Wie entsteht das Gefühl von Produktsicherheit im Zeitalter der Industrie 5.0?

Die Integration moderner Technologien in industrielle Systeme erfordert eine umfassende Betrachtung der Wechselwirkungen zwischen Technologie, Aufgaben, Kultur, Struktur, Macht, Strategie, Regulierung, Gesellschaft und Märkten. Diese komplexen Dynamiken können nur durch fortschreitende Digitalisierung und insbesondere durch den Einsatz Künstlicher Intelligenz (KI) ökonomisch effizient verarbeitet werden. KI-gestützte Systeme, wie Bildanalysealgorithmen in der Qualitätssicherung oder große Sprachmodelle zur Analyse und Gestaltung von Prozessanweisungen, ermöglichen eine tiefgehende Verknüpfung globaler Trends mit lokalen Realitäten. Doch mit der zunehmenden Abhängigkeit von IT-Infrastrukturen wachsen auch die Anforderungen an das Sicherheitsmanagement und integrierte Managementsysteme (IMS), da Cybersecurity-Risiken ansteigen. Dabei ist es entscheidend, KI nicht nur zur Standardisierung und Bürokratisierung von Entscheidungsprozessen einzusetzen, sondern auch menschliches Fachwissen und soziale Interaktionen zu fördern, um Entfremdung entgegenzuwirken.

Im Kontext von Industrie 5.0 stehen insbesondere die sogenannten Cobots im Fokus, also kollaborative Roboter, die gemeinsam mit Menschen arbeiten. Diese erfordern nicht nur objektive Produktsicherheit, sondern müssen auch ein subjektives Gefühl von Sicherheit bei den Mitarbeitenden erzeugen. Hier zeigt sich die Relevanz des Begriffs der „wahrgenommenen Produktsicherheit“ aus individueller Perspektive. Während Ingenieure Sicherheit primär objektiv über akzeptierte und berechnete Risiken definieren, ist die tatsächliche Nutzung eines Produktes stark davon abhängig, ob der Nutzer sich sicher fühlt.

Das Gefühl von Sicherheit basiert auf der Erfüllung grundlegender menschlicher Bedürfnisse, wie sie Maslows Bedürfnishierarchie beschreibt: physiologische Bedürfnisse, Sicherheit, soziale Bindungen, Selbstwert und Selbstverwirklichung. Diese psychologischen Dimensionen gewinnen vor dem Hintergrund der Zusammenarbeit mit Cobots an Bedeutung, da die Interaktion von Mensch und Roboter nicht nur technisch sicher sein muss, sondern auch vertrauenswürdig und komfortabel erscheinen soll.

Zur systematischen Erfassung und Gestaltung von wahrgenommener Sicherheit wurden Modelle entwickelt, die zahlreiche Einflussfaktoren und deren Wechselwirkungen berücksichtigen. Ein Beispiel ist ein Modell aus dem Bereich des autonomen Fahrens der Stufe 3, das 17 Einflussfaktoren auf die wahrgenommene Sicherheit von Fahrzeuginsassen identifiziert und in fünf Kategorien zusammenfasst: Kontrolle, Schutzgefühl, Messungen, externe Einflüsse und Körperhaltung des Fahrers.

Die Kategorie „Kontrolle“ umfasst Faktoren wie die Mensch-Maschine-Schnittstelle (HMI) und Fahrerassistenzsysteme (ADAS), die für die Kommunikation und Sicherheit entscheidend sind. Hierbei spielen akustische, haptische und visuelle Elemente eine zentrale Rolle, da sie das Sicherheitsgefühl beeinflussen. Die „Körperhaltung“ berücksichtigt sowohl objektive Maße wie Anthropometrie und Bewegungsfreiheit als auch subjektive Komfortempfindungen, die durch individuell einstellbare Sitze verbessert werden können.

„Messungen“ beziehen sich auf haptische Reize, Gerüche, Beleuchtung sowie Schallwahrnehmungen, die alle die Qualität und das Sicherheitsgefühl beeinflussen können. „Externe Einflüsse“ umfassen Umweltbedingungen wie Temperatur und Luftfeuchtigkeit, deren optimale Einstellung für subjektives Wohlbefinden wichtig ist. Das „Schutzgefühl“ umfasst den wahrgenommenen Raum und das Feedback der Bedienelemente, die das Sicherheitsgefühl stärken.

Diese Faktoren wirken nicht isoliert, sondern interagieren miteinander, wodurch sie sich gegenseitig verstärken oder abschwächen können. Die objektive Messung der Faktoren erfolgt etwa durch Sensorik, während subjektive Eindrücke über Befragungen erfasst werden. Ziel ist es, durch diese multidimensionale Betrachtung nicht nur die technische Sicherheit zu garantieren, sondern auch die Akzeptanz und das Vertrauen der Nutzer zu fördern.

