht lösen konnten sind die Herausforderungen, die KI mit sich bringt, ein wichtiges Thema, das man auch im Hinterkopf behalten muss. Jedoch kann man über heutige Systeme sagen, dass sie noch in einem sehr beschränkten Rahmen agieren.
Mir gefällt eine Position, die im japanischen Volksglauben gedacht wird. Darin spricht man Menschen, Tieren, Objekten und auch Robotern die Möglichkeit zu, belebt zu sein. Die künstliche Intelligenz verfolgt diesen Pfad indem sie Robotern ermöglicht, selbstständig zu erkennen – oftmals mittels Deep Learning verwirklicht –, zu bewerten und zu handeln, was über Reinforcement Learning verwirklicht werden kann. In diesem Sinne sind wir bei T-Systems im wahrsten Sinne ‚digital enabler‘, da wir Maschinen oder eben Schweißroboter befähigen intelligent zu handeln und sich stetig zu verbessern. Dabei ist das Lernen neuer Fähigkeiten und die Optimierung bestehender Fähigkeiten ein kontinuierlicher und iterativer Prozess.
Letztendlich erlaubt diese integrierte Intelligenz dem Laserschweißroboter effizienter, ausfallssicherer, kostengünstiger und flexibler zu agieren. Die Aussicht auf Steigerung der Produktivität unter Verringerung anfallender Kosten ist neben dem geteilten Forscherdrang einer der Gründe für unsere fruchtbare Zusammenarbeit mit dem Automobilhersteller.
Abschließend möchte ich folgendes festhalten. Wir hatten eine hervorragende Zusammenarbeit mit unserem Partner zu den neuesten KI-Technologien. Wir konnten zeigen, dass für den Anwendungsfall des Laserschweißens die Kombination aus Deep Learning und Reinforcement Learning Laserschweißrobotern eine signifikant erneuerte Funktionalität ermöglicht und damit einen verbesserten Laserschweißprozess. Die neue Methode steigert die Qualität, Kosteneffizienz, Sicherheit und Produktivität und skaliert mit der Anzahl der Roboter. Zu guter Letzt sollte eines mit diesem Projekt auch hervorgehoben werden, dass T-Systems als innovativer Dienstleister insbesondere im Bereich der KI für Ihre Kunden bereitsteht.
