AI w robotyce przemysłowej – część 2
Robot przemysłowy może posiadać katalogową powtarzalność rzędu kilku setnych milimetra, a mimo tego minąć się z pozycją wynikającą z modelu CAD o znacznie większą wartość. Nie ma w tym sprzeczności. Powtarzalność i dokładność opisują dwa różne problemy.
To rozróżnienie staje się szczególnie ważne wraz z rozwojem programowania offline, autonomicznego spawania, obróbki robotycznej i systemów wykorzystujących sztuczną inteligencję. Jeżeli bowiem program ma powstawać automatycznie na podstawie modelu cyfrowego, rzeczywisty robot musi możliwie dokładnie odpowiadać swojemu cyfrowemu odpowiednikowi.
I właśnie w tej przestrzeni pojawia się jedna z najbardziej interesujących funkcji systemów takich jak xCognition firmy Xaba, rozwijanych w projektach automatyzacji wspólnie z LEAS.
Nie chodzi wyłącznie o napisanie programu dla robota.
Chodzi o odpowiedź na trudniejsze pytanie:
gdzie w rzeczywistości znajdzie się TCP, jeżeli sterownik każe robotowi pojechać w określone miejsce?
Robot, który powtarza błąd, nadal jest bardzo powtarzalny
Wyobraźmy sobie, że programujemy punkt:
[
P_d=
\begin{bmatrix}
1000\
500\
750
\end{bmatrix}
mm
]
i wykonujemy ten sam ruch dziesięć razy.
Robot za każdym razem dociera niemal dokładnie do:
[
P_r=
\begin{bmatrix}
1001{,}2\
499{,}4\
750{,}8
\end{bmatrix}
mm
]
Rozrzut kolejnych przejazdów może wynosić tylko:
[
\pm0{,}05\ mm
]
Robot jest więc znakomicie powtarzalny.
Jednocześnie w stosunku do pozycji zadanej znajduje się ponad milimetr od miejsca, w którym według modelu powinien się znaleźć.
To właśnie różnica pomiędzy repeatability i accuracy.
ABB bardzo dobrze pokazuje ją w aktualnej specyfikacji IRB 4600. W testach prowadzonych według ISO 9283 producent podaje dla poszczególnych wariantów robota powtarzalność pozycji RP wynoszącą około 0,05–0,06 mm. Jednocześnie dokładność liniowej ścieżki AT w określonych warunkach testowych wynosi od 0,48 do 0,93 mm. ABB zaznacza również, że wynik zależy między innymi od położenia w przestrzeni roboczej, prędkości, konfiguracji ramienia, kierunku dojścia, obciążenia oraz luzów w przekładniach.
To jeden z najważniejszych faktów, które trzeba zrozumieć przed rozpoczęciem rozmowy o zaawansowanej automatyzacji.
Robot może niezwykle dokładnie powtarzać pozycję, która nie jest dokładnie pozycją wynikającą z naszego modelu cyfrowego.
Jak matematycznie oddzielić dokładność od powtarzalności?
Załóżmy, że zadana pozycja TCP wynosi:
[
\mathbf p_d
]
Robot wykonuje ten sam ruch (n) razy, a zmierzone rzeczywiste pozycje wynoszą:
[
\mathbf p_1,\mathbf p_2,\ldots,\mathbf p_n
]
Średnią pozycję osiągniętą przez robota możemy zapisać:
[
\bar{\mathbf p}
\frac{1}{n}
\sum_{i=1}^{n}\mathbf p_i
]
Koncepcyjnie błąd dokładności można przedstawić jako odległość pomiędzy punktem zadanym a średnią rzeczywistą pozycją:
[
e_{accuracy}
\left|
\bar{\mathbf p}-\mathbf p_d
\right|
]
Natomiast rozrzut kolejnych osiąganych pozycji względem średniej opisuje problem powtarzalności:
[
e_{repeat,i}
\left|
\mathbf p_i-\bar{\mathbf p}
\right|
]
ISO 9283 definiuje formalne procedury i kryteria badania właściwości robotów manipulacyjnych, w tym parametrów związanych z pozycją i ścieżką. Obowiązującym opublikowanym wydaniem pozostaje ISO 9283:1998.