Damit die Transformation zur Industrie 5.0 erfolgreich verläuft, ist es unerlässlich, das Zusammenspiel von Mensch und Technologie ganzheitlich zu verstehen und zu gestalten. Die Entwicklung von Systemen, die nicht nur objektiv sicher sind, sondern auch subjektiv als sicher wahrgenommen werden, ist zentral. Hierbei muss berücksichtigt werden, dass Sicherheitsempfinden individuell unterschiedlich ist und von einer Vielzahl von physischen, psychologischen und sozialen Faktoren beeinflusst wird.

Die Akzeptanz von KI und Cobots wird maßgeblich davon abhängen, wie gut es gelingt, diese subjektiven Sicherheitsaspekte in der Produktentwicklung, der Arbeitsplatzgestaltung und der Sicherheitskultur zu integrieren. Nur durch eine Balance von technischer Präzision und menschlicher Erfahrung kann die Symbiose von Mensch und Maschine gelingen, die Industrie 5.0 verspricht.

Wie können Convolutional Neural Networks in der optischen Inspektion der Holz-Gabelproduktion eingesetzt werden?

Der Produktionsprozess von Holz-Gabeln ist je nach Hersteller und Art des Bestecks unterschiedlich, lässt sich jedoch grundsätzlich in mehrere Hauptschritte unterteilen. Zunächst werden aus Holzblöcken glatte und saubere Holzfurniere mittels eines Rotationsverfahrens geschnitten, wobei auch unregelmäßige Rinden entfernt werden. Anschließend werden die Furniere gestanzt, um die Grunddimensionen der Gabel zu erhalten, die dann in die richtige Form gefräst werden. Besonders relevant sind hier die Zinken der Gabeln, die während des Fräsens präzise bearbeitet werden müssen, um keine scharfen Kanten oder Fransen zu hinterlassen. Nach der Fräsbearbeitung werden die Gabeln poliert, um das Risiko von Ausfransungen oder scharfen Kanten zu minimieren. Nach einer Zwischentrocknung erfolgt das Heißpressen, um die gewünschte Form zu erzielen, und eine abschließende Beschichtung mit lebensmittelechten Materialien schützt vor Feuchtigkeit und erhöht die Haltbarkeit des Produkts.

Um diese Fehler zuverlässig zu erkennen, wurden für diese Fallstudie 673 Bilder von Holz-Gabeln aufgenommen, wobei 401 Gabeln als fehlerfrei und 273 als defekt gekennzeichnet wurden. Die Bilder wurden unter konstanten Bedingungen in einem speziell entwickelten Testaufbau aufgenommen, der eine gleichmäßige Beleuchtung gewährleistet und eine starke Kontrastwirkung zwischen den Gabeln und dem Hintergrund erzeugt, was die Erkennung von Defekten erleichtert. Diese Bilder dienten als Grundlage für die Entwicklung eines AI-Modells, das mit Hilfe eines Convolutional Neural Networks (CNN) trainiert wurde.

Die vier wichtigsten Fehlerarten, die im Rahmen der Fallstudie identifiziert wurden, sind brüchige Zinken und Griffe, ausgefranste Kanten, natürliche Löcher im Holz sowie verbrannte Oberflächen, die durch fehlerhafte Temperaturbehandlung beim Heißpressen entstehen. Diese Defekte können durch gezielte Bildverarbeitung und die Anwendung eines trainierten CNNs in Echtzeit erkannt werden. Ein solcher automatisierter Inspektionsprozess ist nicht nur effizient, sondern auch wesentlich präziser als manuelle Inspektionen. Durch die frühzeitige Identifikation von Fehlern können Produktionsparameter in Echtzeit angepasst werden, um die Qualität der gefertigten Gabeln zu optimieren und die Wahrscheinlichkeit von sicherheitskritischen Mängeln zu minimieren.

Neben der praktischen Anwendung von CNNs zur Fehlererkennung spielt auch die Qualität und Menge der verwendeten Daten eine entscheidende Rolle für den Erfolg eines solchen Modells. Die Daten müssen nicht nur fehlerhafte und fehlerfreie Beispiele umfassen, sondern auch eine ausreichende Varianz in den aufgenommenen Bildern aufweisen, um eine breite Generalisierbarkeit des Modells zu gewährleisten. Dabei sind nicht nur die Bilder selbst von Bedeutung, sondern auch die Vorverarbeitung der Rohdaten, die Auswahl der richtigen Modellarchitektur und die Wahl der geeigneten Hyperparameter während des Trainingsprozesses.

