Od zaprogramowanego robota do robota, który rozumie proces. Jak Physics AI zmienia spawanie przemysłowe

Robot przemysłowy przez dziesięciolecia wykonywał dokładnie to, co zaprogramował człowiek. Nowa generacja systemów opartych na AI próbuje zrobić coś znacznie trudniejszego: połączyć geometrię, dane pomiarowe i model fizyczny maszyny, a następnie wykorzystać je do automatycznego przygotowania oraz korekcji procesu. Właśnie w tym kierunku rozwijane jest autonomiczne spawanie LEAS wykorzystujące technologię xCognition firmy Xaba.

Nie jest to historia o humanoidzie trzymającym uchwyt spawalniczy. Z punktu widzenia przemysłu znacznie ważniejsza zmiana zachodzi wewnątrz oprogramowania klasycznego robota sześcioosiowego.

LEAS określa tę koncepcję jako Physics AI. System nie ma jedynie analizować danych historycznych. Według producenta ma uwzględniać fizyczne zachowanie robota i procesu: bezwładność, tarcie, elastyczność konstrukcji, drgania, dynamikę narzędzia oraz rzeczywiste warunki pracy. LEAS wskazuje przy tym zastosowanie physics-informed neural networks, czyli sieci neuronowych, w których uczenie jest powiązane z ograniczeniami wynikającymi z fizyki.

To fundamentalna różnica.

Klasyczna robotyzacja odpowiada przede wszystkim na pytanie:

„Jak nakazać robotowi wykonać określony ruch?”

Physics AI przesuwa problem w stronę:

„Jak osiągnąć wymagany efekt procesu, mimo że rzeczywista maszyna nigdy nie zachowuje się identycznie jak jej idealny model matematyczny?”

I właśnie tutaj zaczyna się prawdziwa zmiana w automatyzacji przemysłowej.

Od programu punktowego do modelu procesu

W tradycyjnej celi spawalniczej integrator definiuje geometrię przejazdu robota, pozycje TCP, orientację palnika, prędkości, punkty wejścia i wyjścia oraz parametry procesu. Program może powstawać przez teaching na rzeczywistej maszynie albo offline.

Robot następnie wykonuje zapisane instrukcje.

Problem polega na tym, że program opisuje modelowy ruch, podczas gdy w hali produkcyjnej mamy do czynienia z rzeczywistym układem mechanicznym.

Ramię się ugina. Przekładnie mają swoją charakterystykę. Zmienia się obciążenie. Narzędzie posiada masę i moment bezwładności. Występuje tarcie, temperatura, drgania oraz niedoskonałości konstrukcji. Sam detal również może nie znaleźć się dokładnie tam, gdzie przewidywał model CAD.

Xaba podchodzi do tego problemu od innej strony. Firma opisuje xCognition jako system Cognitive Control umożliwiający automatyczne generowanie programów robotów i cobotów w natywnych językach sterowników producentów. Xaba deklaruje obsługę m.in. platform ABB, FANUC, KUKA, Kawasaki, Universal Robots, Panasonic oraz Yaskawa, a spawanie jest jedną z wymienianych aplikacji.

To oznacza, że AI nie musi zastępować sterownika robota. Może stać się warstwą inteligencji nad istniejącym układem sterowania.

Krok 1. Najpierw trzeba opisać, gdzie robot rzeczywiście jest

Podstawą robotyki jest kinematyka.

Dla robota sześcioosiowego możemy zapisać wektor położeń osi jako:

[
q =
[q_1,q_2,q_3,q_4,q_5,q_6]^T
]

Pozycja i orientacja końcówki roboczej TCP wynikają z funkcji kinematyki prostej:

[
x=f(q)
]

gdzie (x) opisuje pozycję i orientację TCP w przestrzeni.

W modelu idealnym określonemu zestawowi kątów (q) odpowiada dokładnie przewidywana pozycja (x).