Matematyczna intuicja jest jednak prosta.
Jeżeli wszystkie pomiary znajdują się bardzo blisko siebie, mamy wysoką powtarzalność.
Jeżeli cała ta grupa znajduje się daleko od punktu zadanego, mamy słabszą dokładność absolutną.
Można więc mieć:
doskonałą powtarzalność i niedoskonałą dokładność jednocześnie.
Dlaczego powstaje błąd?
Sterownik nie zna rzeczywistego robota w taki sposób, w jaki człowiek zna fizyczny przedmiot.
Posługuje się jego modelem matematycznym.
Dla robota sześcioosiowego mamy sześć zmiennych przegubowych:
[
\mathbf q=
[q_1,q_2,q_3,q_4,q_5,q_6]^T
]
Model kinematyczny przekształca te wartości w pozycję i orientację TCP:
[
\mathbf x=f(\mathbf q,\boldsymbol{\theta})
]
gdzie (\boldsymbol{\theta}) reprezentuje parametry modelu geometrycznego robota.
W idealnym świecie:
[
\mathbf x_{real}
\mathbf x_{model}
]
W rzeczywistości:
[
\mathbf x_{real}
\mathbf x_{model}
+
\Delta\mathbf x
]
I właśnie składnik:
[
\Delta\mathbf x
]
jest jednym z najważniejszych problemów precyzyjnej robotyki.
ABB wskazuje w dokumentacji IRB 4600, że różnica pomiędzy robotem idealnym a rzeczywistym może wynosić nawet kilka milimetrów i wynikać między innymi z tolerancji mechanicznych oraz ugięcia konstrukcji. Opcja Absolute Accuracy została zaprojektowana właśnie po to, aby te różnice kompensować.
Każdy rzeczywisty robot jest trochę inny
Dwa roboty tego samego typu mogą posiadać identyczny kod programu, identyczny sterownik i identyczną nominalną geometrię.
Mechanicznie nie są jednak idealnie identyczne.
W rzeczywistej konstrukcji występują niewielkie odchylenia długości elementów, ustawienia osi, położenia zerowego, charakterystyki przekładni, sztywności konstrukcji oraz zachowania pod obciążeniem.
Dlatego nominalny model:
[
f(\mathbf q,\boldsymbol{\theta}_{nom})
]
nie opisuje idealnie konkretnej fizycznej sztuki robota.
Potrzebujemy modelu:
[
f(\mathbf q,\boldsymbol{\theta}_{real})
]
Najprościej można powiedzieć, że kalibracja polega na próbie znalezienia parametrów (\boldsymbol{\theta}_{real}), które lepiej opisują konkretną fizyczną maszynę.
ABB stosuje taką filozofię we własnym systemie Absolute Accuracy. Producent informuje, że kalibracja kompensuje między innymi tolerancje mechaniczne i ugięcie pod obciążeniem, a parametry kompensacyjne są zapisywane w pamięci konkretnego robota.
Jak wygląda klasyczna kalibracja?
Potrzebujemy zewnętrznego układu pomiarowego.
Robot ustawiany jest w kolejnych konfiguracjach:
[
\mathbf q_1,\mathbf q_2,\ldots,\mathbf q_N
]
Dla każdej z nich model nominalny przewiduje pozycję:
[
\mathbf p_i^{model}
f(\mathbf q_i,\boldsymbol{\theta})
]
Niezależny system metrologiczny mierzy natomiast:
[
\mathbf p_i^{meas}
]
Powstaje residual:
[
\mathbf r_i
\mathbf p_i^{meas}
\mathbf p_i^{model}
]
Czyli mówiąc po prostu:
różnica pomiędzy miejscem, w którym według matematyki robot powinien się znajdować, a miejscem, w którym rzeczywiście się znajduje.
