Maskinlæringsalgoritmer kalibrerer CNC-maskine 30 gange hurtigere end et menneske
more_vert
close
close

Vores nyhedsbreve

close
Ved at tilmelde dig accepterer du vores Brugerbetingelser, og at Mediehuset Ingeniøren og IDA-gruppen lejlighedsvis kan kontakte dig om arrangementer, analyser, nyheder, tilbud mm via telefon, SMS og email. I nyhedsbreve og mails fra Mediehuset Ingeniøren kan findes markedsføring fra samarbejdspartnere.

Maskinlæringsalgoritmer kalibrerer CNC-maskine 30 gange hurtigere end et menneske

CNC-bearbejdningscentre har i mange år været en fast del af mange industrivirksomheders maskinpark. Nu håber Siemens at kunne gøre kalibringen af den slags maskiner hurtigere og billigere via maskinlæring. Illustration: Morten Vittrup Lund

Et nyligt maskinlæringspilotprojekt demonstrerer meget godt såvel potentialet som udfordringerne ved at anvende kunstig intelligens – også kendt som AI – på fabriksgulvet.

I projektet har Siemens og den amerikanske AI-virksomhed Bonsai arbejdet sammen om at udvikle algoritmer, der automatisk kan kalibrere CNC-maskiner via såkaldt reinforcement deep learning – det er den metodik, der kan lære en computer at spille Atari eller AlphaGo.

Ifølge Bonsai og Siemens er det lykkedes at udvikle og træne fem sæt AI-netværk – hver især bestående af en række algoritmer – som i en test på the Commonwealth Center for Advanced Manufacturing (CCAM) i Virginia, USA, kunne kalibrere en CNC-drejebænk 30 gange hurtigere end en menneskelig operatør og med en fejlmargen på under 2 my pr. 1-4 iterationer.

Til gengæld tog det seks måneder at nå dertil. Hvilket er en understregning af, at udviklingen af den slags algoritmer stadig er forbundet med både rigtig meget benarbejde og rigtig mange timers træning med rigtig mange datasæt.

Oplæringen brydes ned i undervisningsmoduler

Moderne CNC-maskiner er en fundamental teknologi i mange produktionsvirksomheder, hvor semi- eller fuldautomatisk bearbejdning er afgørende for lønsomheden. Men for at sikre en konsistent bearbejdningskvalitet er det nødvendigt at kalibrere maskinerne med jævne mellemrum.

Det kræver ofte en særindkaldt ekspert og dyr nedetid, mens kalibreringen står på, og derfor har Siemens – med varierende held – forsøgt at automatisere processen.

Det var baggrunden for samarbejdet med Bonsai, som er en AI-iværksætter baseret i Berkeley, Californien. Bonsai har specialiseret sig i AI-løsninger baseret på førnævnte deep reinforcement learning, hvor man træner neurale netværk i at opnå et bestemt mål – det kendes blandt andet fra DeepMinds meget omtalte Alpha Go-program, der lærer sig selv at spille skak og andre avancerede spil.

I Bonsai-teknologiens tilfælde bliver oplæringen brudt ned i mindre moduler, hvor hvert ‘undervisningsmodul’ – indeholdende en række af CNC-maskinens parametre og handlinger – kodes ind via programmeringssprogene Python eller SQL. Koden danner herefter udgangspunktet for udviklingen af såkaldte BRAIN-netværk (Basic Recurrent Artificial Intelligence Network), der hver især rummer en lang række algoritmer.

En teknologi i rivende udvikling

I pilotprojektet drejede det sig om i alt fem BRAIN-netværk, som blev oplært i et MATLAB/Simulink-simuleringsmiljø, indtil de havde opnået tilfredsstillende resultater. Herefter blev al læring overført til den pågældende CNC-maskine via et API-interface.

Ifølge Siemens håber man at kunne anvende teknologien til at lade koncernens CNC-eksperter arbejde med maskinlæring, uden at de behøver være eksperter i deep learning.

Brugen af deep learning-netværk i kunstig intelligens er i rivende udvikling. Sidste år vakte det opsigt, da DeepMinds AlphaGo lærte sig selv at spille tre spil – skak, go og shogi – på bare ét døgn.