Zusammenfassung
Wandlungsfähige Produktionssysteme werden oft im Kontext von Effizienzsteigerungen trotz sinkender Losgrößen und steigender Produktvariationen diskutiert. Aber auch derzeit noch manuell ausgeführte Prozesse können durch automatisierte Produktionssysteme realisiert werden, sofern sie sich an veränderliche Aufgaben und Randbedingungen autonom anpassen können. Nachgelagerte Prozesse bei der additiven Fertigung, wie das Reinigen der Bauteile, das Entfernen von Stützstrukturen und das Bearbeiten von Funktionsflächen sind hierfür Beispiele. Der vorliegende Artikel stellt ein Konzept der autonomen Nachbearbeitung additiv gefertigter Bauteile vor. Es werden die Integration von Lernverfahren in die Steuerung einer modularen, NC-roboterbasierten Fertigungszelle vorgestellt und zwei Aspekte des Lernens adressiert: Zum einen das initiale Training eines künstlichen neuronalen Netzes anhand von Simulationsdaten und zum anderen die Modifikation der Lernstrategie für das fortgesetzte, kontinuierliche Lernen im Betrieb des Roboters. Das Ziel des Lernens ist die Steigerung der Robotergenauigkeit. Hierzu wird eine, in die Roboterzelle integrierte, 3D-Laserlinienscanstation eingesetzt. Durch Analyse der erfassten Bauteilgeometrie werden unsichere Modellparameter des Roboters geschätzt und der Robotersteuerung mit dem Ziel einer genaueren Fertigung zugänglich gemacht.
Abstract
Adaptive production systems are often discussed in the context of efficiency improvements despite decreasing batch sizes and increasing product variations. However, processes that are currently still carried out manually can also be realized by automated production systems, provided they can adapt autonomously to changing tasks and boundary conditions. Downstream processes in additive manufacturing, such as cleaning components, removing support structures and machining functional surfaces are examples of this. This article presents a concept for autonomous post-processing of additively manufactured components. The integration of learning procedures into the control system of a modular, NC robot-based manufacturing cell is presented and two aspects of learning are addressed: First, the initial training of an artificial neural network using simulation data, and second, the modification of the learning strategy for ongoing, continuous learning during operation of the robot. The objective of the learning is to increase the robot accuracy. For this purpose, a 3D laser line scanning station integrated into the robot cell is used. By analyzing the captured workpiece geometry, uncertain model parameters of the robot are estimated and made available to the robot controller with the goal of more accurate manufacturing.
Über die Autoren
Christian Gollee studierte Maschinenbau an der Technischen Universität Dresden und vertiefte sich auf die Angewandte Mechanik. Seit 2019 ist er wissenschaftlicher Mitarbeiter und Doktorand in der Abteilung für IIOT-Steuerungen und Technische Kybernetik des Fraunhofer Instituts für Werkzeugmaschinen und Umformtechnik. Sein Forschungsinteresse gilt der modellbasierten Verbesserung der Bearbeitungsgenauigkeit spanend bearbeitender Roboter.
Maximilian Selch studierte Mathematik an der Technischen Universität Dresden und ist seit 2020 wissenschaftlicher Mitarbeiter in der Abteilung „Digitaler Produktionszwilling“ am Fraunhofer Institut für Werkzeugmaschinen und Umformtechnik IWU. Seine Arbeitsgebiete liegen in der Entwicklung von statistischen Algorithmen zur Zustandsüberwachung von Fertigungsprozessen und der Erforschung von Einsatzgebieten des Quantencomputings in der Produktionstechnik.