Parametry robota można następnie wyznaczać przez minimalizację sumy błędów:
[
\boldsymbol{\theta}^{*}
\arg\min_{\boldsymbol{\theta}}
\sum_{i=1}^{N}
\left|
\mathbf p_i^{meas}
f(\mathbf q_i,\boldsymbol{\theta})
\right|^2
]
To klasyczny problem identyfikacji parametrów.
Im lepiej dobrany model i dane pomiarowe, tym bardziej cyfrowy robot zaczyna przypominać fizyczną maszynę.
Dlaczego używa się laser trackerów?
Jeżeli chcemy kalibrować robota na poziomie dziesiątych lub setnych części milimetra, sam robot nie może być jednocześnie jedynym sędzią własnej dokładności.
Potrzebujemy niezależnego układu odniesienia.
W badaniach naukowych dotyczących dokładności robotów szeroko stosowane są laser trackery, które mierzą rzeczywistą pozycję znacznika umieszczonego na końcówce układu. Badania nad kalibracją przemysłowych manipulatorów wykorzystują takie pomiary do identyfikacji błędów kinematycznych oraz modeli kompensacyjnych.
Dokładnie takie rozwiązanie zastosowała również Xaba.
W badaniu xCognition na ABB IRB4600 do pozyskiwania i walidacji danych wykorzystano FARO Vantage Laser Tracker.
Czyli AI nie „zgaduje”, gdzie znajduje się robot.
Najpierw otrzymuje rzeczywiste dane.
Krok następny: mapa błędów
Wyobraźmy sobie przestrzeń roboczą robota.
Dla wielu konfiguracji wykonujemy pomiary:
[
\mathbf q_i
\rightarrow
\mathbf p_i^{model}
\rightarrow
\mathbf p_i^{meas}
]
i wyznaczamy:
[
\Delta\mathbf p_i
\mathbf p_i^{meas}
\mathbf p_i^{model}
]
Otrzymujemy zbiór:
[
D=
{
(\mathbf q_i,\Delta\mathbf p_i)
}_{i=1}^{N}
]
Można potraktować go jako swoistą mapę zachowania konkretnego robota.
W jednej części przestrzeni może on mieć tendencję do przesunięcia TCP w dodatnim kierunku osi X.
W innej błąd może zmieniać znak.
W jeszcze innej bardziej widoczny staje się wpływ ugięcia konstrukcji.
I tutaj klasyczna kalibracja zaczyna spotykać się z uczeniem maszynowym.
Co może zrobić AI?
Zamiast próbować opisać wszystkie zjawiska wyłącznie jednym modelem analitycznym, można nauczyć model zależności:
[
\hat{\Delta\mathbf p}
g_{\phi}(\mathbf z)
]
gdzie (g_{\phi}) oznacza model uczenia maszynowego, natomiast (\mathbf z) zawiera dostępne informacje opisujące stan robota.
W ogólnym modelu mogłyby to być na przykład konfiguracja osi, położenie TCP, obciążenie, kierunek ruchu czy inne wielkości dostępne dla konkretnego systemu.
Nie oznacza to, że właśnie taki zestaw wejść stosuje xCognition — szczegółowa architektura własnościowego modelu Xaba nie jest publicznie ujawniona.
Zasada pozostaje jednak bardzo czytelna.
Model otrzymuje informacje o stanie maszyny i przewiduje:
[
\hat{\Delta\mathbf p}
]
czyli spodziewany błąd.
Sterowanie może następnie uwzględnić odpowiednią kompensację.
Koncepcyjnie:
[
\mathbf p_{corr}
\mathbf p_d
\hat{\Delta\mathbf p}
]
Jeżeli przewidujemy, że rzeczywisty robot przesunie TCP o +0,8 mm w określonym kierunku, możemy odpowiednio zmodyfikować komendę tak, aby fizyczna maszyna znalazła się bliżej pierwotnie oczekiwanego miejsca.
To bardzo ważna zmiana sposobu myślenia.
Nie próbujemy zrobić idealnego robota mechanicznego. Próbujemy sprawić, aby sterowanie znało niedoskonałości rzeczywistego robota i potrafiło je kompensować.
