Vyberte si svoje miesto:

Štát

Společně s KUKA do budoucnosti Průmyslu 4.0

Jaká je budoucnost Průmyslu 4.0? Jedno je jisté: Budoucnost už začala. Umělá inteligence se přesouvá do výroby. Stroje se začínají samostatně učit a samy zefektivňují výrobu. Fyzický a digitální svět se stále více prolínají.


Průmysl 4.0: Pohled do budoucnosti

Pojem Průmysl 4.0 existuje již několik let. To platí i pro příslušné technologie – například internet věcí, cloud computing nebo umělá inteligence (Artificial Intelligence, AI) – nebyly vynalezeny teprve včera. Nicméně téměř každý den dochází k významným technickým pokrokům. Přitom vynikají zejména tři trendy.

Umělá inteligence (AI) je již dnes jednou z hnacích sil digitální transformace – a v budoucnu se bude její význam stále zvyšovat. Díky AI budou stroje schopny provádět například prediktivní údržbu. A roboty využívané v chytré továrně se proměňují v autonomní asistenty, kteří se mohou samostatně učit, jednat logicky a komunikovat mezi sebou.

Machine Learning (strojové učení) se také dostává do továrny jako jedna z nejdůležitějších oblastí umělé inteligence pro společnost KUKA a brzy se stane nedílnou součástí chytré továrny. Učící stroje mohou „rozumět“ vzorcům a vztahům příčina-následek, které samy vytvářejí. „Učí se" a reagují na to v reálném čase nezávislým zdokonalováním svých algoritmů.

Princip Smíšené reality (Mixed Reality) není o nic méně revoluční. Kombinuje techniky virtuální reality (Virtual Reality - VR) a rozšířené reality (Augmented Reality - AR). Virtuální realita znamená, že uživatel je zcela odříznut od reálného světa a nachází se ve virtuálním prostředí, které je viditelné přes brýle. U rozšířené reality naopak reálné prostředí zůstává viditelné, ale je překryto digitálním obsahem (virtuální předměty, informace). Díky technologii smíšené reality lze nyní virtuální obsah kombinovat s reálným světem. Na rozdíl od rozšířené reality se obsah jednoduše nepromítá ve smíšené realitě, ale objevuje se pomocí mobilních zařízení nebo displejů namontovaných na hlavě (HMD), jako je např. Microsoft Hololens jako hologram, který je realisticky integrován do fyzického světa. Ten lze přesouvat a měnit, jako by se jednalo o skutečný objekt.

Budoucnost tedy již začala. Jaké je ale praktické využití těchto technologií v průmyslu? Podívejte se na některé z inovačních projektů společnosti KUKA.

KUKA.Sim: Inteligentní simulační software pro roboty KUKA

S naším simulačním softwarem KUKA.Sim lze roboty programovat mimo výrobní prostředí. Software umožňuje uživatelům interakci s digitálním dvojčetem, tedy přesným virtuálním obrazem pozdějšího výrobního procesu. Ať už při navrhování procesu nebo vizualizaci materiálových toků a kritických míst nebo kódu PLC: 3D simulace vytvořená Kuka.Sim pokrývá všechny procesy plánování. Virtuální a reálné řízení pracuje s identickými daty: To, co je plánováno virtuálně, se později přesně stejným způsobem odehraje i v reálném světě. To umožňuje maximální spolehlivost plánování výrobních procesů s malým úsilím a nízkými náklady.

Další informace o KUKA.Sim.

KIVI: Umělá inteligence snižuje nároky na údržbu

Pokud by bylo možné předvídat životnost jednotlivých komponent robota, bylo by také možné vyhnout se nákladným poruchám a přerušení výroby. A přesně o to jde v případě výzkumného projektu „Umělá inteligence k předpovídání provozní bezpečnosti a životnosti průmyslových robotů“ (KIVI) financovaného Bavorským státním ministerstvem hospodářství, energetiky a technologie (StMWi). Cílem je průběžně sledovat stav průmyslových robotů a umožnit prediktivní údržbu (Condition Monitoring a Predictive Maintenance/sledování stavu a prediktivní údržba). K tomu účelu nejprve několik senzorů odesílá provozní vibrační chování jednotlivých komponent robota. Následně přijde na řadu umělá inteligence, která se použije k vyhodnocení příslušných údajů: Rozpoznává vzorce ve vývoji stavů opotřebení a učí se z nich modely chování. Výsledkem je prototyp AI toolbox, který je již dnes ve fázi evaluace. Jakmile bude možné jej komerčně využít, budou výrobní společnosti schopné zvýšit dostupnost svých zařízení a zefektivnit výrobní proces – což v konečném důsledku také pomáhá šetřit zdroje.

Výhody sledování a preventivní údržby pomocí umělé inteligence

  • Zvyšuje dostupnost zařízení.
  • Zefektivňuje výrobní proces.
  • Šetří zdroje.