Arvid Hellmich ist Leiter der Abteilung IIoT-Steuerungen und technische Kybernetik des Fraunhofer IWU. Er studierte Mikrotechnik-Mechatronik an der TU Chemnitz und schloss 2006 sein Diplom ab. Neben seiner Arbeit als wissenschaftlicher Mitarbeiter an der TU Chemnitz von 2008-2016 erarbeitete er die Inhalte seiner Promotion zum Thema Parameteridentifikation an elektromechanischen Achsen im laufenden Betrieb. Diese schloss er 2016 ab. Aktuell beschäftigt er sich vorwiegend mit Fragen der Vernetzung und Funktionsintegration für industrielle Steuerungen, skillbasierten Steuerungslösungen sowie der Virtuellen Inbetriebnahme. Zudem gestaltet er das Fraunhofer Forschungszentrum für Kognitive Produktion (Cognitive Production Systems” (CPS)) aktiv mit.
Literatur
1. Bacic, M. 2005. On hardware-in-the-loop simulation. In Proceedings of the 44th IEEE Conference on Decision and Control. IEEE, pp. 3194–3198.10.1109/CDC.2005.1582653Search in Google Scholar
2. Bailer-Jones, C., R. Gupta and H. Sing. 2001. An Introduction To Artificial Neural Networks. Automated Data Analysis in Astronomy.Search in Google Scholar
3. Bane Sullivan, C. and A. Kaszynski. 2019. PyVista: 3D plotting and mesh analysis through a streamlined interface for the Visualization Toolkit (VTK). Journal of Open Source Software 4(37): 1450.10.21105/joss.01450Search in Google Scholar
4. Bernhardt, R. and S. L. Albright. 1993. Robot Calibration. Chapman & Hall, London.Search in Google Scholar
5. Borchani, H., G. Varando, C. Bielza and P. Larrañaga. 2015. A survey on multi-output regression. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery 5(5): 216–233.10.1002/widm.1157Search in Google Scholar
6. Buscema, M. 2002. A brief overview and introduction to artificial neural networks. Substance use & misuse 37(8–10): 1093–1148.10.1081/JA-120004171Search in Google Scholar PubMed
7. Chanal, H., E. Duc, P. Ray and J. Y. Hascoet. 2006. A new approach for the geometrical calibration of parallel kinematics machines tools based on the machining of a dedicated part. International Journal of Machine Tools & Manufacture 47: 1151–1163.10.1016/j.ijmachtools.2006.09.006Search in Google Scholar
8. Charles, R. Q., H. Su, M. Kaichun and L. J. Guibas. 2017. PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 77–85.10.1109/CVPR.2017.16Search in Google Scholar
9. Gadringer, S., H. Gattringer, A. Müller and R. Naderer. 2020. Robot Calibration combining Kinematic Model and Neural Network for enhanced Positioning and Orientation Accuracy. IFAC PapersOnLine 53(2): 8432–8437.10.1016/j.ifacol.2020.12.1436Search in Google Scholar
10. Gesellschaft, F.. 2020. futureAM Next Generation Additive Manufacturing.Search in Google Scholar
11. Gollee, C. and J.-P. Majschak. 2020. A parameter identification case-study for a dynamical mechanical system using frequency response analysis and a particle swarm algorithm for trajectory optimization. Engineering Science and Technology, an International Journal 23(4): 769–780.10.1016/j.jestch.2020.02.009Search in Google Scholar
12. Gollee, C., A. Seidel, C.-C. Schenke, A. Hellmich and S. Ihlenfeldt. 2022. Development and extrinsic calibration of a 3D optical multi sensor platform using laser line scanner and a 3-axis linear motion unit. Journal of Manufacturing and Engineering.10.1115/1.4054240Search in Google Scholar
13. Goodfellow, I., Y. Bengio and A. Courville. 2016. Deep Learning. MIT Press.Search in Google Scholar
14. Hänsch, R., T. Weber and O. Hellwich. Comparison Of 3D Interest Point Detectors And Descriptors For Point Cloud Fusion. In Remote Sensing and Spatial Information Sciences. Vol. II–3 pp. 57–64.10.5194/isprsannals-II-3-57-2014Search in Google Scholar