Wichtig ist, dass der Erfolg eines CNN-Modells nicht nur von der Qualität der Daten abhängt, sondern auch von der kontinuierlichen Anpassung und Verbesserung des Modells im laufenden Betrieb. In der Praxis bedeutet dies, dass ein System, das einmal trainiert wurde, kontinuierlich überwacht und bei Bedarf mit neuen Daten und verbesserten Modellen nachtrainiert werden muss, um eine langfristige Fehlererkennung zu gewährleisten.

Wie die dynamische Rekonfiguration und Simulation die Zuverlässigkeit in automatisierten Systemen sichern

Trotz dieser Vorteile stellt die spezialisierte Funktionalität der ECUs eine Herausforderung dar, da die Geräte innerhalb einer Zone mehrere Aufgaben gleichzeitig übernehmen müssen, was die Komplexität der Systeme erhöht. Besonders kritisch wird dies bei sicherheitsrelevanten Systemen, die über mehrere Zonen hinweg arbeiten und eine nahtlose Kommunikation und Ressourcennutzung sicherstellen müssen. Die Integration von Sicherheitsfunktionen über Zonen hinweg stellt dabei eine der größten technischen Herausforderungen dar.

Ein weiteres Schlüsselmerkmal moderner Fahrzeugarchitekturen ist die Fähigkeit zur dynamischen Rekonfiguration. Hierbei handelt es sich um die Fähigkeit von ECUs, ihre Aufgaben und Funktionen in Echtzeit anzupassen, um auf Fehler oder Störungen zu reagieren und den Betrieb des Systems ohne Ausfälle fortzusetzen. Diese Fähigkeit wird besonders in fehlerresistenten Systemen benötigt, bei denen der Betrieb auch nach dem Ausfall eines kritischen Teils weiter gewährleistet sein muss. In einem vollständig automatisierten Fahrzeug, das die Kontrolle über sicherheitskritische Funktionen übernimmt, ist diese Eigenschaft unerlässlich, um eine kontinuierliche und sichere Fahrt ohne menschliche Intervention zu ermöglichen.

Dynamische Rekonfiguration wird sowohl durch hardware- als auch softwarebasierte Anpassungen realisiert, die es den ECUs ermöglichen, Aufgaben oder Funktionen zwischen redundanten Komponenten zu verteilen. Ein typisches Beispiel findet sich in der Bremse- und Lenkkontrolle eines Fahrzeugs, wo mehrere ECUs zusammenarbeiten. Fällt eine der ECUs aus, übernimmt eine weitere, die sich im Bereitschaftsmodus befindet, deren Aufgaben. Diese Art der Rekonfiguration ist ein entscheidender Schritt hin zu selbständigen und sicheren Fahrzeugen der Zukunft.

Zudem ist es notwendig, dass die Reaktionszeit auf einen Ausfall kürzer ist als die Ausfalltoleranzzeit (Failure Tolerance Time Interval, FTTI), um gefährliche Ereignisse zu vermeiden. Diese Anforderungen sind in internationalen Normen wie der ISO 26262 festgelegt und stellen sicher, dass kritische Systeme wie Bremsen und Lenkung auch im Falle eines Teilausfalls weiter funktionsfähig bleiben.

Simulationen spielen auch eine zentrale Rolle in der Wartungsplanung von Fahrzeugen, insbesondere bei Systemen, die aus mehreren interagierenden Komponenten bestehen. Sie können helfen, Schwachstellen zu identifizieren, bei deren Verbesserung die Zuverlässigkeit des Systems erhöht werden kann. Auch für komplexe Wartungsstrategien für reparierbare Systeme bieten Simulationen wertvolle Einblicke. So können beispielsweise Sensordaten integriert werden, um digitale Zwillinge für die Echtzeitüberwachung der Systemgesundheit zu schaffen. Diese Modelle ermöglichen eine vorausschauende Wartung, bei der potenzielle Ausfälle frühzeitig erkannt und behoben werden können, bevor sie zu größeren Problemen führen.

Die Fähigkeit, durch dynamische Rekonfiguration und fortgeschrittene Simulationstechniken sicherzustellen, dass selbst bei Fehlern der Betrieb fortgesetzt werden kann, ist ein entscheidendes Element der modernen Fahrzeugtechnik. In Zukunft wird es zunehmend notwendig sein, solche Systeme zu entwickeln, die selbst bei schwerwiegenden Fehlern weiterarbeiten können, ohne die Sicherheit und Funktionalität des Fahrzeugs zu beeinträchtigen.

