THINK Blog DACH

Wer an produzierende Unternehmen denkt, der hat meist ein Bild mit riesigen Hallen vor Augen, in dem massenhaft gleiche Produkte vom Band laufen. Roboter und Mensch arbeiten an den Bändern Hand in Hand und stellen in Rekordzeit Waren verschiedenster Art und Größe her. Doch weit gefehlt: Tatsächlich fertigen laut einer VDMA-Studie 73 Prozent aller Hersteller Einzelstücke oder Kleinserien, Tendenz steigend. Und bei diesen, häufig mittelständischen Betrieben, sieht die Realität ein bisschen anders aus. Denn dort lohnt sich der Einsatz von industriellen Robotern kaum. Abhilfe sollen digitale Zwillinge für Roboter schaffen, an denen IBM und fortiss gemeinsam arbeiten.

Komplexe Prozesse erfordern viel Handarbeit

Um hochgradig digitalisierte industrielle Fertigungsprozesse einzurichten, sind viele manuelle Schritte erforderlich. Dies beginnt mit der Programmierung der Steuerungslogik für einzelne Roboter und setzt sich fort bis zur Konfiguration von prozessüberwachenden Verfahren. Bis ein Roboter einsatzfähig ist, können durchaus sechs Monate oder mehr vergehen.

Neben dem großen zeitlichen Aufwand ist auch ein hohes Maß an Fachwissen nötig. Beides ist in mittelständischen Betrieben oftmals Mangelware. Daher kommen die unter dem Schlagwort Industrie 4.0 bekannten digitalen Prozesse nur bei überwiegend statischen Produktionsplänen zum Einsatz. Diese rechtfertigen durch ihre lange Betriebszeit – etwa 5 Jahre – die aufwendigen Vorbereitungen und Programmierarbeiten. Alternativ können die Verfahren bei hochwertigen Gütern wirtschaftlich sinnvoll genutzt werden. Doch die werden vergleichsweise selten nachgefragt.

Sind Roboter oder auch der 3D-Druck – der sich vor allem beim Prototyping als relevant erwiesen hat – also nur was für Big Player? Bleibt der Mittelstand technologisch auf der Strecke?

Semantic Digital Twins: Lösungsansatz von IBM und fortiss

Seit kurzem können wir diese Frage mit einem klaren Nein beantworten. In Zusammenarbeit mit fortiss, dem unabhängigen Landesforschungsinstitut des Freistaats Bayern für softwareintensive Systeme, ist das Projekt „Automated Configuration of Robots and Analytics in I4.0 with Digital Twins (ACRA4DT)“ entstanden. Ziel des Projektes war es, handhabbare und wirtschaftlich durchführbare Konfigurationen und Analyselösungen für die roboterbasierte industrielle Fertigung für kleine und mittlere Unternehmen zu entwickeln. Nach etwas weniger als einem Jahr intensiver Forschungsarbeit können wir dank des Konzepts der sogenannten Semantic Digital Twins, eine besondere Form der digitalen Zwillinge, nun eine Lösung vorstellen.

Grundsätzlich erzeugen Roboter laufend eine große Menge an Rohdaten. Dabei ist es erstmal unerheblich, ob diese dann – ganz im Sinne einer vernetzten Produktion – genutzt oder lediglich gespeichert werden. Kommt es aber zu einer Störung, agieren viele Unternehmen nach wie vor nach dem Prinzip Hoffnung: Zur Fehlersuche wird alles Mögliche probiert; am Ende kann oft nur der erfahrene Kollege, der das System wie seine Westentasche kennt, helfen. Der kann zwar mit seinem Fachwissen oft unterstützen, aber effiziente Wartung sieht anders aus. Und die Daten? Die werden als potentielle Informationsquelle meist völlig vergessen.

Vom Prinzip Hoffnung zum wissensbasierten digitalen Abbild

Das ist auch völlig verständlich: Denn für einen Laien ist es fast unmöglich aus den Zeitreihen und Zahlen, so setzen sich die Rohdaten in der Regel zusammen, die entscheidende Information herauszufiltern. Das geht nur, wenn man weiß, wie der Roboter eigentlich hätte arbeiten müssen – also, wenn man seinen Prozess von A bis Z kennt.

Und genau an diesem Punkt setzen die Forscher von fortiss an: Sie haben semantische Modelle entwickelt, die beschreiben, was der Roboter tun sollte und dann einen sogenannten Semantic Digital Twin, also einen digitalen Zwilling von IBM, mit diesen Informationen versorgt. Das Abbild ist dank Machine Learning in der Lage, ständig zu lernen und kann Abweichungen in den Daten erkennen und bei Bedarf einen Alert absetzen. Tritt ein Fehler auf, kann der Mitarbeiter schneller und besser reagieren. Da der Zwilling auch schon kleinste Anomalien erfasst, reagiert er auch schon, bevor die Bänder stillstehen. Der Weg zu Predictive Maintainance wird frei. Im Video wird das Prinzip nochmal erläutert: