Einsatz moderner, maschineller Lernverfahren zur Steigerung der Prognosefähigkeit und Prognosesicherheit von Struktursimulationen von Fräsrobotern
Konventionelle Industrieroboter werden aufgrund ihres Arbeitsraumes und ihrer geringen Investitionskosten im Vergleich zu konventionellen Werkzeugmaschinen zunehmend für Fräsanwendungen großer Werkstücke eingesetzt. Allerdings begrenzen statische Auslenkungen und dynamische Instabilitäten während des Fräsprozesses die Effizienz und Produktivität solcher roboterbasierter Frässysteme. Da die poseabhängigen dynamischen Eigenschaften der Industrieroboterstrukturen analytisch schwer zu modellieren sind, gewinnen Methoden des maschinellen Lernens immer mehr an Popularität, um Systemmodelle aus experimentellen Daten abzuleiten.
In aktuellen Forschungsarbeiten werden neuartige Algorithmen der Informationsfusion untersucht, um Simulationsdaten und experimentelle Daten gewinnbringend miteinander zu verbinden. Dieser Ansatz soll ein präzises Modell der positionsabhängigen Strukturdynamik des Roboters liefern. Zudem ermöglich dieser Ansatz die Reduktion an notwendigen Messdaten, die benötigt werden, um die Schwingungseigenschaften des Roboters für eine gewünschte Pose zu bestimmen.
Sicherheit in der cloud-basierten Datenverarbeitung von Werkzeugmaschinendaten
Im Zuge der so genannten vierten industriellen Revolution werden Produktionsanlagen und Produktionssysteme immer stärker vernetzt und in ihrer eigenen Intelligenz gesteigert. Hierdurch soll als Fernziel eine selbstorganisierte Produktion ermöglicht werden, sodass eine optimierte Wertschöpfungskette entsteht. Dies wird jedoch nur möglich, wenn die Produktionssysteme Daten austauschen und miteinander kommunizieren können. Neben einer internen Kommunikation (z. B. Intranet oder Fog) ist vor allem eine Kommunikation nach außen, beispielsweise mit einer Cloud, sinnvoll. Beispielweise könnten Werkzeugmaschinensteuerungen rechenintensive Berechnungen und eine fortlaufende Datenaggregation an ein externes Rechenzentrum auslagern. Haben zudem Entwickler*innen von Werkzeugmaschinen bzw. Komponenten Zugriff auf diese Daten, können sie diese nutzen, um die Maschine in der nächsten Generation hinsichtlich der Hardware oder der aktuellen Software zu optimieren. Gleichzeitig ergibt sich auch ein Mehrwert für die Maschinennutzer*ininen, die durch cloudbasierte Prozessanalysen unterstützt werden und damit ihre Produktivität steigern oder einen Komponentenausfall vorhersagen können.
Um diesen Regelkreis der Werkzeugmaschinenoptimierung zu schließen und umzusetzen, muss insbesondere das Vertrauen der Werkzeugmaschinenbetreibenden in den Datenschutz und die IT-Sicherheit gewährleistet sein. Um die Bereitschaft der Maschinenbetreibenden zu erhöhen, die zur Verfügung stehenden Sensor- oder Systemdaten an den Maschinenhersteller weiterzugeben, muss sichergestellt werden, dass keine sensiblen Informationen das Unternehmen verlassen. Das Forschungsprojekt „Anonymization4Optimization“ (zusammen mit dem Fraunhofer-Institut für Angewandte und Integrierte Sicherheit (AISEC)) adressiert dieses Spannungsfeld, indem die Daten noch im Unternehmen anonymisiert und anschließend verschlüsselt in die Cloud übertragen werden. Gleichzeitig müssen die anonymisierten Daten sinnvolle herstellerseitige Auswertungen erlauben.
Im Vorfeld wird dafür definiert, welche Daten als unsensibel, sensibel und kritisch anzusehen sind. Insbesondere technologisches Know-How des Maschinenbetreibers gilt es zu schützen. Hierbei muss auch die mögliche Rekonstruktion kritischer Daten aus unkritischen Daten betrachtet werden. Ein sachgerechter Umgang mit anonymisierten Daten und die Integrität der Funktionen in Cloud und Werkzeugmaschine sollen durch Security-Techniken nachvollziehbar attestiert werden. Dadurch kann sichergestellt werden, dass der Maschinenentwickler nützliche Daten erhält, welche für eine Optimierung, beispielsweise hinsichtlich des dynamischen Verhaltens, genutzt werden können. Für die Maschinenbetreibenden wird sichergestellt, dass ihre sensiblen Daten geschützt sind.
Busch, Maximilian; Schnoes, Florian; Elsharkawy, Amr; Zaeh, Michael F.: Methodology for model-based uncertainty quantification of the vibrational properties of machining robots. Robotics and Computer-Integrated Manufacturing 73, 2022, 102243 mehr…
Busch, Maximilian; Zaeh, Michael F.: Multi-Fidelity Information Fusion to Model the Position-Dependent Modal Properties of Milling Robots. Robotics 11 (1), 2022, 17 mehr…
2021
Giehl, Alexander; Heinl, Michael P.; Busch, Maximilian: Leveraging Edge Computing and Differential Privacy to Securely Enable Industrial Cloud Collaboration Along the Value Chain. 2021 IEEE 17th International Conference on Automation Science and Engineering (CASE), IEEE, 2021 mehr…
2020
Busch, Maximilian; Schnoes, Florian; Semm, Thomas; Zaeh, Michael F.; Obst, Birgit; Hartmann, Dirk: Probabilistic information fusion to model the pose-dependent dynamics of milling robots. Production Engineering 14 (4), 2020, 435-444 mehr…
2019
Busch, Maximilian; Kleinwort, Robin; Zaeh, Michael: Digital Twins of Machine Tools: How developers and users can profit from the virtual entity. In: Proceedings of the International Seminar on High Technology. , 2019 mehr…
Giehl, Alexander; Schneider, Peter; Busch, Maximilian; Schnoes, Florian; Kleinwort, Robin; Zaeh, Michael F.: Edge-computing enhanced privacy protection for industrial ecosystems in the context of SMEs. 2019 12th CMI Conference on Cybersecurity and Privacy (CMI), IEEE, 2019 mehr…
Giehl, Alexander; Schneider, Peter; Busch, Maximilian; Schnoes, Florian; Kleinwort, Robin; Zaeh, Michael F.: Edge-computing enhanced privacy protection for industrial ecosystems in the context of SMEs. 2019 12th CMI Conference on Cybersecurity and Privacy (CMI), IEEE, 2019 mehr…
