Zusammenfassung
Flexibel einsetzbare Fertigungssysteme müssen sich bei individuellen Fertigungsaufgaben im Kontext von Losgröße 1 automatisch in ihrem Bewegungsverhalten auf unterschiedliche Werkstücke anpassen. Hierzu benötigen sie fortschrittliche Steuerungen, die oft auf einer Optimierung basieren. Eine Offline-Optimierung reicht aufgrund der dynamischen Folge an unterschiedlichen Werkstücken nicht aus. Die große Herausforderung liegt nun darin, eine echtzeitfähige selbstoptimierende Steuerstrategie für eine Industriesteuerung zu entwerfen und zu implementieren, welche die Optimierung online ausführt.
Im vorliegenden Beitrag wird anhand der Trajektorienplanung eines anwendungsbezogen redundanten sechsachsigen Hybridmechanismus eine solche modellprädiktive Steuerstrategie vorgestellt, die auf einer speicherprogrammierbaren Steuerung (SPS) ausgeführt wird und die Verfahrzeiten des Mechanismus zwischen werkstückspezifischen diskreten Bearbeitungspositionen optimiert. Es werden die Gütefunktion sowie die eingesetzten Modelle vorgestellt. Zudem erfolgt eine Analyse hinsichtlich der für die Berechnung erforderlichen Zykluszeit, der erzielten Ergebnisse und des Einflusses von Optimierungsparametern.
Abstract
In context of lot-size 1 flexible manufacturing systems have to adjust their motion behaviour automatically to different workpieces. Therefore advanced control strategies are needed, often based on optimization. Offline calculation is usually not sufficient because of the dynamic sequence of different workpieces. The key challenge is to design a real-time self-optimizing control strategy and implement it on an industrial control hardware which executes the optimization online.In the present contribution a real-time model predictive control strategy is introduced which is implemented on a programmable logic controller (PLC). This control strategy is used to calculate minimum-time trajectories for an application-specific redundant hybrid-kinematic mechanism moving between discrete processing positions. The objective function as well as the used models are presented. Moreover, an analysis of the required calculation time, the results achieved and their dependency on optimization parameters are discussed.
About the authors
M. Sc. Arne Rüting ist wissenschaftlicher Mitarbeiter in der Abteilung Scientific Automation des Fraunhofer-Instituts für Entwurfstechnik Mechatronik IEM in Paderborn.
Prof. Dr.-Ing. Ansgar Trächtler ist der Institutsleiter des Fraunhofer-Instituts für Entwurfstechnik Mechatronik und Leiter des Lehrstuhls Regelungstechnik und Mechatronik am Heinz Nixdorf Institut der Universität Paderborn.
Dr.-Ing. Christian Henke leitet die Abteilung Scientific Automation des Fraunhofer-Instituts für Entwurfstechnik Mechatronik.
Literatur
1. S.-H. Cha, T. A. Lasky and S. A. Velinsky. Kinematic redundancy resolution for serial-parallel manipulators via local optimization including joint constraints. Mechanics Based Design of Structures and Machines, 2006.10.1080/15397730600778527Search in Google Scholar
2. S. Niemann, J. Kotlarski, T. Ortmaier and C. Muller-Schloer. Reducing the optimization problem for the efficient motion planning of kinematically redundant parallel robots. In IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), pages 618–624, 2013.10.1109/AIM.2013.6584161Search in Google Scholar
3. J. A. Carretero, I. Ebrahimi and R. Boudreau. Overall motion planning for kinematically redundant parallel manipulators. Journal of Mechanisms and Robotics, 2012.10.1115/1.4006523Search in Google Scholar
4. R. Haschke, E. Weitnauer and H. Ritter. On-line planning of time-optimal, jerk-limited trajectories. In R. Chatila, A. Kelly, and J.-P. Merlet, editors, IEEE International Conference on Intelligent Robots and Systems (IROS), 2008.10.1109/IROS.2008.4650924Search in Google Scholar
5. A. Reiter, A. Müller and A. Gattringer. Inverse kinematics in minimum-time trajectory planning for kinematically redundant manipulators. In Proceedings of the IECON 2016 – 42nd Annual Conference of the IEEE Industrial Electronics Society. IEEE, 2016.10.1109/IECON.2016.7793436Search in Google Scholar
6. H. Gattringer, R. Riepl and M. Neubauer. Optimizing industrial robots for accurate high-speed applications. Journal of Industrial Engineering, 2013.10.1155/2013/625638Search in Google Scholar
7. D. Hrovat, S. Di Cairano, H. E. Tseng, I. V. Kolmanovsky. The development of model predictive control in automotive industry: A survey. In IEEE International Conference on Control Applications, 2012.10.1109/CCA.2012.6402735Search in Google Scholar
8. Michael Leuer, Arne Rüting and Joachim Böcker. Efficiency-optimized model predictive torque control for ipmsm. In IEEE International Energy Conference (ENERGYCON), 2014.10.1109/ENERGYCON.2014.6850398Search in Google Scholar
9. Arief Syaichu-Rohman and Raphael Sirius. Model predictive control implementation on a programmable logic controller for dc motor speed control. In Proceedings of the 2011 International Conference on Electrical Engineering and Informatics, 2011.10.1109/ICEEI.2011.6021841Search in Google Scholar
10. Bart Huyck, Hans Joachim Ferreau, Moritz Diehl, Jos de Brabanter, Jan F. M. Van Impe, Bart de Moor and Filip Logist. Towards online model predictive control on a programmable logic controller: Practical considerations. Mathematical Problems in Engineering, 2012.10.1155/2012/912603Search in Google Scholar
11. Bartosz Kaepernick und Knut Graichen. Nichtlineare modellprädiktive regelung auf sps. atp edition – Automatisierungstechnische Praxis, 2014.10.17560/atp.v56i03.2238Search in Google Scholar
12. Jie Zhao, Moritz Diehl, Richard Longman, Hans Georg Bock and Johannes Schloeder. Nonlinear model predictive control of robots using real-time optimization. In AIAA/AAS Astrodynamics Specialist Conference and Exhibit. American Institute of Aeronautics and Astronautics, 2004.10.2514/6.2004-5295Search in Google Scholar
13. A. Rüting, L. Blumenthal and A. Trächtler. Model predictive feedforward compensation for control of multi axes hybrid kinematics on plc. In IECON 16 – 42nd Annual Conference of the IEEE Industrial Electronics Society, 2016.10.1109/IECON.2016.7793095Search in Google Scholar
14. A. Rüting, E. Block und A. Trächtler. Modellprädiktive Vorsteuerung für einen kinematisch redundanten hybridkinematischen Mechanismus im Industrieumfeld. In T. Bertram, B. Corves, and K. Janschek, editors, Fachtagung Mechatronik, 2017.Search in Google Scholar
15. A. Rüting, C. Henke, A. P. Warkentin und A. Trächtler. Entwurf eines Tripod-basierten Inspektionssystems – Vom virtuellen Prototypen zum Vorseriensystem. In 10. Paderborner Workshop Entwurf Mechatronischer Systeme. Verlagsschriftenreihe des Heinz Nixdorf Instituts, Paderborn, 2015.Search in Google Scholar
16. Bruno Siciliano. The tricept robot: Inverse kinematics, manipulability analysis and closed-loop direct kinematics algorithm. Robotica, 1999.10.1017/S0263574799001678Search in Google Scholar
17. M. J. Powell. A direct search optimization method that models the objective and constraint functions by linear interpolation. In S. Gomez and J.-P. Hennart, editors, Advances in Optimization and Numerical Analysis, Mathematics and Its Applications. Springer Netherlands, 1994.10.1007/978-94-015-8330-5_4Search in Google Scholar
18. S. G. Johnson. The nlopt nonlinear-optimization package, http://ab-initio.mit.edu/nlopt, 15.11.2016, 2016.Search in Google Scholar
19. Beckhoff Automation GmbH & Co. KG. Das twincat component object model (tccom) konzept, 2018.Search in Google Scholar
20. PLCopen: TC2 – Motion Control. http://www.plcopen.org/pages/tc2_motion_control/, 03.06.2018, 2018.Search in Google Scholar
© 2019 Walter de Gruyter GmbH, Berlin/Boston
