Cùng KUKA bước vào tương lai của Công nghiệp 4.0

Thuật ngữ Công nghiệp 4.0 đã tồn tại được nhiều năm. Và các công nghệ tương ứng - chẳng hạn như Internet of Things (Internet vạn vật), Cloud Computing (Điện toán Đám mây) hoặc Trí tuệ nhân tạo (Artificial Intelligence, AI) – không phải được phát minh ngày hôm qua. Tuy nhiên, những tiến bộ kỹ thuật đáng kể đang được thực hiện gần như hàng ngày. Ba xu hướng đặc biệt đang nổi lên.

Trí tuệ nhân tạo (AI) là một trong những động lực của chuyển đổi kỹ thuật số – và sẽ còn trở nên hơn thế nữa trong tương lai. Ví dụ, nhờ AI, máy móc sẽ có thể duy trì với tầm nhìn xa. Và rô-bốt được sử dụng trong Smart Factory (Nhà máy Thông minh) đang biến thành trợ lý tự động có thể học độc lập, hành động logic và giao tiếp với nhau.

Tương tự như vậy, Machine Learning (Học máy) đang tiến vào nhà máy như một trong những lĩnh vực AI quan trọng nhất của KUKA và sẽ sớm trở thành một phần không thể thiếu của Smart Factory (Nhà máy Thông minh). Máy móc học tập có thể “hiểu” các mô hình và mối quan hệ nhân quả mà chúng tạo ra. Chúng “học” và phản ứng trong thời gian thực bằng cách tinh chỉnh độc lập các thuật toán của chúng.

Không kém phần cách mạng là nguyên tắc của Mixed Reality (Thực tế hỗn hợp). Nó kết hợp các kỹ thuật của Virtual Reality (Thực tế Ảo - VR) và Augmented Reality (Thực tế Tăng cường - AR). Virtual Reality (Thực tế Ảo) có nghĩa là người dùng bị tách rời hoàn toàn khỏi thế giới thực và ở trong một môi trường ảo có thể nhìn thấy qua kính. Mặt khác, trong Augmented Reality (Thực tế Tăng cường), môi trường thực vẫn hiển thị, nhưng được chồng lên bởi nội dung kỹ thuật số (đối tượng, thông tin ảo). Với công nghệ Mixed Reality (Thực tế Hỗn hợp), nội dung ảo giờ đây có thể được kết nối với thế giới thực. Trái ngược với Augmented Reality (Thực tế Tăng cường), nội dung trong Mixed Reality (Thực tế Hỗn hợp) không chỉ đơn giản là được chiếu lên, mà xuất hiện bằng các thiết bị đầu cuối di động hoặc màn hình gắn trên đầu, chẳng hạn như Microsoft Hololens, như một hình ba chiều được tích hợp thực tế vào thế giới vật lý. Nó có thể được di chuyển và thay đổi như thể nó là một đối tượng thực sự.

Tương lai đã thực sự bắt đầu. Nhưng những công nghệ này có công dụng thực tế gì trong công nghiệp? Hãy xem một số dự án đổi mới của KUKA.

Với phần mềm mô phỏng KUKA.Sim của chúng tôi, rô-bốt có thể được lập trình bên ngoài môi trường sản xuất. Phần mềm cho phép người dùng tương tác với một cặp song sinh kỹ thuật số, tức là một hình ảnh ảo chính xác của quá trình sản xuất tiếp theo. Cho dù là thiết kế của quy trình hoặc trực quan hóa các dòng vật liệu và tắc nghẽn hoặc các mã PLC: Mô phỏng 3D được tạo bởi Kuka.Sim bao gồm tất cả các quy trình lập kế hoạch. Điều khiển ảo và thực hoạt động với dữ liệu giống hệt nhau: Những gì được lên kế hoạch hầu như diễn ra sau đó theo cùng một cách trong thực tế. Điều này cho phép lập kế hoạch bảo mật tối đa các quy trình sản xuất với nỗ lực và chi phí thấp.

Tìm hiểu thêm về KUKA.Sim.

