Ein Roboterarm bestückt Leiterplatten in der Industrie

Die Bestückung von Leiterplatten erfordert eine hochpräzise Positionierung durch die Roboter. Bild: ArtiMinds Robotics

| von Fabian Pertschy

Sinkende Anschaffungskosten machen den Einsatz mehrachsiger Industrieroboter zunehmend auch außerhalb der Massenproduktion attraktiv. Doch während preiswerte Systeme für viele Anwendungen nicht die nötige Genauigkeit erreichen, müssen mechanisch hochwertige Anlagen in regelmäßigen Abständen zum Hersteller transportiert und dort nachkalibriert werden.

Ein zeit- und kostenintensiver Vorgang, der vor allem für kleine und mittelständische Unternehmen eine erhebliche Belastung bedeutet.  Da die Kalibrierung zudem ausschließlich in einem schmalen Temperaturfenster gültig ist, sind zeitaufwendige Warmlaufphasen notwendig. Insbesondere während der Einrichtung einer Roboterapplikation ist dies äußerst umständlich und kann dazu führen, dass Unternehmen vor der Lösung zurückschrecken.

Bestehende, auf parametrischen Modellen basierende Lösungen stoßen hinsichtlich dieser Problematik an die Grenzen ihrer Praktikabilität. So lassen sich mit aktuell verfügbaren Kalibriermethoden nur Geometriefehler korrigieren, temperatur- oder lastabhängige Ungenauigkeiten können hingegen nur ungenügend ausgeglichen werden. Auch ein Nachkalibrieren im laufenden Betrieb, was für einen nachhaltigen Optimierungsprozess wichtig wäre, ist momentan nicht realisierbar.

Neuronale Netze bilden die Basis

Das Robot- and Human-Motion-Lab (RaHM-Lab) der Dualen Hochschule Baden-Württemberg Karlsruhe (DHBW), der Lehrstuhl für kognitive Produktionssysteme des Instituts für Industrielle Fertigung und Fabrikbetrieb (IFF) der Universität Stuttgart und der Robotikexperte ArtiMinds Robotics haben es sich zur Aufgabe gemacht, diese Lücken bis zum Frühjahr 2022 zu schließen. Im Forschungs- und Entwicklungsprojekt „KI-basierte Roboterkalibrierung (KIRK)“ arbeiten die Partner an neuen softwaregetriebenen Kalibriermethoden für Industrieroboter.

„Die Basis, um die komplexen Zusammenhänge aus äußeren Faktoren sowie den zeitlich veränderlichen Eigenschaften des individuellen Roboters beherrschbar zu machen und so die Positioniergenauigkeit zu erhöhen, bilden die tiefen neuronalen Netze“, erklärt KI-Forscher Marco Huber von der Universität Stuttgart. Das IFF übernimmt in dem vom Bundesministerium für Forschung und Bildung geförderten Gemeinschaftsprojekt die Grundlagenforschung zur Erarbeitung neuer Methoden maschinellen Lernens.

Breiteres Einsatzspektrum für Roboter

Im RaHM-Lab der DHBW werden Bewegungsanalysen durchgeführt, Fehler charakterisiert und spezifische Messtechniken entwickelt, um die benötigten Lerndaten zu erzeugen. Gemeinsam mit dem Industriepartner ArtiMinds Robotics werden die neu entwickelten Methoden anschließend auf reale industrielle Anwendungsfälle übertragen. Zum Abschluss des Projekts sollen diese in die Programmiersoftware Robot Programming Suite (RPS) integriert werden. Für Unternehmen könnten die Ergebnisse einige Prozesse vereinfachen: Robotersysteme wären aufgrund der verbesserten Genauigkeit flexibler und für ein breiteres Einsatzspektrum einsetzbar.

„Die Möglichkeit, Daten automatisiert zu erfassen und zu analysieren, verringert den Aufwand für den Anwender und erleichtert es insbesondere KMUs, die notwendige Kompetenz aufzubauen, um ein Robotersystem optimal zu nutzen“, betont Darko Katic, technischer Ansprechpartner für das KIRK-Projekt und Teamleiter künstliche Intelligenz bei ArtiMinds. Letztlich könnten also nicht nur Arbeitsabläufe durch eine von Robotertyp und -hersteller unabhängige Lösung profitieren, auch Mitarbeiter würden zeitlich entlastet.

Der Eintrag "freemium_overlay_form_ait" existiert leider nicht.