Selbstlernende cyber­physische Roboter­systeme

Selbstlernende cyberphysische Robotersysteme sollen den Weg hin zu einer wirtschaftlichen Montage auch in kleinen Losgrößen ebnen. Durch die Kombination erprobter Lösungen für die Steuerung von Robotern, fortschrittlicher Physiksimulation und Verfahren des Maschinellen Lernens wird dem Roboter in einer digitalen Umgebung antrainiert, Montageoperationen auszuführen. Ziel ist es, den benötigten Programmieraufwand drastisch zu reduzieren sowie den Roboter mit den passenden Fähigkeiten auszustatten, damit er sich prozesssicher an Unsicherheiten und Toleranzen anpassen kann.

Cyberphysische Robotersysteme zur Steigerung der Wirtschaftlichkeit

Die Roboterprogrammierung ist trotz zahlreicher Hilfsmittel, wie beispielweise intuitiver Programmier-Tools, insbesondere für die Produktion in kleinen Losgrößen eine erhebliche Hürde, um wirtschaftlich zu automatisieren. Oft überschreitet der dafür notwendige Aufwand bereits die rein manuelle Herstellung der Produkte. Methoden des Maschinellen Lernens sollen nun diese zeitaufwendige Roboterprogrammierung übernehmen.

Dafür kommt eine anwendungsfokussierte Kombination aus fortschrittlicher Physiksimulation, Bausteinen für die Robotersteuerung und Maschinellem Lernen zum Einsatz. Ausgewählte Lernalgorithmen trainieren den Roboter dabei auch auf alle Arten von Toleranzen und Ungenauigkeiten, die in der Realität vorkommen können. Ziel ist es, dem Roboter die flexible Montage beizubringen, um sich auch während der realen Prozessausführung an mögliche Abweichungen prozessicher anpassen zu können. Dabei stehen zunächst zwei typische Zielprozesse der Montage im Fokus:

• Klassischer Peg-in-Hole-Prozess
• Schaltschrankmontage

Projektablauf

Für die Entwicklung wurden die aus der Industrie kommenden Rahmenbedingungen der Prozessausführung und des Technologieeinsatzes im Rahmen des Early-Adopter-Programms kontinuierlich erfasst. Expert*innen der Zielprozesse Schaltschrankmontage und Peg-in-Hole (Stecken von Schrauben) beeinflussten dadurch mit ihren Anforderungen direkt die Erweiterung der Physiksimulation wie auch die Anpassung der Lernverfahren. Um die Realitätstreue der Simulation für die angestrebten Zielprozesse sicherzustellen, wurden spezialisierte Fügemodelle eingesetzt. Auch die Anforderungen an die entwickelten Modelle stammen direkt von den unterstützenden Industrieunternehmen. So beinhalten sie beispielsweise wichtige Eigenschaften der betrachteten Reihenklemmen und der Prozessausführung, die aus Spezifikations- und Anforderungsanalysen mit Herstellern (WAGO Kontakttechnik und Phoenix Contact) stammen. Ebenso sind typische Anforderungen aus der Montage von Schraubenverbindungen in die Definition des Lernsystems eingeflossen.

Projektnutzen

• Zukunftstechnologie für die intelligente, automatisierte Roboterprogrammierung
• Vollständige Offline-Programmmierung und zusätzliche Senkung der Programmierzeit bis zu 40 Prozent
• Kein notwendiges Roboter-Fachwissen dank selbstlernender Systeme
• Simulative Prozessuntersuchung vor der physischen Existenz des Fertigungssystems
• Aufwandsarme Bestimmung wirkender Kräfte bei der Montage von Schaltschrankklemmen

Beteiligte Industriepartner

• WAGO Kontakttechnik GmbH & Co. KG
• Phoenix Contact GmbH & Co. KG

Die Kooperation mit dem Fraunhofer IPA bietet uns die Chance Kundenprojekte mit einem hohen Individualisierungsgrad wirtschaftlich zu gestalten. Die Verknüpfung von unserem Produktwissen mit neuen Technologien in der roboterunterstützten Montage erfüllt die unterschiedlichen Anforderungen unserer Kunden an einen zukunftsfähigen Schaltschrankbau.

Wilhelm Rust, Produkt Development, WAGO Kontakttechnik GmbH & Co. KG

Leistungsangebote des Fraunhofer IPA

• Lernen von Fügealgorithmen für Ihre Bauteile
• Integration von KI-/ML-Skills in Montagerobotersysteme
• Machbarkeitsuntersuchungen für roboterbasierte Montageprozesse
• Roboter-Programmbibliothek pitasc