Xaba: najpierw nauczyć się konkretnego robota
Case study firmy Xaba pokazuje właśnie taki kierunek.
Do standardowego układu ABB IRB4600 dołączono przemysłowy kontroler NI cRIO zawierający własnościowy algorytm machine learning xCognition. Następnie Xaba zebrała określony przez firmę jako „quasi-stochastic” zestaw punktów przeznaczonych do uczenia modelu. Po treningu wykonano testy porównawcze związane z ISO 9283.
Według opublikowanych przez Xaba wyników zakres błędu względnego przed zastosowaniem xCognition wynosił:
[
0{,}697-1{,}078\ mm
]
Po zastosowaniu modelu ML:
[
0{,}098-0{,}187\ mm
]
Maksymalna wartość raportowanego błędu zmniejszyła się więc w tym konkretnym eksperymencie z 1,078 do 0,187 mm.
To wynik konkretnego stanowiska badawczego i nie należy przedstawiać go jako uniwersalnej dokładności każdego robota z xCognition.
Techniczna konsekwencja jest jednak bardzo interesująca:
znaczna część ograniczenia dokładności standardowego robota może znajdować się nie tylko w jego mechanice, ale również w jakości modelu opisującego tę mechanikę.
Jeszcze ciekawszy był test wiercenia
Xaba wykonała również rzeczywiste wiercenie w metalowym detalu.
Podczas procesu trajektoria wrzeciona była śledzona za pomocą laser trackera. Dwa otwory zaprogramowano w odległości 20 mm od siebie.
Xaba podała średnią odległość pomiędzy mierzonymi trajektoriami na poziomie:
[
19{,}981\ mm
]
oraz poinformowała o błędzie pozycjonowania otworów poniżej 0,02 mm dla testu wykonywanego z modelem ML.
Ponownie należy zachować techniczną dyscyplinę.
To nie jest wynik spawania LEAS.
To test obróbki przeprowadzony przez Xaba, pokazujący zdolność xCognition do poprawy zachowania standardowego robota w aplikacji wymagającej wysokiej dokładności.
Ale właśnie dlatego jest interesujący także dla spawania.
Pokazuje bowiem, że warstwa oprogramowania może mieć realny wpływ na fizyczną trajektorię TCP.
Dlaczego nie wystarczy kalibracja raz na zawsze?
Gdyby cały błąd robota wynikał wyłącznie z sześciu stałych parametrów geometrycznych, problem byłby relatywnie prosty.
Niestety rzeczywista maszyna jest bardziej skomplikowana.
ABB w specyfikacji IRB4600 wskazuje, że wyniki zależą między innymi od położenia w obszarze roboczym, prędkości, konfiguracji ramienia, kierunku dojścia, kierunku obciążenia oraz luzów w przekładniach. Producent zwraca również uwagę na ugięcia związane z obciążeniem.
Możemy więc koncepcyjnie zapisać błąd jako:
[ \Delta\mathbf p
f(
\mathbf q,
\dot{\mathbf q},
\mathbf L,
\mathbf d,
T,\ldots
)
]
gdzie (\mathbf q) opisuje konfigurację robota, (\dot{\mathbf q}) jego ruch, (\mathbf L) obciążenie, (\mathbf d) kierunek oddziaływania, a (T) może symbolizować temperaturę.
Nie twierdzimy tutaj, że dokładnie taki model wykorzystuje Xaba.
Pokazuje to jedynie naturę problemu.
Błąd rzeczywistego robota nie musi być stałą liczbą. Może być funkcją jego aktualnego stanu.
I dlatego uczenie maszynowe jest w tym miejscu tak interesujące.
Model geometryczny plus AI może być silniejszy niż samo AI
Najbardziej sensowna architektura przemysłowego systemu nie polega na wyrzuceniu całej klasycznej robotyki i zastąpieniu jej „czarną skrzynką AI”.
Robotyka posiada bardzo dobre modele fizyczne.
Znamy kinematykę.
Znamy dynamikę.
Znamy ograniczenia osi.
Znamy przestrzeń roboczą.