Translearn: Roboty se učí učit

Výchozím bodem všech optimalizačních procesů průmyslových robotů jsou data. Jejich generování a sběr ovšem zabere spoustu času a stojí spoustu peněz. V dnešní době lze pro úsporu peněz shromažďovat data také jednoduchou simulací interakcí robotů. Problém: Ani vysoce pokročilé simulace zatím nedokážou dokonale zobrazit realitu. Dějové sekvence naučené v nich nelze snadno přenést do reálných robotů. Tento problém je často označován jako „Reality Gap".

A právě v tomto bodu vstupuje do hry náš projekt „TransLearn": Chceme překlenout Reality Gap tím, že identifikujeme chyby v simulaci. Cílem je plynule přenést simulované výsledky do reálných robotů.

To znamená mnoho výhod: V simulaci lze roboty programovat rychleji a lépe, což snižuje náklady na programování. Kromě toho se roboty mohou učit lépe a nezávisleji, pokud k tomu dojde jak v simulaci, tak v reálném zařízení. Díky takto optimalizovanému procesu učení se průmyslové roboty v budoucnu již nebudou muset pracně programovat, ale pouze instruovat. Tímto způsobem se také samostatně učí, jak zkrátit dobu cyklu nebo spotřebovat méně elektrické energie.

OPERA: Ovládejte roboty s větší přesností.

S pomocí OPERA mohou uživatelé vidět pravděpodobné sekvence pohybu svých kobotů. Kolaborativní roboty, tzv. CoBots, se učí tak, že s nimi uživatel ručně provádí požadované sekvence pohybu. Hovoří se proto také o ručně naváděném programování. Zejména středně velkým firmám usnadňuje mnoho věcí. Navzdory intuitivnímu ovládání je proces stále spojen s určitými finesami, pokud jde o přesnost a tolerance chyb, takže do programování musí být stále ještě zapojen odborník.

Právě v tomto bodu vstupuje do hry projekt OPERA: Vzhledem k tomu, že u kobotů nelze deterministicky určit všechny zdroje chyb, vyvinuli jsme modely pravděpodobnosti. Uživatelé nyní mohou ve 3D modelu snadno vidět, kde dochází k nepřesnostem v sekvencích pohybu jejich kobota, a podle toho reagovat. Profitují z větší flexibility a přesnosti a větší spolehlivosti.

Zjistěte více o projektu OPERA.

S pomocí OPERA mohou uživatelé vidět pravděpodobné sekvence pohybu svých kobotů.

VWS4LS: Automatizaci žene kupředu digitální dvojče

Kabelový rozvod (také „kabelový svazek“ nebo „palubní síť“) je jednou z nejpropracovanějších a nejsložitějších komponent automobilu. Pro novou řadu totiž existuje tolik individuálních kabelových rozvodů, kolik je variant výbavy: Stovky tisíců. Výroba takto individuálně vyráběných kabelových rozvodů je patřičně nákladná. Spolupracujeme proto s dalšími partnery na implementaci „Administrativní rozhraní pro kabelové svazky“ (VWS4LS). Na základě technologie „Administrativní rozhraní“ jsou v tomto projektu doplněny digitální informace o každém kabelovém svazku takovým způsobem, že lze vytvořit interoperabilní digitální dvojče pro vývoj, výrobu a montáž kabelového svazku v automobilu.

Společnost KUKA se soustředí na vytváření popisů produktů a procesů a na odvození pohybů robotů potřebných pro příslušnou výrobu z odpovídajících informací v administrativních rozhraních.

Zjistěte více o projektu VW4LS.

BaSys 4.2: Výrobní procesy jsou stále flexibilnější

Společnosti s moderními výrobními procesy musí být schopny rychle reagovat na měnící se požadavky nebo změněné podmínky. Zejména výrobní proces proto často vyžaduje určité úpravy – procesu samotného, výrobních zdrojů, ale také vyráběného produktu. Takové „kontinuální inženýrství“ by proto mělo být možné kdykoli. V podobě BaSys 4 již byl vyvinut základní systém pro výrobní zařízení, díky kterému lze výrobní procesy efektivně upravovat. Prostřednictvím projektu BaSys 4.2 financovaného spolkovým ministerstvem školství a výzkumu (BMBF) nyní pracujeme na implementaci dalších prvků infrastruktury Průmyslu 4.0 na základě konceptů a standardů platformy Průmyslu 4.0. Soustředíme se na tři tematické oblasti „middleware“, „schopnosti“ a „virtualizace“. Chceme tak dále rozvíjet standardizované modely schopností a realizovat jejich použití v automatických kontrolách schopností.

Cílem jsou adaptační výrobní zařízení, která dokáží inteligentně a srozumitelně reagovat na měnící se požadavky.