Artificiell intelligens (AI) kanske inte är ett universalmedel för de nuvarande kraven inom förpackningsindustrin, men när den används på ett klokt sätt kan den avsevärt förenkla och påskynda processer. Som en drivkraft för innovation har förpackningsmaskintillverkaren Schubert undersökt potentialen hos AI i flera år och har utvecklat nya teknologier för robotassisterade förpackningslösningar.
Längs leveranskedjan – från råvaran till konsumentprodukten färdig för försäljning – diskuteras för närvarande många alternativ för att använda AI för att förbättra processer. Ett tillvägagångssätt är det robotbaserade förpackningssystemet, eftersom robotar vanligtvis styrs av programmerade algoritmer som kan stödjas eller till och med helt ersättas av AI i framtiden, beroende på specifika krav. Det var här Schubert gick för flera år sedan med sin forskning och utveckling av AI-applikationer. Ralf Schubert, Managing Partner för Gerhard Schubert GmbH, är fast förankrad i maskinteknik och ansvarar för den tekniska ledningen av familjeföretaget. För honom är ämnet artificiell intelligens klart definierat:
– Jag ser möjligheter för användningen av AI varhelst programmeringen av algoritmer är för komplex eller algoritmerna är för långsamma.
Foto: Schubert
AI används i coboten för att snabbt plocka osorterade föremål
Schubert tog.519 cobot är ett exempel på hur AI baserad på neurala nätverk säkerställer enkel hantering och hög flexibilitet.
Coboten är designad för högpresterande plockningsapplikationer med lättviktsprodukter hela vägen fram till plockning av soptunnor, det vill säga att plocka osorterade föremål från en låda. Med upp till nittio cykler per minut plockar tog.519 en mängd olika sorterade eller osorterade produkter eller förpackningsmaterial och placerar dem på alla tänkbara destinationer – utan att behöva programmeras. Lådplockning är den absolut mest komplexa plockningsuppgiften, eftersom osorterade produkter alltid beter sig annorlunda. Varje gång måste coboten räkna ut vilken produkt som är i toppläget och kan plockas upp bäst.
Ralf Schubert förklarar hur detta fungerar:
– Vi använder ett bildbehandlingssystem med stöd av AI som vi själva utvecklat som grund för att styra tog. 519. Det känner igen både produkterna när de plockas upp och miljön där de ska placeras.
– En dyr 3D-kamera behövs inte för detta, en vanlig 2D-kamera är helt lagom. Även för plockning av fack, för här genererar AI helt enkelt de 3D-bilder som krävs för coboten från de medföljande kamerabilderna. Detta tillåter coboten att permanent ”se” vad den har att göra genom de genererade bilderna. Detta eliminerar praktiskt taget behovet av en inlärnings- eller startprocess i händelse av en formatändring eller en ny uppgift på en annan plats. När den väl är installerad börjar coboten omedelbart att fungera.
Cobotens neurala nätverk är så omfattande utbildat att roboten omedelbart kan bearbeta nya produkter från samma produktgrupp. Dessa kan inkludera påsar (påsar, flowpack, ståpåsar, förseglade påsar, etc.) i olika storlekar eller flaskor i olika former och material.
– Vi tränar ett nätverk per produktklass, förklarar Ralf Schubert.
Schubert-teamet konfigurerade toleransen för AI på ett sådant sätt att olika storlekar, material, ytor eller tjocklekar accepteras inom en produktgrupp.
– Om liknande processer programmerades med konventionella algoritmer skulle även en annan färg vara problematiskt med annars identiska förpackningar, säger Ralph Schubert och tillägger att lådplockning är därför en av applikationerna i förpackningsprocessen som inte kan implementeras i praktiken utan AI.
Träning med en genererad bilddatauppsättning
Att träna neurala nätverk, det vill säga maskininlärning, tar fortfarande tid. Generellt skiljer man mellan handledd lärande och förstärkningsinlärning. Båda typerna av träning är i huvudsak baserade på en stor datamängd av bilder, men de skiljer sig åt i hur de utförs.
