Der digitale Zwilling eines realen Gegenstands (Asset) – vom Produkt, über Steuerungskomponenten, bis zur Fabrik – ist ein digitales Gegenstück, welches anwendungsabhängig relevante Eigenschaften widerspiegelt. Eine Vision der Industrie 4.0 ist es, zu allen Assets eines Produktionssystems einen digitalen Zwilling zu besitzen. Jeder dieser digitalen Zwillinge soll ein Asset über dessen gesamten Lebenszyklus begleiten bzw. alle Dimensionen der RAMI 4.0 Referenzarchitektur abdecken. Roboter wiederum sind als generische Handhabungs- und Bearbeitungsmaschinen Schlüsselelemente, welche die steigenden Anforderung von intelligenten Produktionssystemen bewältigen.

Die Herausforderung von KI-basierten Methoden liegt in der Integration von physischen, mechatronischen Komponenten mit den KI-basierten Werkzeugen. Digitale Zwillinge ermöglichen die Sichtweise eines cyber-physischen Systems zu verstehen, wobei mechatronische Komponenten von digitalen Komponenten entkoppelt werden.

Im Rahmen dieses Projekts haben wir drei Aspekte des Zusammenspiel zwischen digitalen Zwillingen und der Robotik erarbeitet:

• Es wurde eine Architektur für den Einsatz von Reinforcement Learning im industriellen Bereich vorgestellt
• Unser Mühle-Demonstrator nutzt digitale Zwillinge für die Entkopplung der KI-basierten Komponenten von physischen Komponenten – insbesondere von Robotern
• Es wurde ein Bahnplanungsansatz für Roboter basierend auf Reinforcement Learning erarbeitet

Damit digitale Zwillinge wie auch andere datengetriebene Modelle die von der Industrie geforderte Genauigkeit und Qualität erreichen können, basieren die meisten KI-Systeme auf Deep Learning Algorithmen. Da diese Algorithmen jedoch eine enorme Trainingsdatenmenge – welche KMUs und andere Organisationen sich aus Zeit- und Kostengründen meist nicht leisten können – benötigen, wird der Einsatz solcher KI-basierter Systeme gehemmt. Auch öffentlich zugängige Datensätze sind oft zu klein, zu spezifisch oder in derer Klassenverteilung zu unausgeglichen, weshalb Virtual Sample Generators immer häufiger verwendet werden.

Dieses Toolkit versucht anhand von Expertenwissen synthetische Daten zu generieren, um das Trainieren dieser Modelle zu ermöglichen. Das Zusammenspiel zwischen Analysator und Generator soll die Generierung von realistischen Datensätzen gewährleisten:

• Der Analysator umfasst Funktionen, um die Datensatzanalyse – durch visuelle Darstellung der enthaltenen Daten und Features – zu erleichtern
• Der Generator basiert auf schrittweise ablaufende Algorithmen, wobei für jedes Feature separat festgelegt werden kann, welche Erzeugungsmethode verwendet und welche anderen Features dabei betrachtet werden sollten