Individualisierung eines Assistenzsystems

Assistenzsysteme in der manuellen Montage besitzen das Potenzial, Beschäftigte sowohl kognitiv als auch ergonomisch zu entlasten und gleichzeitig die Effizienz und Qualität der Montageprozesse zu verbessern. Aufgrund der zunehmenden Individualisierung von Produkten und der damit verbundenen steigenden Komplexität moderner Montageaufgaben gewinnen Assistenzsysteme zunehmend an Bedeutung. Jedoch fehlt es vielen Systemen an der notwendigen Flexibilität, um dynamisch zwischen unterschiedlichen Prozessvarianten zu wechseln oder auf unerwartete, dem System unbekannte Prozessschritte zu reagieren. Vor allem in variantenreichen Montage mit kleinen Losgrößen erfordern bestehende Systeme einen hohen manuellen Anpassungsaufwand. Darüber hinaus verfügen viele Assistenzsysteme nicht über die erforderliche stufenlose Dynamik, um sich in Echtzeit an die individuellen Fähigkeiten und Bedürfnisse der Beschäftigten anzupassen.

Vor dem dargestellten Hintergrund besteht daher die Notwendigkeit, ein adaptives Montageassistenzsystem zu entwickeln, das eine stufenlose und dynamische Unterstützung auf Grundlage der individuellen Leistungsfähigkeit der Beschäftigten bietet. So sollen die Anforderungen moderner Montageprozesse erfüllt werden, um langfristig sowohl die Produktivität als auch die Flexibilität in der industriellen Montage zu steigern.

Digitale Datenverarbeitung

Für die Entwicklung eines funktionsfähigen automatisierten Assistenzsystems ist eine standardisierte Datenbasis von entscheidender Bedeutung. Zu den erforderlichen Daten gehören insbesondere eine Stückliste der zu montierenden Bauteile inklusive ihrer Positionen und Orientierungen (Posen), Spezifikationen der einzelnen Bauteile, etwa im ECLASS-Format, sowie Informationen über die Außengeometrien der Bauteile in einem CAD-Format. Zur Verarbeitung und Verknüpfung dieser Daten wird ein Clustering-Algorithmus eingesetzt, der die Bauteile auf Basis der ECLASS- und CAD-Informationen kategorisiert und montagerelevante Attribute, wie beispielsweise das benötigte Montageverfahren, für jedes Bauteil generiert. Darüber hinaus ermittelt der entwickelte Algorithmus anhand der Stückliste und des CAD-Modells der Gesamtbaugruppe die jeweilige Position und Orientierung der Einzelbauteile. Auf dieser Grundlage erstellt ein trainierter Machine-Learning-Algorithmus mithilfe der Kategorisierung, der Attribute und der Pose-Informationen eine optimale Montagereihenfolge.

Für die Darstellung der Montageanweisungen kommen sowohl Natural Language Processing (NLP) als auch automatisch generierte Renderings der Bauteile zum Einsatz. In Kombination mit den montagerelevanten Attributen und einer Datenbank gelabelter Piktogramme ermöglicht das System, neben den automatisch erstellten textuellen Anweisungen auch eine visuelle Erklärung der Montageschritte zu erzeugen.

Montagefortschritte automatisch erkennen

Um einen durchgängigen Montageprozess ohne manuelles Quittieren der abgeschlossenen Schritte zu gewährleisten, ist das System mit Sensoren und Kameras ausgestattet, die den Montageprozess kontinuierlich überwachen. Basierend auf den Informationen über die Außengeometrien und den abgeleiteten Posen der einzelnen Bauteile kann das System den aktuellen Montageschritt erkennen und entsprechend evaluieren. Die Sensoren gleichen die Ist-Position des montierten Bauteils mit der Soll-Position ab, während die Kamera die Merkmale des montierten Bauteils mit dem synthetisch erzeugten digitalen Abbild vergleicht, um zu überprüfen, ob das korrekte Bauteil montiert wurde. Das Feedback zum abgeschlossenen Montageschritt wird der montierenden Person visuell auf dem Bildschirm angezeigt. Ist der Montageschritt korrekt, erfolgt automatisch die Visualisierung des nächsten Schrittes.

Individualisierte Assistenz

Um eine Individualisierung des Montageprozesses zu ermöglichen, werden alle Montageschritte in einer Log-Datei erfasst. Diese enthält Informationen zum montierten Bauteil und zur Baugruppe, die benötigte Zeit, die Fehlerrate, die Art des Fehlers sowie eine anonyme Kennung der Beschäftigten. Auf Basis der digitalen Produktdaten und den aufgenommenen Montagedaten wird eine KI-basierte, stufenlose Anweisungsadaption entwickelt. Diese analysiert und clustert die gesammelten Daten der ausgeführten Montageschritte. Das Ergebnis dieser Analyse ermöglicht es dem System, den Detailgrad der Anweisungen automatisch anzupassen, sodass die Beschäftigten optimal unterstützt werden, ohne eine Übersättigung oder einen Informationsmangel zu erfahren. Zusätzlich können die Beschäftigten zu jedem Montageschritt Feedback geben, das ebenfalls in die dynamische, stufenlose Anpassung der Anweisungen einfließt und individuell auf die Bedürfnisse und Fähigkeiten der Beschäftigten abgestimmt wird.

Jonas Viehöver M. Sc., Prof. Dr.-Ing. Bernd Kuhlenkötter, Lehrstuhl für Produktionssysteme