Praxisbeispiel: Teachpunktoptimierung : Vollautomatische Prozessoptimierung im laufenden Roboterbetrieb
Mittels ArtiMinds LAR lässt sich der optimale Fügepunkt für toleranzbehaftete unterschiedliche Werkstückträger ermitteln und dadurch die Zykluszeit optimieren.
- © ArtiMinds RoboticsArtiMinds Robotics hat mit dem Softwaretool Learning & Analytics for Robots (LAR) eine Lösung entwickelt, um relevante Punkte eines Roboterprogrammes hinsichtlich Laufzeit und Robustheit gezielt zu optimieren und Prozesse kontinuierlich zu überwachen. Hierfür bedient man sich einer Datenanalyse (z.B. Machine Learning, Statistische Analyse, etc.) der im laufenden Betrieb des Roboters anfallenden Prozessdaten. Diese Daten können durch die Nutzung der Programmiersoftware ArtiMinds RPS ohne zusätzlichen Programmieraufwand automatisch erhoben und annotiert werden. Somit lässt sich zum Beispiel der optimale Startpunkt einer sensorbasierten Suche für einen Fügeprozess sehr effizient und transparent in ArtiMinds LAR ermitteln. Die Ergebnisse sind dann offline in das zu optimierende RPS-Programm übertragbar.
Um eine Optimierung vollautomatisch ohne händische Benutzereingaben in den laufenden Ro-boterbetrieb, d.h. ohne Produktionsstopp, einfließen zu lassen, bietet ArtiMinds seit Neuestem den Weg über eine SPS an. Diese vermittelt als Gatekeeper zwischen dem LAR-Datenbank-Backend und dem Robotercontroller, da beide unterschiedliche Anforderungen bezüglich ihrer Kommunikationsprotokolle aufweisen. Weiterhin übernimmt die SPS die Rolle einer zusätzli-chen Sicherheitsinstanz, die sicherstellt, dass automatische Optimierungen nur in einem siche-ren Maße stattfinden können und die den unterbrechungsfreien Roboterbetrieb auch gewähr-leistet, falls die Verfügbarkeit der Datenbank nicht gegeben sein sollte. Zu guter Letzt erlaubt ein HMI an der SPS nach erfolgreicher Benutzerauthentifizierung das manuelle Eingreifen in die Optimierungsparameter oder das (De-)Aktivieren der Optimierung.
Mittels des beschriebenen Ansatzes aus Roboter, SPS und datengetriebener Optimierung sind nicht nur einzelne, generelle Optimierungen durchführbar. Das System ist in der Lage, Optimie-rungen pro spezifischem Bauteil- oder Werkstückträger zu erlernen und diese zur Laufzeit pas-send zur vorliegenden Situation zu nutzen. Ein sicheres, sich selbst optimierendes System aus etablierten Industriekomponenten ist damit aus einer Hand realisierbar.
