Ausgangslage:
Der Einsatz von Industrierobotern bietet, aufgrund ihrer außergewöhnlichen Flexibilität und Vielseitigkeit, ein großes wirtschaftliches Potenzial. Sie können beispielsweise als Fräsroboter für spanende Fertigungsprozesse eingesetzt werden. Im Vergleich zu herkömmlichen Fräs-Bearbeitungszentren sind Industrieroboter deutlich kostengünstiger und ermöglichen die Fräsbearbeitung großvolumiger Bauteile. Allerdings kann die geringe statische und dynamische Steifigkeit des Roboters dazu führen, dass dieser durch die wirkenden Prozesskräfte von der geplanten Bahn verdrängt wird. Ohne eine entsprechende Kompensation kann dies zu unzulässigen Formabweichungen am Bauteil führen.
Ziele:
Das Ziel des Forschungsprojekts ProKIRo ist es, die Arbeitsgenauigkeit von Fräsrobotern durch den Einsatz von modernen, statistischen Methoden des maschinellen Lernens und der Fusion von Informationen zu steigern. Um die Abdrängung des Roboters durch eine Kompensationssteuerung oder Prozessregelung erfolgreich zu minimieren, ist eine geeignete, korrekte Modellierung der Robotereigenschaften nötig. Die Modellierung der Robotereigenschaften hat signifikanten Einfluss auf die Güte der Prozessregelung und Kompensationssteuerung. Ziel ist es deshalb, zwei etablierte Modellierungsarten (physikalisch motivierte und datenbasierte Robotermodelle) zu fusionieren und statistisch abgesicherte Lernverfahren einzusetzen, um die Arbeitsgenauigkeit von Industrierobotern in der spanenden Fertigung bei gleichzeitiger Absicherung der Modellprognosen zu steigern.
Ablauf:
Zunächst wird ein geeigneter Versuchsstand aufgebaut, der alle nötigen Komponenten für spätere Anforderungen enthält. Zeitgleich zum Aufbau des Versuchsträgers wird damit begonnen, diesen zu befähigen, die auftretenden Prozesskräfte und die Abdrängung messtechnisch zu erfassen und die Messdaten zu verarbeiten. Die Abdrängung und die prozessinduzierten Kräfte sollen kontinuierlich durch roboterintegrierte Messtechnik detektiert werden. Die Funktionsfähigkeit wird durch Versuche sichergestellt. Die zur Entwicklung einer selbstlernenden Modellierungsplattform notwendigen Datensätze aus der Simulation und aus den Messdaten werden erzeugt bzw. erfasst. Diese beiden Informationsquellen werden mit stochastischen Informationsfusionsmechanismen verbunden. Auf Grundlage der Vorarbeiten wird eine agentenbasierte Kompensationssteuerung implementiert. Abschließend werden die Arbeitsergebnisse anhand von Fräsversuchen validiert.