Kunstig intelligens (KI) er kanskje ikke et universalmiddel for de nåværende kravene til emballasjeindustrien, men når den brukes klokt, kan den forenkle og fremskynde prosessene betydelig. Som en pådriver for innovasjon har emballeringsmaskinprodusenten Schubert utforsket potensialet til KI i flere år og har utviklet nye teknologier for robotassisterte emballasjeløsninger.
Langs forsyningskjeden – fra råvaren til forbrukerproduktet klart for salg – diskuteres for tiden mange alternativer for å bruke KI til å forbedre prosesser. En tilnærming er robotpakkesystemet, ettersom roboter vanligvis styres av programmerte algoritmer som kan støttes eller til og med erstattes fullstendig av KI i fremtiden, avhengig av spesifikke krav. Det var hit Schubert gikk for flere år siden med sin forskning og utvikling av KI-applikasjoner. Ralf Schubert, Managing Partner i Gerhard Schubert GmbH, er solid forankret i maskinteknikk og er ansvarlig for den tekniske ledelsen av familiebedriften. For ham er emnet kunstig intelligens klart definert:
– Jeg ser muligheter for bruk av AI der programmeringen av algoritmer er for kompleks eller algoritmene er for trege.
Foto: Schubert
KI brukes i coboten for raskt å plukke usorterte varer
Schuberts tog cobot tog.519 er et eksempel på hvordan ḰI basert på nevrale nettverk sikrer enkel håndtering og høy fleksibilitet.
Coboten er designet for høyytelses plukkapplikasjoner med lette produkter helt opp til søppelplukking, det vil si å plukke usorterte varer fra en boks. Med opptil nitti sykluser i minuttet plukker tog.519 opp et bredt utvalg av sorterte eller usorterte produkter eller emballasjematerialer og plasserer dem på alle tenkelige destinasjoner – uten å måtte programmeres. Boksplukking er den desidert mest komplekse plukkoppgaven, siden usorterte produkter alltid oppfører seg annerledes. Hver gang må coboten finne ut hvilket produkt som er i topposisjonen og som best kan hentes.
Ralf Schubert forklarer hvordan dette fungerer:
– Vi bruker et bildebehandlingssystem støttet av KI som vi selv utviklet som grunnlag for å styre tog. 519. Den gjenkjenner både produktene når de hentes og miljøet der de skal plasseres.
– Et dyrt 3D-kamera trengs ikke til dette, et vanlig 2D-kamera er helt dekkende. Selv for skuffer, for her genererer KI ganske enkelt 3D-bildene som kreves for coboten fra de medfølgende kamerabildene. Dette lar coboten permanent «se» hva den gjør gjennom de genererte bildene. Dette eliminerer praktisk talt behovet for en lærings- eller oppstartsprosess i tilfelle en formatendring eller en ny oppgave på et annet sted. Når den er installert, vil coboten umiddelbart begynne å fungere.
Cobotens nevrale nettverk er så omfattende trent at roboten umiddelbart kan behandle nye produkter fra samme produktgruppe. Disse kan inkludere poser (poser, flowpacks, stand-up poser, forseglede poser osv.) i forskjellige størrelser eller flasker i forskjellige former og materialer.
– Vi trener et nettverk per produktklasse, forklarer Ralf Schubert.
Schubert-teamet konfigurerte toleransen for KI på en slik måte at forskjellige størrelser, materialer, overflater eller tykkelser aksepteres innenfor en produktgruppe.
– Hvis lignende prosesser ble programmert med konvensjonelle algoritmer, ville selv en annen farge vært problematisk med ellers identisk emballasje, sier Ralph Schubert og legger til at boksplukking derfor er en av applikasjonene i pakkeprosessen som ikke kan implementeres i praksis uten KI.
Trening med et generert bildedatasett
Å trene nevrale nettverk, dvs. maskinlæring, tar fortsatt tid. Generelt skilles det mellom veiledet læring og forsterkende læring. Begge typer trening er i hovedsak basert på et stort datasett med bilder, men de er ulike i hvordan de utføres.
