Lernende Roboter für die spanende Bearbeitung leicht zerspanbarer Materialien

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.

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.