Rzeczywistość jest bardziej skomplikowana:

[
x_{real}=f(q)+\Delta x
]

Składnik (\Delta x) może obejmować wpływ błędów geometrycznych, odkształceń, obciążenia, luzów, temperatury czy innych zjawisk występujących w rzeczywistym układzie.

I właśnie tego rodzaju różnica jest niezwykle ważna podczas spawania.

Robot może z bardzo dużą powtarzalnością wracać do tego samego miejsca, ale powtarzalność nie jest tym samym co bezwzględna dokładność trajektorii względem rzeczywistego detalu.

Xaba pokazała ten problem w swoim studium przypadku na standardowym robocie ABB IRB4600. Do układu sterowania dołączono przemysłowy kontroler zawierający algorytm xCognition, a następnie zebrano zestaw punktów pomiarowych służących do treningu modelu. Do walidacji wykorzystano laser tracker FARO Vantage oraz procedurę zgodną z ISO 9283.

W wersji bez xCognition Xaba podała błąd względny w zakresie:

[
0{,}697-1{,}078\ mm
]

Po zastosowaniu modelu ML:

[
0{,}098-0{,}187\ mm
]

W osobnym teście wiercenia firma podała błąd pozycjonowania otworów poniżej 0,02 mm.

Trzeba tu zrobić bardzo ważne zastrzeżenie: są to wyniki konkretnego eksperymentu Xaba dotyczącego dokładności robota i wiercenia, a nie gwarantowane parametry spawania LEAS. Pokazują jednak zasadę działania – dane rzeczywiste mogą służyć do nauczenia modelu zachowania konkretnego robota lepiej, niż pozwala na to wyłącznie jego nominalny model geometryczny.

Krok 2. AI musi poznać fizykę robota

Sama geometria nadal nie wystarcza.

Manipulator przemysłowy jest układem dynamicznym. W uproszczonej postaci jego ruch można zapisać równaniem:

[
M(q)\ddot q+C(q,\dot q)\dot q+g(q)+\tau_f=\tau+\tau_{ext}
]

gdzie (M(q)) oznacza macierz bezwładności, (C(q,\dot q)\dot q) opisuje efekty zależne od prędkości, (g(q)) odpowiada za wpływ grawitacji, (\tau_f) reprezentuje m.in. tarcie, (\tau) jest momentem generowanym przez napędy, natomiast (\tau_{ext}) może opisywać oddziaływania zewnętrzne.

W rzeczywistym robocie model może wymagać rozszerzenia o elastyczność, drgania czy dynamikę narzędzia. To właśnie te zjawiska LEAS wymienia, opisując Physics AI stosowane w xCognition.

AI może więc otrzymać zadanie nie tylko nauczenia się zależności:

[
q\rightarrow x
]

ale również rzeczywistego błędu:

[
\Delta x=g_\theta(z)
]

gdzie (g_\theta) jest modelem uczonym, a (z) może reprezentować zestaw obserwowanych zmiennych opisujących stan układu.

Dokładna postać własnościowego modelu xCognition nie została publicznie ujawniona. Nie należy więc twierdzić, że powyższe równanie jest kodem Xaba. Pokazuje ono jednak matematyczną ideę uczenia korekcji modelu fizycznego na podstawie danych rzeczywistej maszyny.

Krok 3. Physics AI – kiedy sieć neuronowa nie może „wymyślić” dowolnej odpowiedzi

Klasyczna sieć neuronowa może nauczyć się relacji pomiędzy wejściem i wyjściem:

[
\hat y=NN_\theta(x)
]

Uczenie polega następnie na takim doborze parametrów (\theta), aby minimalizować błąd względem danych.

Physics-Informed Neural Network wprowadza dodatkowy warunek: rozwiązanie powinno również respektować określone równania fizyczne.

W klasycznej pracy Maziara Raissiego, Parisa Perdikaris i George’a Karniadakisa problem został przedstawiony jako równanie:

[
u_t+\mathcal{N}[u]=0
]

a odpowiadający mu residual:

[
f:=u_t+\mathcal{N}[u]
]

Sieć jest trenowana nie tylko na zgodność z danymi, lecz również na minimalizację naruszenia ograniczenia fizycznego. Autorzy przedstawiają funkcję kosztu w postaci sumy części związanej z danymi oraz części wynikającej z równania fizycznego.

