Integration Künstlicher Intelligenz und Digitaler Zwillinge für adaptive Systeme

Digitale Zwillinge ermöglichen die Verbesserung industrieller Prozesse über den gesamten Lebenszyklus vom Entwurf, über die Produktion bis zum Betrieb der Produkte. Dabei werden Daten und Modelle, reale und virtuelle Instanzen bidirektional verkoppelt. In diesem Beitrag werden Möglichkeiten diskutiert, über numerische Optimierungsverfahren hinaus Methoden der Künstlichen Intelligenz zu nutzen, um mechatronische und robotische Systeme in Entwurf und Betrieb zu optimieren. Diese werden anhand zweier Beispiele aus der Bahnplanung und Regelung von Robotern illustriert: Zum einen kann die dynamische Adaption von Robotertrajektorien bei der Konfrontation mit beweglichen Hindernissen die Einsetzbarkeit auf eine Umgebung mit weiteren Robotern oder Menschen erweitern. Hier ist die Verbindung von Modellen mit Daten zur Kollisionserkennung durch ein Trackingsystem entscheidend. Zum anderen wird gezeigt, wie mittels Reinforcement Learning ein effizienter Trainingsprozess für eine gemeinsame Trajektorienplanung kollaborative Roboter realisiert wird, wodurch ein Einsatz in der präzisen Montage von Bauteilen ermöglicht wird.