Praktische Umsetzung

Für den Praxistest wählte das Team der Centrale Supélec – Université Paris-Saclay einen „ArmPi FPV“-Lernroboter (Bild 1) aus. Dieses Modell verfügt über fünf Gelenke und einen Endeffektor (eine Klaue), die von insgesamt sechs Servomotoren angetrieben werden. Die Entwicklung eines digitalen Zwillings, der präzise genug für eine zuverlässige Fehlerdiagnose ist, stellte dabei eine besondere Herausforderung dar.

Zudem galt es, die Grenzen herkömmlicher Überwachungsansätze zu berücksichtigen. In der industriellen Praxis erfordert die Zustandsüberwachung mechanischer Lager häufig Sensoren direkt an den Komponenten. Bei großen Maschinen ist deren Integration jedoch oft aufgrund beengter Platzverhältnisse schwierig umzusetzen.

Um dieses Problem zu umgehen, nutzte das Team Daten auf Systemebene (die Bewegungsbahn des Endeffektors eines Roboters), um Fehler auf Komponentenebene (Probleme mit einzelnen Motoren) zu diagnostizieren. Der digitale Zwilling schließt dabei die Lücke zwischen dem, was beobachtet werden kann, und dem, was erkannt werden muss. Er wurde mit Simulink und Simscape Multibody (Bild 2) von Mathworks [2] erstellt und bildet ein hierarchisches Modell, das sowohl das Verhalten auf Komponenten- als auch auf Systemebene abbildet.

Prof. Z. Zeng und sein Team modellierten in Simulink sowohl die Motorsteuerungen als auch die PID-Regler mit experimentell abgestimmten Verstärkungsfaktoren. Darüber hinaus nutzten sie die Visualisierungsfunktionen von Simulink und entwickelten Schnittstellen, um Simulationsdaten mit den realen Werten des Roboters zu verknüpfen, sodass eine Echtzeitüberwachung möglich wurde (Bild 3).

Die ROS-Toolbox erwies sich als besonders wertvoll für die Verbindung mit der Roboterhardware. Sie automatisierte die Einrichtung von ROS und Python, was den Vorgang erheblich erleichterte. Für das KI-Modell untersuchte das Team zwei Ansätze zur Datenvorbereitung. Zunächst verwendeten sie Rohmessungen: die an die Motoren gesendeten Steuerbefehle und die daraus resultierenden Bewegungsmuster des Robotergreifers. Als Nächstes nutzten sie den digitalen Zwilling als Teil der Datenvorbereitung. Mithilfe der Simulation ließ sich vorhersagen, wie sich der Roboter bei jedem Befehl idealerweise bewegen sollte. Die Differenz zwischen dieser erwarteten Bewegung und der tatsächlich ausgeführten Bewegung erwies sich als besonders aussagekräftig für die Erkennung subtiler Fehler.

Zur Analyse trainierte das Team ein neuronales Netzwerk auf Basis von Long Short-Term Memory (LSTM) unter Verwendung der Deep Learning Toolbox, um charakteristische Fehlermuster zu identifizieren. Die Modellarchitektur umfasste zwei LSTM-Schichten mit jeweils 100 versteckten Einheiten, eine Drop-out-Schicht zwischen ihnen und eine vollständig verbundene Klassifizierungsschicht.

Zur Überwachung entwickelten die Forscher mit Matlab App Designer eine grafische Benutzeroberfläche, die Echtzeitdaten, wie Position, Spannung und Temperatur, jedes Motors erfasste. So konnten sie den Zustand des Roboters beobachten und die Vorhersagen ihrer Fehlerdiagnosemodelle validieren. Die nahtlose Integration der Tools erlaubte dem Team, sich auf die technischen Herausforderungen zu konzentrieren und so die Effizienz des gesamten Entwicklungsprozesses zu steigern.

Von kleinem Maßstab zur intelligenten Fabrik

Beim Testen des Modells auf dem realen Roboter zeigte sich die sogenannte „Realitätsschwelle“, also die Diskrepanz zwischen Simulation und realer Welt. Während das Fehlerdiagnosemodell in der Simulation eine Genauigkeit von 98 % erreichte, sank seine Leistung bei Tests am physischen Roboter auf etwa 60 %. Prof. Z. Zeng und sein Team identifizierten mehrere Ursachen für diese Abweichung, darunter eine eingeschränkte Kommunikationszuverlässigkeit, Motorgeräusche, die in der Simulation zunächst nicht berücksichtigt worden waren, sowie Synchronisationsprobleme zwischen Steuerbefehlen und Überwachungsaktivitäten. Um diese Lücke zu schließen, simulierte das Team reale Geräuschmuster im Digital Twin mit einem hinzugefügten Modul und nutzte Domänenanpassungstechniken beim Transferlernen. Dadurch stieg die Genauigkeit auf etwa 85 %.

Die Arbeit der Forscher ging über den Einsatz eines einzelnen Roboters hinaus. Sie entwickelten eine intelligente Mini-Fabrikumgebung, in der mehrere Roboter gemeinsam an einer Produktionslinie agierten. So konnten die entwickelten Fehlerdiagnosealgorithmen unter realitätsnäheren Bedingungen getestet werden.

Die praktischen Anwendungen dieser Forschung erstreckten sich auf die Fertigung, Lagerhaltung und weitere industrielle Umgebungen. So folgen Roboter in intelligenten Lagern vordefinierten Routen, müssen sich jedoch anpassen, wenn Hindernisse wie heruntergefallene Pakete auftreten. Digitale Zwillinge erleichterten die Echtzeitüberwachung jedes Roboters, sodass Routen effizient koordiniert und bei Bedarf angepasst werden können.

Darüber hinaus forschte das Team zu weiteren Anwendungsmöglichkeiten, darunter fehlertolerante Steuerungen, wie die Anpassung der Bewegung eines Roboters, wenn eine Komponente ausfällt. Auch eine zustandsbewusste Steuerung wurde entwickelt, die neben dem Energieverbrauch auch den Verschleißgrad und die verbleibende Lebensdauer jedes Motors bei der Optimierung von Trajektorien berücksichtigt.

Fazit

Diese Forschung zeigt, dass digitale Zwillinge die Lücke zwischen Simulation und Realität zunehmend schließen können, industrielle Prozesse effizienter gestalten und Fehler frühzeitig erkennen lassen. Zudem kombinieren sie moderne Software- und KI-Technologien, um Betriebsabläufe präzise zu überwachen und zu optimieren. Die Arbeit von Prof. Z. Zeng und seinem Team verdeutlicht, dass solche Ansätze weit über die reine Technik hinausreichen: Sie verbessern nicht nur industrielle Prozesse, sondern auch die Arbeitsbedingungen in der Produktion. Gleichzeitig verbinden sie wissenschaftliches Know-how mit praxisnaher Anwendung, fördern die Ausbildung künftiger Ingenieure und schaffen ein Umfeld, in dem Innovationen effizient erprobt und weiterentwickelt werden können.                                                                           (ih)

Literatur

1. Centrale Supélec – Université Paris-Saclay, Paris/Frankreich: www.centralesupelec.fr/universite-paris-saclay
2. Mathworks, München: https://de.mathworks.com