Nếu tuổi thọ của các thành phần rô-bốt riêng lẻ có thể được dự đoán, có thể tránh được các lỗi tốn nhiều chi phí và gián đoạn sản xuất. Đây chính xác là nội dung Bộ Kinh tế, Năng lượng và Công nghệ Bang Bavaria (StMWi) tài trợ cho dự án nghiên cứu “Trí tuệ nhân tạo để dự đoán an toàn hoạt động và tuổi thọ của rô-bốt công nghiệp” (KIVI). Mục đích là để liên tục theo dõi tình trạng của rô-bốt công nghiệp và cho phép bảo trì dự đoán (giám sát tình trạng và bảo trì dự đoán). Với mục đích này, một số cảm biến đầu tiên truyền hành vi rung hoạt động của các thành phần rô-bốt riêng lẻ. Trí tuệ nhân tạo sau đó được sử dụng để đánh giá dữ liệu tương ứng: Nó nhận ra các mô hình trong sự phát triển của các điều kiện hao mòn và học hỏi từ chúng Mô hình hành vi. Kết quả là một hộp công cụ AI nguyên mẫu đang trong giai đoạn đánh giá. Ngay sau khi nó có thể được sử dụng thương mại, các công ty sản xuất sẽ có thể tăng tính sẵn có của nhà máy và làm cho quá trình sản xuất hiệu quả hơn - điều này góp phần không ít vào việc bảo tồn tài nguyên.

Điểm khởi đầu của tất cả các quy trình tối ưu hóa của rô-bốt công nghiệp là dữ liệu. Tuy nhiên, việc sản xuất và thu thập chúng tốn rất nhiều thời gian và tiền bạc. Để tiết kiệm tiền, dữ liệu giờ đây cũng có thể được thu thập bằng cách mô phỏng đơn giản các tương tác của rô-bốt. Vấn đề: Ngay cả các mô phỏng tiên tiến cũng chưa thể mô tả hoàn hảo thực tế. Kiến thức học được trong quá trình không thể dễ dàng chuyển sang rô-bốt thực sự. Khó khăn này thường được gọi là “Reality Gap (Khoảng cách Thực tế)”.

Đây chính xác là nơi dự án “TransLearn” của chúng tôi xuất hiện: Chúng tôi muốn thu hẹp Reality Gap (Khoảng cách Thực tế) bằng cách xác định các lỗi của mô phỏng. Mục đích là để chuyển liền mạch các kết quả mô phỏng sang rô-bốt thực.

Điều này đem lại nhiều lợi ích: Trong mô phỏng, rô-bốt có thể được lập trình nhanh hơn và tốt hơn, giúp giảm chi phí lập trình. Ngoài ra, rô-bốt có thể học tốt hơn và độc lập hơn nếu nó xảy ra cả trong mô phỏng và trong hệ thống thực tế. Nhờ quá trình học tập được tối ưu hóa như vậy, rô-bốt công nghiệp sẽ không còn phải được lập trình nữa mà chỉ cần được hướng dẫn. Bằng cách này, chúng cũng học một cách độc lập cách rút ngắn thời gian chu kỳ hoặc tiêu thụ ít điện hơn.

Các công ty có quy trình sản xuất hiện đại phải có khả năng phản ứng nhanh với nhu cầu thay đổi hoặc điều kiện thay đổi. Do đó, quy trình sản xuất nói riêng thường đòi hỏi phải có điều chỉnh - đối với bản thân quy trình, tài nguyên sản xuất, ngay cả đối với sản phẩm sẽ được sản xuất. Do đó, “kỹ thuật liên tục” như vậy sẽ có thể thực hiện được bất cứ lúc nào. Với BaSys 4 một hệ thống cơ bản cho các hệ thống sản xuất đã được phát triển, giúp các quy trình sản xuất có thể thay đổi một cách hiệu quả. Với dự án BaSys 4.2 được tài trợ bởi Bộ Giáo dục và Nghiên cứu Liên bang (BMBF), chúng tôi hiện đang nỗ lực triển khai hơn nữa các yếu tố cơ sở hạ tầng Công nghiệp 4.0 dựa trên các khái niệm và tiêu chuẩn của nền tảng Công nghiệp 4.0. Chúng tôi tập trung vào ba chủ đề “phần mềm trung gian”, “khả năng” và “ảo hóa”. Vì vậy, chúng tôi muốn các mô hình năng lực được tiêu chuẩn hóa hơn nữa và tiến đến sử dụng chúng trong kiểm tra khả năng tự động.

Mục tiêu là các hệ thống sản xuất linh hoạt có thể phản ứng thông minh và dễ hiểu với các yêu cầu thay đổi.