Nie ma powodu, żeby sieć neuronowa uczyła się od początku czegoś, co od kilkudziesięciu lat potrafimy poprawnie opisać równaniami.
Znacznie bardziej interesujący jest model hybrydowy:
[
\mathbf p_{real}
f_{physics}(\mathbf q,\boldsymbol{\theta})
+
g_{AI}(\mathbf z)
]
Pierwsza część opisuje to, co już wiemy o maszynie.
Druga uczy się tego, czego model podstawowy nie potrafi wystarczająco dobrze odwzorować.
W badaniach nad poprawą absolutnej dokładności robotów stosowane są właśnie strategie łączące modele kinematyczne z metodami kompensacji wykorzystującymi sieci neuronowe. Przykładowo w jednym z eksperymentów naukowych średni błąd pozycjonowania został zmniejszony z 0,8497 mm do 0,0490 mm po zastosowaniu proponowanej metody kalibracji i kompensacji opartej na sieci neuronowej. Jest to niezależne badanie naukowe, nie rezultat systemu Xaba.
To rozróżnienie jest ważne.
Pokazuje, że koncepcja wykorzystania ML do kompensacji niedoskonałości modelu robota ma również podstawy w literaturze badawczej, niezależnie od konkretnego rozwiązania komercyjnego.
Kalibracja geometryczna i AI nie rozwiązują wszystkich problemów spawania
Tutaj trzeba zatrzymać się przy jednej bardzo ważnej kwestii.
Załóżmy, że dzięki doskonałej kalibracji robot prowadzi TCP dokładnie tam, gdzie wskazuje model CAD.
To nadal nie oznacza, że rzeczywiste złącze znajduje się dokładnie w tym miejscu.
Możemy mieć idealnie skalibrowanego robota i jednocześnie niedokładnie ustawiony detal.
To dwa inne źródła błędu.
Koncepcyjnie:
[
e_{total}
e_{robot}
+
e_{tool}
+
e_{fixture}
+
e_{part}
+
e_{process}
]
gdzie (e_{robot}) jest błędem związanym z robotem, (e_{tool}) z TCP i narzędziem, (e_{fixture}) z oprzyrządowaniem, (e_{part}) ze zmiennością detalu, a (e_{process}) z samym procesem.
Dlatego Absolute Accuracy, model AI i seam tracking nie są tym samym.
Kalibracja poprawia zgodność fizycznego robota z jego modelem.
System sensoryczny może wykrywać, gdzie w rzeczywistości znajduje się detal lub złącze.
Sterowanie adaptacyjne decyduje, jak odpowiednio zmienić ruch lub parametry procesu.
Dopiero połączenie tych warstw prowadzi w stronę rzeczywiście autonomicznej automatyzacji.
Dlaczego to jest tak ważne dla programowania offline?
Wyobraźmy sobie robota zaprogramowanego ręcznie.
Operator podjeżdża palnikiem do rzeczywistego detalu.
Patrzy.
Koryguje.
Zapisuje punkt.
Jeżeli robot posiada stały błąd absolutny 2 mm, operator praktycznie go nie widzi. Po prostu nauczył robota rzeczywistej pozycji.
Problem pojawia się wtedy, gdy program powstaje poza robotem.
CAD mówi:
[
X=1500\ mm
]
RobotStudio lub inny system offline generuje:
[
X=1500\ mm
]
a fizyczny TCP jedzie:
[
X=1501{,}7\ mm
]
Nagle dokładność absolutna staje się kluczowa.
ABB wskazuje właśnie offline programming with no or minimum touch-up jako jeden z przypadków, w których Absolute Accuracy ma szczególne znaczenie. Producent wymienia także wymienność robotów i ponowne wykorzystanie programów pomiędzy aplikacjami.
A teraz zróbmy kolejny krok.
Jeżeli program ma generować AI, znaczenie zgodności świata cyfrowego z fizycznym jest jeszcze większe.
Autonomiczne programowanie potrzebuje dokładnego świata
Klasyczny programista może poprawić źle ustawiony punkt.
