24 Monate Festo Didactic Gewährleistung → www.festo-didactic.com 70 71 Lernfabrikbaukasten > Einzelwerkstückfluss > MPS 400 Stationen Kurzbeschreibung Der MPS 400 Systembaustein Sortieren Inline thematisiert unter anderem die Differenzierung unterschiedlicher Werkstücke durch die Kombination unterschiedlicher Sensortypen. Der Einsatz von Algorithmen aus dem Themengebiet Maschinelles Lernen in einem mit einer Kamera ausgerüsteten Kleinrechner ermöglicht Lernenden einen einfachen Einstieg in die praktische Anwendung künstlicher Intelligenz in der Produktion. Gleichzeitig bekommen Lernende ein gutes Verständnis für die Vorteile und Herausforderungen durch IIoT-Retrofitting bestehender Anlagen und der damit einhergehenden möglichen Erschließung neuer Geschäftsmodelle. Prozess Ein RFID-Schreib-/Lesegerät mit Höheneinstellung passt sich ankommenden Werkstücken an und liest deren Produktgedächtnis. Anschließend erfolgt die Erkennung von Farbe und Material des Werkstücks. Durch den Abgleich der Messwerte mit Daten aus RFID bzw. einem angeschlossenen MES sind Fehler bei Farbe und Material des Werkstücks detektierbar. Anschließend werden die Werkstücke entweder auf eine von zwei Rutschen sortiert oder an nachfolgende Stationen weitergegeben. Mit Hilfe einer Kamera überwacht ein IIoT-Gerät die beiden Rutschen. Ein Machine Learning Algorithmus auf einem Kleinrechner wertet die Bilder der Kamera aus und erkennt so die Anzahl der Werkstücke auf jeder Rutsche. MPS 400 Sortieren Inline Sensor-Kombinatorik und Maschinelles Lernen Lernfabrikbaukasten > Einzelwerkstückfluss > MPS 400 Stationen MPS 400 Sortieren Inline 8129438 Wesentliche Komponenten: MPS Station Sortieren Inline mit einem Modul Band und zwei Modulen Rutsche Modul Erkennen mit Reflexlichttaster, Lichtschranke und Induktivem Sensor IIoT-Retrofitting Modul mit Kamera und Machine Learning Algorithmus Sensor Kombinatorik Lernende setzen sich mit der Kombination und Auswertung verschiedener Sensortypen auseinander, hier Reflexlichttaster, Lichtschranke und induktivem Sensor. So erkennen sie, wie sich durch den kombinierten Einsatz der Sensoren Informationen gewinnen lassen, die kein Sensor einzeln erfassen könnte. Maschinelles Lernen Lernende erhalten einen leichten Einstieg in das komplexe Feld der Künstlichen Intelligenz und dessen praktischer Anwendung im Produktionsumfeld. Dabei lassen sich auch die Vor- und Nachteile sowie die typischen Schritte und Herausforderungen beim Nachrüsten bestehender Produktionsanlagen (IIoT-Retrofitting) vermitteln. Die zusätzlich gewonnenen Daten im Rahmen von IIoT-Retrofitting steigern die Qualität von Entscheidungen. Diese Verbesserungen durch Maschinelles Lernen zeigen auch Chancen für neue Geschäftsmodelle auf. Lerninhalte – Erkennen unterschiedlicher Werkstücke durch Kombinatorik verschiedener Sensortypen – IIoT-Retrofitting bestehender Industrieanlagen – Praktische Anwendung von Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML) in der Produktion – KI/ML gestützte Auswertung von Kamerabildern im Automatisierungsumfeld – Erschließung neuer Geschäftsmodelle durch IIoT-Retrofitting Empfohlenes Lernmaterial Courseware Gesamtübersicht → ab Seite 270 Zum Beispiel: eLearning Kurs – Einführung in die Industrie 4.0 – SPS-Programmierung eTheory Kurs – CIROS – Erste Schritte eLab Kurs – Grundlagen der SPS-Programmierung – SPS-Programmierung für Smarte Systeme – CIROS – Grundlagen der 3D-Simulation Lernerfolgskontrolle – Grundlagen der SPS-Programmierung – SPS-Programmierung für Smarte Systeme Benutzerhandbuch – CIROS – Installationsanleitung
RkJQdWJsaXNoZXIy MzE0OTAwNw==