Wie moderne Modelle das Fahrverhalten im Straßenverkehr beschreiben: Von konstanten Zeitlücken zu komplexen Fahrzeug- und Fußgängerdynamiken

Mit dem Aufkommen neuerer Modelle in den 1990er Jahren hat sich das Verständnis von Fahrzeugverhalten im Straßenverkehr weiterentwickelt. Ein wichtiger Bestandteil dieser Entwicklung waren nichtlineare Modelle, die die Dynamik des Fahrverhaltens realistischer abbildeten. Diese Modelle, die als „Optimal Velocity“-Modelle (OV-Modelle) bekannt wurden, basieren auf einer nichtlinearen Gleichgewichtsgeschwindigkeitsfunktion, die von der Entfernung zum vorausfahrenden Fahrzeug abhängt. Ein bahnbrechendes Beispiel für diese Art von Modell stammt aus den frühen Arbeiten von Reuschel, Chandler und Newell, die erstmals die Idee einer Geschwindigkeitsfunktion einführten. Trotz des irreführenden Begriffs „Optimal Velocity“, der den Eindruck einer Optimierung vermittelt, handelt es sich eher um eine beschreibende Funktion, die das Fahrverhalten in Relation zum Abstand und der Geschwindigkeit des vorausfahrenden Fahrzeugs modelliert. Diese Modelle wurden weiterentwickelt und beinhalten unter anderem den Ansatz von Bando et al., bei dem eine sigmoidal-arc-tangente Funktion als Grundlage verwendet wird. Auch neuere Varianten wie das Full Velocity Difference (FVD) Modell, das von Jiang et al. entwickelt wurde, betrachten neben dem Abstand auch die Geschwindigkeitsdifferenz zum Vordermann.

Der Übergang von den einfacheren klassischen Modellen zu den komplexeren OV-Modellen wurde durch Simulationsergebnisse angestoßen, die zeigten, dass Stop-and-Go-Wellen im stationären Zustand realistisch abgebildet werden konnten. Dies ermöglichte eine genauere Vorhersage von Verkehrsstörungen und eröffnete die Möglichkeit zur Modellierung und Kontrolle von Staus und Stop-and-Go-Dynamiken. Die mathematische Analyse dieser Modelle brachte wichtige Erkenntnisse, wie etwa die notwendige Reaktionszeit, die im Verhältnis zur Zeitlücke stehen muss, um stabile Verkehrsströme zu gewährleisten.

Der Bereich der Fußgängerdynamik stellt eine zusätzliche Herausforderung dar, da Fußgänger nicht auf festen Bahnen bewegen und somit in zwei Dimensionen agieren. Daher müssen Fußgängermodelle eine Vielzahl von Variablen berücksichtigen, die mit den Positionen und Geschwindigkeiten der umgebenden Fußgänger interagieren. In Gegensatz zu Fahrzeugmodellen, die häufig nur die Nachbarn in einer Dimension berücksichtigen, interagieren Fußgänger in zwei Dimensionen, was die Komplexität ihrer Modellierung erhöht. Interaktionen zwischen Fußgängern basieren auf Faktoren wie dem Abstand, der Geschwindigkeitsdifferenz und sicherheitsrelevanten Variablen wie der Zeit bis zum Zusammenstoß (TTC). Pionierarbeiten im Bereich der Fußgängermodelle umfassen die soziale Kraft, ein Konzept, das ursprünglich in der sozialen Psychologie von Lewin entwickelt wurde und später auf die Modellierung des Fußgängerverhaltens angewendet wurde.

Force-based Modelle, wie das Social Force-Modell, beschreiben die Fußgängerdynamik durch die Superposition von verschiedenen Kräfte, die zwischen Fußgängern in der Umgebung wirken. Diese Kräfte umfassen Anziehungs- und Abstoßungskräfte sowie Kräfte zur Ausrichtung der Geschwindigkeit. Später wurde das Konzept der sozialen Kräfte durch Modelle wie das Centrifugal Force-Modell und das Generalised Centrifugal Force-Modell erweitert, die die Reichweite der Interaktionen vergrößern und das Verhalten realistischer abbilden.

Zusätzlich zu den mechanischen Aspekten der Interaktionen zwischen Fahrzeugen und Fußgängern spielen zunehmend auch die psychologischen und sozialen Faktoren eine Rolle. Wie reagieren Fahrer oder Fußgänger auf Veränderungen im Verkehrsgeschehen oder auf plötzlich auftretende Gefahren? Diese Fragen sind entscheidend, wenn es darum geht, die Dynamik des Straßenverkehrs nicht nur physikalisch zu verstehen, sondern auch in menschliche Verhaltensmuster zu integrieren. Weiterhin müssen die Modelle in der Lage sein, unterschiedliche Szenarien wie Notfälle oder unvorhersehbare Ereignisse zu berücksichtigen, was die Notwendigkeit für eine kontinuierliche Verbesserung und Anpassung der Verkehrsmodelle verdeutlicht.