W uproszczeniu inżynierskim można to zapisać:

[
\mathcal L=
\lambda_d\mathcal L_{data}
+
\lambda_p\mathcal L_{physics}
]

Pierwszy składnik odpowiada za zgodność z pomiarami.

Drugi odpowiada za zgodność z fizyką.

To bardzo ważne w zastosowaniach przemysłowych. Model nie powinien znajdować matematycznie wygodnego rozwiązania, które z punktu widzenia rzeczywistej maszyny jest fizycznie niemożliwe.

LEAS właśnie ten rodzaj podejścia określa jako Physics AI i deklaruje wykorzystanie physics-informed neural networks do bardziej adaptacyjnego sterowania zachowaniem robota.

Krok 4. Od pozycji do trajektorii

Spawanie nie jest operacją punktową.

TCP musi przejść po określonej krzywej:

[
x_d(t)
]

Prędkość końcówki możemy opisać relacją:

[
\dot x=J(q)\dot q
]

gdzie (J(q)) jest jakobianem robota.

Jeżeli rzeczywista pozycja odbiega od zadanej:

[
e(t)=x_d(t)-x_{real}(t)
]

układ sterowania musi minimalizować błąd (e(t)).

W klasycznym sterowaniu można lokalnie szukać korekcji w przestrzeni osi robota za pomocą zależności wykorzystującej pseudoodwrotność Jacobiego:

[
\Delta q\approx J^+(q)e
]

System oparty na AI może rozszerzyć taki model o korekcje wynikające z zachowania konkretnej maszyny, jej obciążenia i innych zjawisk fizycznych.

Ponownie: nie jest to publikacja wewnętrznego algorytmu Xaba, lecz matematyczne wyjaśnienie problemu, który xCognition ma rozwiązywać.

LEAS opisuje tę funkcję w prostszy sposób: robot ma nie tylko wykonywać trajektorię, lecz interpretować własne zachowanie fizyczne i kompensować zmienne wpływające na jakość i dokładność.

Krok 5. W spawaniu geometria to dopiero połowa problemu

Nawet idealnie poprowadzony palnik nie gwarantuje dobrej spoiny.

Proces spawalniczy zależy między innymi od energii dostarczanej do złącza. Dla klasycznego podejścia do obliczenia energii liniowej używana jest zależność oparta na napięciu (U), prądzie (I) oraz prędkości spawania (v):

[
H=\frac{U\cdot I\cdot60}{v}
]

przy odpowiednio dobranych jednostkach.

W przypadku nowoczesnych źródeł z modulowanym przebiegiem prądu i napięcia dokładniejsze jest wykorzystanie rzeczywistej energii lub chwilowej mocy procesu:

[
H=\frac{E}{L}
]

albo:

[
H=\frac{P\cdot t}{L}
]

gdzie (E) jest zmierzoną energią, (P) mocą, (t) czasem trwania łuku, a (L) długością spoiny. Dokument techniczny Lincoln Electric dotyczący wymagań ASME zwraca uwagę, że przy procesach sterowanych przebiegiem samo mnożenie średniego napięcia przez średni prąd może niedokładnie odwzorowywać rzeczywiste dostarczenie energii.

Nie oznacza to, że xCognition wykorzystuje dokładnie te równania jako swoją funkcję sterującą – Xaba nie publikuje tak szczegółowej architektury produktu. Pokazuje to natomiast, dlaczego autonomiczne spawanie jest znacznie trudniejszym problemem niż samo prowadzenie TCP po ścieżce.

Trzeba kontrolować jednocześnie geometrię i proces.

Krok 6. AI generuje program zamiast programisty zapisującego setki punktów

Jedną z najciekawszych funkcji xCognition jest automatyczne generowanie programów robota.

