Demonstrator für Maschinelles Lernen II
Umsetzungsprojekt mit der Invensity GmbH
Die INVENSITY GmbH ist seit 2007 Technologiepartner für unterschiedliche Industriezweige, wie Systemtechnik, Analytics und Softwaretechnik. Dabei können die Tätigkeiten variieren, von der einfachen Beratung bis hin zur vollständigen Systemauslegung und Durchführung von Testläufen.
Das Ziel des gemeinsamen Umsetzungsprojektes mit den Experten des Mittelstand-Digital Zentrum Darmstadt liegt in der Schaffung einer Steuerung für einen Demonstrator auf Basis von CAD-Daten. Der sogenannte Ball-on-Plate-Demonstrator selbst ist dabei nicht das Produkt, sondern die daraus gewonnenen Erfahrungen und Vorgehensmodelle dienen der INVENSITY GmbH als Grundlage, um komplexere Projekte in Zukunft anzugehen, wie die Steuerung von Produktionsreihenfolgen oder Produktionsmaschinen.
Der Ball-on-Plate Versuch beschreibt einen Versuchsaufbau, bei der eine Platte über zwei Motoren rotiert werden kann. Auf dieser Platte liegt eine Kugel. Zu Beginn des Versuchs wird die Platte schräggestellt, sodass die Kugel in eine Richtung rollt. Das Ziel der Steuerung ist es, die Kugel möglichst schnell wieder in die Ruhelage und in die Mitte der Platte zu bewegen.
Final gebauter Ball-on-Plate Demonstrator
Die Steuerung sollte sich selbst trainieren und keinen klassischen PID-Regler einsetzen. Die vorhandene Grundlage dazu waren die gegebenen CAD-Daten, welche in Autodesk Fusion360 vorlagen. Leistungstests für die Simulationen innerhalb von Autodesk Fusion360 ergaben, dass diese nicht die notwendige Geschwindigkeit erreichen, um „Bestärkendes Lernen“ (reinforced learning) einzusetzen.
Daher haben die Experten des Kompetenzzentrums im Rahmen das Projektes einen Umweg gewählt. Mittels der Dateiformate URDF und SDF ist es möglich, Kinematiken und Geometrieinformationen aus CAD-Umgebungen zu exportieren und in expliziete Simulationsumgebungen, mit reduzierter Physiksimulationen zu importieren.
Der Vorteil solcher Simulationsumgebungen im Vergleich zu in CAD integrierter Software sind bessere Zugänge und schnellere Simulationen. Diese Vorteile werden generell durch reduzierte Simulationstiefe, sowie höherer Fehleranfälligkeit erkauft, sodass hierbei eine Abwägung, durch die Experten des Kompetenzzentrum und INVENSITY notwendig war.
Auf Basis der vorhandenen Softwareumgebung und verwendeten Programmiersprachen wurde das Tool PyBullet gewählt, um die Simulationen durchzuführen. Der Algorithmus zum Trainieren der Steuerung wurde aufgrund der gleichen Entscheidungsbasis gewählt und kam aus der Umgebung Tensorflow. Zunächst wurden einfachere Modelle exportiert, sodass alle Prozessschritte separat voneinander validiert werden konnten.
Im Rahmen des Projektes hat INVENSITY wertvolle Erfahrungen, etwa hinsichtlich von kinematischen Ketten, darüber gesammelt, wie Konstruktionen aufgebaut sein müssen, um diese später nutzen zu können, um geschwindigkeitsoptimierte Simulationen einsetzen zu können.