AI generujące program na podstawie danych cyfrowych zakłada natomiast, że istnieje określona relacja:
[
CAD
\rightarrow
model\ robota
\rightarrow
rzeczywisty\ robot
]
Jeżeli każdy z tych etapów wprowadzi niewielki błąd, końcowe odchylenie może stać się zbyt duże dla procesu.
Dlatego autonomiczne spawanie nie zaczyna się od sztucznej inteligencji.
Zaczyna się od:
metrologii.
Dopiero później dochodzą:
modelowanie, identyfikacja, AI i adaptacja procesu.
To jeden z powodów, dla których podejście Xaba jest interesujące. Firma nie ogranicza się do automatycznego generowania programu, lecz rozwija warstwę Cognitive Control mającą również poprawiać zgodność zachowania rzeczywistej maszyny z wymaganym procesem. W opublikowanym case study IRB4600 system był uczony na danych pomiarowych rzeczywistego robota.
Co daje to w spawaniu?
Załóżmy, że mamy spoinę długości:
[
L=1200\ mm
]
Robot ma prowadzić palnik wzdłuż zadanej trajektorii:
[
\mathbf p_d(s)
]
gdzie:
[
s\in[0,L]
]
Rzeczywista trajektoria wynosi:
[
\mathbf p_r(s)
]
Błąd ścieżki możemy opisać:
[ e(s)
\left|
\mathbf p_r(s)-\mathbf p_d(s)
\right|
]
Dla procesu ciągłego nie wystarcza więc pytanie:
„Czy robot trafił do punktu startowego?”
Znacznie ważniejsze jest:
„Jak daleko rzeczywista trajektoria odchyla się od zadanej przez całe 1200 mm ruchu?”
Właśnie dlatego w dokumentacji ABB osobno pojawiają się parametry dotyczące pozycji oraz ścieżki. Dla IRB4600 producent publikuje między innymi pose repeatability RP, linear path repeatability RT i linear path accuracy AT.
Dla spawania, klejenia, cięcia czy obróbki robotycznej jest to fundamentalne.
Proces odbywa się pomiędzy punktami, a nie tylko w punktach.
Gdzie kończy się kalibracja, a zaczyna inteligentne sterowanie?
Możemy przedstawić rozwój systemu w czterech poziomach.
| Poziom | Co wie system? | Co potrafi? |
|---|---|---|
| Robot nominalny | zna nominalną geometrię | wykonuje zaprogramowane ruchy |
| Robot skalibrowany | zna parametry konkretnego egzemplarza | dokładniej odwzorowuje pozycje Cartesian |
| Robot + model korekcyjny | zna również charakterystyczny residual error | przewiduje i kompensuje część błędów |
| Robot adaptacyjny | wykorzystuje model i aktualne dane procesowe | może korygować wykonanie procesu |
Największa zmiana zachodzi więc nie wtedy, kiedy kupujemy nowsze ramię.
Następuje wtedy, kiedy model robota zaczyna być aktualizowany wiedzą pochodzącą z rzeczywistej maszyny.
To również zmienia ekonomię automatyzacji
Przez wiele lat duża część kosztu robotyzacji nie wynikała z ceny manipulatora.
Kosztowało:
programowanie,
touch-up,
kalibracja,
uruchomienie,
kolejne zmiany produktu,
poprawianie trajektorii po zmianach w oprzyrządowaniu.
ABB wskazuje, że Absolute Accuracy ma ograniczać potrzebę touch-up przy programowaniu offline i ułatwiać ponowne wykorzystanie programów.
Jeżeli dodamy do tego automatyczne generowanie programu i model uczący się charakterystyki robota, pojawia się bardzo interesujący kierunek rozwoju automatyzacji:
[
czas\ wdrożenia
\downarrow
]
[
koszt\ programowania
\downarrow
]
[
liczba\ ręcznych\ korekt
\downarrow
]
[
opłacalna\ wielkość\ serii
\downarrow
]
Ostatnia zależność może być najważniejsza.