15. Ibaraki, S. and Y. Ota. 2014. A machining test to calibrate rotary axis error motions of five-axis machine tools and its application to thermal deformation test. International Journal of Machine Tools & Manufacture 81–88.10.1016/j.ijmachtools.2014.07.005Search in Google Scholar
16. ISO 10791-7. Test conditions for machining centres: Part 7: Accuracy of finished test pieces.Search in Google Scholar
17. James, G., D. Witten, T. Hastie and R. Tibshirani. 2013. An Introductin to Statistical Learning. Springer.10.1007/978-1-4614-7138-7Search in Google Scholar
18. Judd, R. and A. Knasinski. 1987. A technique to calibrate industrial robots with experimental verification. In Proceedings. 1987 IEEE International Conference on Robotics and Automation. Institute of Electrical and Electronics Engineers, pp. 351–357.10.1109/ROBOT.1987.1088010Search in Google Scholar
19. Kauschinger, B., C. Friedrich, R. Zhou and S. Ihlenfeldt. 2020. Fast evaluation of the volumetric motion accuracy of multi-axis machine tools using a Double-Ballbar. Journal of Machine Engineering 20(3): 44–62.10.36897/jme/119678Search in Google Scholar
20. Liu, C., S. Xiang, C. Lu, C. Wu, Z. Du and J. Yang. 2020. Dynamic and static error identification and seperation method for three-axis CNC machine tools based on feature workpiece cutting. The International Journal of Advanced Manufacturing Technology 107: 2227–2238.10.1007/s00170-020-05103-5Search in Google Scholar
21. Mesmer, P., A. Lechler and A. Verl. 2019. Herausforderungen bei der Roboterbearbeitung.Search in Google Scholar
22. Nguyen, H.-N., P.-N. Le and H.-J. Kang. 2019. A new calibration method for enhancing robot position accuracy by combining a robot model–based identification approach and an artificial neural network–based error compensation technique. Advances in Mechanical Engineering 11(1).10.1177/1687814018822935Search in Google Scholar
23. Nördinger, S. 2020. Im Überblick: Bohren, Fräsen und Polieren mit dem Roboter.Search in Google Scholar
24. Reyes, O. and S. Ventura. 2019. Performing Multi-Target Regression via a Parameter Sharing-Based Deep Network. International journal of neural systems 29(9).10.1142/S012906571950014XSearch in Google Scholar PubMed
25. Roth, Z., B. Mooring and B. Ravani. 1987. An overview of robot calibration. IEEE Journal on Robotics and Automation 3(5): 377–385.10.1109/JRA.1987.1087124Search in Google Scholar
26. Rusu, R. B., N. Blodow and M. Beetz. Fast Point Feature Histograms (FPFH) for 3D registration. In 2009 IEEE International Conference on Robotics and Automation.10.1109/ROBOT.2009.5152473Search in Google Scholar
27. Rusu, R. B., Z. C. Marton, N. Blodow and M. Beetz. Learning informative point classes for the acquisition of object model maps. In 2008 10th International Conference, pp. 643–650.10.1109/ICARCV.2008.4795593Search in Google Scholar
28. Rusu, R. B., Z. C. Marton, N. Blodow and M. Beetz. 2008. Persistent Point Feature Histograms for 3D Point Clouds. Computer Science.Search in Google Scholar
29. Seidel, A., C. Gollee, T. Schnellhardt, M. Hammer, J. Dassing, R. Vogt, T. Wiese, U. Teicher, A. Hellmich, S. Ihlenfeldt and W.-G. Drossel. 2021. Cyber-physical Approach towards Semi-autonomous Post-processing of Additive Manufactured Parts and Components. Journal of Laser Applications 33(1): 012033.10.2351/7.0000328Search in Google Scholar
30. Siciliano, B. and O. Khatib. 2016. Springer Handbook of Robotics. Springer, Basel.10.1007/978-3-319-32552-1Search in Google Scholar
31. Zhou, Q.-Y., J. Park and V. Koltun. 2018. Open3D: A Modern Library for 3D Data Processing.Search in Google Scholar
© 2022 Walter de Gruyter GmbH, Berlin/Boston
