Jan-Philipp Kaiser, M.Sc.

Cognitive abilities allow robots to learn and reason from their environment. The gained knowledge can then be incorporated into the robot’s actions which in turn affect the environment. Therefore, a cognitive robot is no longer a static system that performs actions based on a pre-defined set of rules but a complex entity that dynamically adjusts over time. With this, challenges arise for production systems that need to observe and ideally anticipate the cognitive robot’s behavior. Often, digital twins are employed to test and optimize production control systems. This paper presents a generic approach to characterize, model and simulate learning processes and formalized knowledge in hybrid production systems assuming different station types with learning effects. Thereby, quantitative and qualitative learning processes are mapped including knowledge sharing and transfer across entities. A modular and parameterizable design enables the adjustment to different use cases. Eventually, the model is instantiated as a digital twin of a real production system for product disassembly employing cognitive-autonomous robots among human operators and rigidly automated machines. The model shows great potential to be integrated into test beds for planning and control systems of cognitive factories.

Inspektionsprozesse werden im Remanufacturing auch heute noch vorwiegend manuell durchgeführt, da die Einschätzung des Qualitätszustands von rückläufigen Gebrauchtprodukten komplex und damit schwer zu automatisieren ist. Dies ist darauf zurückzuführen, dass Abnutzungsgrade, Deformationen und Schädigungen eine individuelle Bewertung des Gebrauchtprodukts nach sich ziehen und somit schwer standardisierbar sind. In diesem Beitrag werden die Anforderungen an ein System für die Bewältigung der Herausforderung der automatisierten Inspektion im Remanufacturing abgeleitet. Darauf aufbauend wird das Konzept einer Befundungsstation, welches diese Anforderungen erfüllt, präsentiert und Anwendungsfälle im Rahmen des von der CarlZeiss-Stiftung geförderten Forschungsprojekts „AgiProbot - Agiles Produktionssystem mittels mobiler, lernender Roboter mit Multisensorik bei ungewissen Produktspezifikationen“ vorgestellt.

Modern production systems face enormous challenges due to rising customer requirements resulting in complex production systems. The operational efficiency in the competitive industry is ensured by an adequate production control system that manages all operations in order to optimize key performance indicators. Currently, control systems are mostly based on static and model-based heuristics, requiring significant human domain knowledge and, hence, do not match the dynamic environment of manufacturing companies. Data-driven reinforcement learning (RL) showed compelling results in applications such as board and computer games as well as first production applications. This paper addresses the design of RL to create an adaptive production control system by the real-world example of order dispatching in a complex job shop. As RL algorithms are "black box" approaches, they inherently prohibit a comprehensive understanding. Furthermore, the experience with advanced RL algorithms is still limited to single successful applications, which limits the transferability of results. In this paper, we examine the performance of the state, action, and reward function RL design. When analyzing the results, we identify robust RL designs. This makes RL an advantageous control system for highly dynamic and complex production systems, mainly when domain knowledge is limited.

Eine Automatisierung der Inspektion im Remanufacturing bietet die Möglichkeit, Kostenpotenziale zu erschließen. Dies lässt sich mittels robotergeführter optischer Messsysteme erreichen. In diesem Beitrag werden bestehende Ansätze vorgestellt und Herausforderungen für View-Planning-Ansätze diskutiert, welche sich aus den Besonderheiten des Remanufacturing heraus ergeben. Gleichzeitig werden Lösungsansätze für diese Problemstellungen an einem beispielhaften Anwendungsfall aufgezeigt.