Bo jeżeli przygotowanie robota do następnej konstrukcji przestaje kosztować wiele godzin pracy specjalisty, robotyzacja zaczyna być ekonomicznie uzasadniona również dla mniejszych partii.
Robot przyszłości nie musi być dokładniejszy mechanicznie. Może lepiej znać samego siebie
To chyba najbardziej interesujący wniosek z rozwoju Physics AI.
Przez lata drogą do dokładniejszego procesu było budowanie:
sztywniejszej konstrukcji,
dokładniejszych przekładni,
lepszych napędów,
droższych systemów pomiarowych.
Ta droga pozostaje ważna.
AI otwiera jednak drugą.
Możemy próbować nauczyć sterowanie:
jak dokładnie zachowuje się konkretna maszyna.
Wtedy rzeczywista pozycja może być opisana jako:
[
\mathbf x_{real}
\mathbf x_{physics}
+
\mathbf x_{learned}
]
Pierwszy składnik wynika z modelu fizycznego.
Drugi reprezentuje korekcję wynikającą z danych.
To nie jest matematyczny opis własnościowego algorytmu Xaba, którego firma nie publikuje.
Jest to natomiast bardzo dobre wyjaśnienie kierunku, w którym zmierza współczesna robotyka przemysłowa.
Co to oznacza dla automatyzacji spawania LEAS i Ventor Technologie?
W praktycznym projekcie nie wystarczy już zapytać:
„Jaką powtarzalność ma robot?”
Trzeba zapytać również:
Jakiej dokładności wymaga proces?
Czy program będzie uczony ręcznie czy generowany offline?
Jak dokładny jest detal?
Jak stabilne jest jego mocowanie?
Jak zmienia się geometria pomiędzy kolejnymi sztukami?
Czy potrzebne jest aktywne wykrywanie złącza?
Jak duży wpływ na trajektorię ma obciążenie i konfiguracja ramienia?
Dopiero odpowiedzi na te pytania pozwalają zdecydować, czy wystarczy klasyczny robot, czy potrzebna jest dokładniejsza kalibracja, dodatkowy system sensoryczny, korekcja trajektorii albo rozwiązanie wykorzystujące Physics AI.
W projektach Ventor Technologie i LEAS właśnie taki sposób myślenia o automatyzacji staje się szczególnie istotny.
Nie wybieramy robota przez jedną liczbę z katalogu.
Projektujemy cały łańcuch dokładności procesu.
Najważniejsza liczba w katalogu robota może nie być tą, której szukasz
Jeżeli klient widzi:
repeatability ±0,05 mm
bardzo łatwo dojść do wniosku:
„robot pracuje z dokładnością pięciu setnych”.
Technicznie takie zdanie może być bardzo mylące.
Powtarzalność mówi:
jak dobrze robot wróci w to samo miejsce.
Dokładność odpowiada na inne pytanie:
czy jest to miejsce, do którego naprawdę chcieliśmy pojechać.
A dokładność ścieżki stawia jeszcze trudniejsze:
czy pomiędzy punktem A i B robot przejechał dokładnie po linii, którą zaprojektowaliśmy.
Przy prostym pick-and-place różnice te mogą mieć ograniczone znaczenie.
Przy spawaniu, cięciu, obróbce, klejeniu, kontroli metrologicznej oraz programowaniu offline stają się fundamentalne.
I właśnie dlatego kolejnym etapem rozwoju robotyki przemysłowej może nie być robot o jeszcze większym udźwigu czy większej prędkości.
Może nim być robot, który coraz dokładniej rozumie różnicę pomiędzy własnym modelem matematycznym a swoim rzeczywistym zachowaniem.
Wtedy AI przestaje być dodatkiem do automatyzacji.
Staje się elementem sterowania fizyczną maszyną.
A to jest znacznie większa zmiana, niż samo automatyczne napisanie programu.
Bo zanim robot zacznie podejmować lepsze decyzje, najpierw musi wiedzieć, gdzie naprawdę jest.
Z pozdrowieniem
Przemysław Kamiński
#ventorPower #VentorTechnologie #Robotyzacja #AutomatyzacjaProdukcji