Xaba deklaruje, że rozwiązanie generuje programy w natywnym języku OEM danego robota, zamiast wymagać ręcznego tworzenia całej logiki. Platforma jest przewidziana dla wielu marek robotów i szerokiej grupy procesów, w tym spawania, obróbki, szlifowania, gratowania, polerowania, malowania czy pick-and-place.

To zasadniczo zmienia ekonomię robotyzacji produkcji małoseryjnej.

W produkcji milionowego detalu kilka godzin programowania jest kosztem marginalnym.

Przy serii dziesięciu, dwudziestu albo stu różnych konstrukcji sytuacja wygląda zupełnie inaczej. Czas przygotowania programu może stać się znaczącą częścią kosztu produkcji.

Dlatego jednym z najważniejszych kierunków rozwoju AI w robotyce przemysłowej nie musi być zwiększenie maksymalnej prędkości robota.

Może nim być skrócenie czasu pomiędzy pojawieniem się nowej geometrii a rozpoczęciem produkcji.

LEAS wskazuje właśnie na ograniczenie zależności od ręcznego programowania, szybsze przezbrojenia i łatwiejszą obsługę zmiennych partii produkcyjnych jako jedne z korzyści Physics AI. Firma podaje również, że technologia może być integrowana zarówno z nowymi instalacjami, jak i istniejącymi robotami i cobotami.

Krok 7. Po uruchomieniu programu system nie powinien przestać myśleć

Druga zasadnicza różnica dotyczy wykonywania programu.

W klasycznym systemie wygląda to w uproszczeniu:

[
program\rightarrow robot\rightarrow ruch
]

System adaptacyjny tworzy pętlę:

[
model\rightarrow program\rightarrow wykonanie\rightarrow pomiar\rightarrow korekcja
]

i ponownie:

[
korekcja\rightarrow wykonanie
]

LEAS deklaruje działanie Physics AI podczas procesu oraz korekcję zachowania robota w czasie rzeczywistym. W materiałach dotyczących autonomicznego spawania firma mówi również o machine learningu, samoregulacji i kompensowaniu zmian materiałowych lub środowiskowych.

To właśnie w tym miejscu zaczynamy mówić o adaptacyjnym procesie, a nie tylko o automatycznie napisanym programie.

Tradycyjny robot i robot wspierany przez Physics AI – gdzie leży różnica?

Źródła opisujące funkcje xCognition i podejście LEAS do Physics AI:

Czy można matematycznie zdefiniować „dobrą” autonomiczną spoinę?

W praktyce system sterowania musi pogodzić wiele sprzecznych celów.

Możemy przedstawić to koncepcyjnie jako problem optymalizacyjny:

[
\min J=
w_1E_{path}
+w_2E_{process}
+w_3T_{cycle}
+w_4E_{energy}
+w_5R_{rework}
]

gdzie (E_{path}) odpowiada za błąd trajektorii, (E_{process}) za odchylenie parametrów procesu, (T_{cycle}) za czas cyklu, (E_{energy}) za zużycie energii, a (R_{rework}) reprezentuje ryzyko poprawki lub braku jakościowego.

Współczynniki (w_i) określają znaczenie poszczególnych kryteriów.

Nie jest to opublikowana funkcja celu xCognition. Jest to model pokazujący, dlaczego zaawansowana automatyzacja spawania coraz bardziej przypomina problem wielokryterialnej optymalizacji, a coraz mniej zapis punktów P1, P2, P3 w teach pendancie.

Robot ma wykonać nie tylko ruch.

Ma osiągnąć wynik procesu.

Najciekawszy dowód Xaba: zwykły robot może zachowywać się znacznie lepiej

Studium przypadku ABB IRB4600 jest interesujące jeszcze z jednego powodu.

Xaba nie zaczęła od zaprojektowania własnego, specjalistycznego manipulatora. Zastosowała standardowego robota przemysłowego, dodała warstwę własnego sterowania i uczenia, zebrała rzeczywiste dane, a następnie porównała zachowanie systemu przed i po zastosowaniu modelu ML.