– Med veiledet læring er resultatet av ønsket handling kjent og presist definerbart, forklarer Ralf Schubert, men ikke med forsterkende læring. Derfor må hvert bilde fra det veiledede læringsdatasettet være forhåndsmerket med et klart ja eller nei, mens et betydelig mindre antall bilder er tilstrekkelig for forsterkende læring, som heller ikke trenger å merkes.
– I dette tilfellet trener nettet mer eller mindre seg selv med en gjentatt syklus ved hjelp av et belønningssystem, men det må kunne oppfatte omgivelsene. Det betyr at kameraer og ulike sensorer må integreres i roboten, som kan gi tilbakemelding på aktuelle posisjoner til roboten, emballasjen og produktet.
God trening krever alltid et stort antall bilder som er kunstig generert på forhånd. Ralf Schubert beskriver hvordan dette fungerer for et cobot-nettverk:
– For en ny produktgruppe jobber vi for eksempel med 50 000 bilder som vi genererer over to dager. Nettverket trenes deretter internt i ytterligere to dager. Dersom tillegg til denne produktgruppen må trenes opp senere, for eksempel en helt annen emballasjeflate som ikke gjenkjennes, kan våre kunder gjøre dette selv på stedet med noen få bilder.
Mer fleksibilitet i produksjonen takket være raske formatendringer
Det trente nettverket i Schubert-coboten viser hvor raskt nye formater kan introduseres med forskjellige produkter uten å måtte omprogrammeres hver gang. Bildebehandling er nøkkelen til dette. Det sikrer at andre produkter, andre formater eller nye emballasjedetaljer kan behandles umiddelbart uten ekstra innsats. Takket være AI kan produksjonsendringer derfor gjennomføres effektivt og uten lang nedetid, enten det gjelder størrelsen og formen på produktene eller emballasjens format og materiale. Kunder som hele tiden må tilpasse sine pick & place-prosesser til markedsspesifikke krav kan derfor oppnå en meget høy grad av fleksibilitet i sin produksjon med flere cobots. De kan enten brukes individuelt på forskjellige prosesstrinn og steder eller settes opp som en linje.
Øker effektiviteten og sparer kostnader med optimaliserte robotbaner
Hos Schubert hjelper ḰI ikke bare coboten til å «se», men den hjelper også robotene i emballasjemaskinene til å følge bedre veier. Mer presist, til mer organiske bevegelsessekvenser, kalt Schubert Motion. Bak dette står et Schubert-team i Dresden, som har satt utviklingen av bevegelsesprogramvaren som sin første milepæl og allerede har oppnådd det i F2-roboten med serieproduksjon. Med den KI-kontrollerte programvaren kan bevegelsene til pakkerobotene optimaliseres for hastighet, betydelig vibrasjonsreduksjon og til og med energieffektivitet.
– Schubert Motion gjør oss i stand til å generere robotbanene ved hjelp av KI og forbedre dem deretter. Sammenlignet med menneskeprogrammerte robotbaner er disse bevegelsessekvensene opptil tjue prosent raskere, mer økonomiske når det gjelder energiforbruk og skånsommere for mekanikken, som utsettes for mindre belastning.
– For kundene har dette fordeler på flere plan. Pakkehastigheten øker, energiforbruket i maskinen reduseres og komponentene som inngår i emballasjesystemet er beskyttet. Alt dette har en positiv innvirkning på bærekraften til emballasjeprosessen og reduserer også driftskostnadene. Samtidig reduserer lavvibrasjonsdrift bakgrunnsstøy i produksjonen, noe som gjør arbeidet mer behagelig.
Fremtiden til KI ligger i å forenkle teknologien
Hos Schubert har KI så langt først og fremst blitt brukt i robotstyring, hvor det merkbart sikrer enklere håndtering, raskere og mer fleksible prosesser, større energieffektivitet og endelig lavere kostnader. Men det stopper neppe der. Ralf Schubert ser fremover og konkluderer:
– Enkelhet er og blir nøkkelen til fremtidens emballasjeteknologi. Det som kan være ekstremt interessant i denne sammenhengen er KI for programmering, problemløsning og kunnskapshåndtering, lik Chat GPT, men som Schubert GPT. En dag kan det til og med være mulig å snakke direkte til pakkemaskinen, slik du ville gjort med en bot.