– Med övervakad inlärning är resultatet av den önskade handlingen känt och exakt definierbart, förklarar Ralf Schubert, men inte med förstärkningsinlärning. Därför måste varje bild från datamängden för övervakat lärande i förväg förses med etiketter som innehåller ett tydligt ja eller nej, medan ett betydligt mindre antal bilder är tillräckligt för förstärkningsinlärning, som inte heller behöver märkas.
– I det här fallet tränar nätverket mer eller mindre sig själv med en upprepad cykel med hjälp av ett belöningssystem, men det måste kunna uppfatta sin omgivning. Det innebär att kameror och olika sensorer måste integreras i roboten, vilket kan ge feedback på nuvarande positioner för roboten, förpackningen och produkten.
Bra träning kräver alltid ett stort antal bilder som genereras artificiellt i förväg. Ralf Schubert beskriver hur detta fungerar för ett cobotnätverk:
– För en ny produktgrupp arbetar vi till exempel med 50 000 bilder som vi genererar under två dagar. Nätverket tränas sedan internt under ytterligare två dagar. Om tillägg till denna produktgrupp behöver utbildas senare, till exempel en helt annan förpackningsyta som inte känns igen, kan våra kunder göra detta själva på plats med några bilder.
Mer flexibilitet i produktionen tack vare snabba formatbyten
Det utbildade nätverket i Schubert-coboten visar hur snabbt nya format kan introduceras med olika produkter utan att behöva omprogrammeras varje gång. Bildbehandling är nyckeln till detta. Det säkerställer att andra produkter, olika format eller nya förpackningsuppgifter kan bearbetas omedelbart utan extra ansträngning. Tack vare AI kan produktionsbyten därför utföras effektivt och utan långa stillestånd, vare sig det gäller produkternas storlek och form eller förpackningens format och material. Kunder som hela tiden måste anpassa sina pick & place-processer till marknadsspecifika krav kan därför uppnå en mycket hög grad av flexibilitet i sin produktion med flera cobots. De kan antingen användas individuellt vid olika processteg och platser eller sättas upp som en linje.
Ökar effektiviteten och sparar kostnader med optimerade robotbanor
Hos Schubert hjälper AI inte bara coboten att ”se”, utan det hjälper också robotarna i förpackningsmaskinerna att följa bättre vägar. Mer exakt, till mer organiska rörelsesekvenser, kallade Schubert Motion. Bakom detta står ett Schubert-team i Dresden, som har satt utvecklingen av rörelsemjukvaran som sin första milstolpe och redan uppnått det i F2-roboten med serieproduktion. Med den AI-styrda programvaran kan förpackningsrobotarnas rörelser optimeras för hastighet, betydande vibrationsreduktion och till och med energieffektivitet.
– Schubert Motion gör det möjligt för oss att generera robotbanorna med hjälp av AI och förbättra dem därefter. Jämfört med programmerade robotbanor av människor är dessa rörelsesekvenser upp till tjugo procent snabbare, mer ekonomiska när det gäller energiförbrukning och skonsammare för mekaniken, som utsätts för mindre påfrestningar.
– För kunderna har detta fördelar på flera plan. Förpackningshastigheten ökar, energiförbrukningen i maskinen minskar och komponenterna som ingår i förpackningssystemet skyddas. Allt detta har en positiv inverkan på hållbarheten i förpackningsprocessen och minskar även driftskostnaderna. Samtidigt minskar lågvibrationsdrift bakgrundsljudet i produktionen, vilket gör arbetet behagligare.
Framtiden för AI ligger i att förenkla tekniken
Hos Schubert har AI hittills använts främst inom robotstyrning, där det märkbart säkerställer enklare hantering, snabbare och mer flexibla processer, större energieffektivitet och i slutändan lägre kostnader. Men det är osannolikt att det stannar där. Ralf Schubert blickar framåt och avslutar:
– Enkelhet är och kommer att förbli nyckeln till framtidens förpackningsteknik. Det som skulle kunna vara oerhört intressant i sammanhanget är AI för programmering, problemlösning och kunskapshantering, liknande Chat GPT, men som Schubert GPT. En dag kanske det till och med går att prata direkt med förpackningsmaskinen, som man skulle göra med en bot.