To może być jedna z ważniejszych konsekwencji Physics AI dla przemysłu.

Dotychczas poprawę możliwości robota bardzo często utożsamialiśmy z zakupem dokładniejszej, sztywniejszej i droższej maszyny.

AI tworzy drugą drogę:

poprawić model i sterowanie istniejącej maszyny.

LEAS bardzo mocno akcentuje właśnie możliwość integracji technologii z robotami i celami znajdującymi się już na produkcji.

Z punktu widzenia CAPEX może być to niezwykle istotne.

Retrofit może być równie ważny jak nowe instalacje

Europa posiada tysiące robotów przemysłowych pracujących od wielu lat.

Mechanicznie wiele z nich nadal ma przed sobą długi okres eksploatacji. Problemem jest raczej ograniczona elastyczność oprogramowania, czas programowania oraz trudność szybkiego przechodzenia pomiędzy różnymi produktami.

Jeżeli nową warstwę inteligencji można dołożyć do istniejącego robota, zmienia się próg ekonomiczny całego projektu.

Nie zawsze trzeba zaczynać od:

nowy robot + nowa cela + nowy proces.

Możliwy staje się również scenariusz:

istniejący robot + analiza procesu + dodatkowy model AI + nowy sposób programowania i sterowania.

LEAS wprost wymienia retrofit istniejących instalacji jako jeden z obszarów zastosowania Physics AI.

Dla firm takich jak Ventor Technologie jest to szczególnie ciekawy kierunek automatyzacji, ponieważ rozmowa z klientem może rozpocząć się nie od pytania „jaki robot chcecie kupić?”, lecz od znacznie ważniejszego:

„Która część obecnego procesu powoduje dzisiaj największe ograniczenie?”

Autonomiczne spawanie nie oznacza spawania bez człowieka

Słowo „autonomiczne” bywa nadużywane.

W kontekście przemysłowym nie powinno być rozumiane jako całkowite usunięcie człowieka z procesu.

WPS, kwalifikacja technologii, przygotowanie złącza, materiały, kontrola jakości, wymagania bezpieczeństwa i odpowiedzialność za proces nadal pozostają elementami inżynierii produkcji.

Zmienia się natomiast podział pracy.

Człowiek definiuje wymagany rezultat i granice procesu.

System automatyzacji coraz częściej sam ustala, jak wykonać ruch prowadzący do tego rezultatu, a następnie obserwuje wykonanie i wprowadza korekty.

To zdecydowanie bardziej realistyczna wizja AI w przemyśle niż robot, który „sam nauczył się spawać”.

Dlaczego ta technologia pojawia się właśnie teraz?

LEAS zwraca uwagę na kilka równoległych problemów europejskiego przemysłu: presję kosztową, energię, niedobór wykwalifikowanych pracowników oraz potrzebę bardziej elastycznej produkcji. W takim środowisku automatyzacja ma nie tylko zwiększać liczbę detali na godzinę, ale również ograniczać przestoje, poprawki, odpady i czas potrzebny na uruchomienie następnego produktu.

To szczególnie ważne w produkcji high-mix/low-volume.

Klasyczna robotyzacja znakomicie radziła sobie z sytuacją:

jeden produkt × milion sztuk.

Znacznie trudniejszym przypadkiem jest:

setki różnych konstrukcji × małe serie.

Jeżeli każda zmiana wymaga kilku godzin pracy doświadczonego programisty, ekonomia automatyzacji bardzo szybko się pogarsza.

Jeżeli znaczną część tej pracy można generować automatycznie, robot może zacząć opłacać się w aplikacjach, które jeszcze kilka lat temu były trudne do uzasadnienia.

Co naprawdę wnosi do projektu LEAS?

W tego typu rozwiązaniu samo AI nie wystarcza.

Algorytm nie projektuje stanowiska spawalniczego, nie dobiera samodzielnie całej technologii, nie rozwiązuje mechaniki mocowania elementów i nie zastępuje doświadczenia procesowego.

LEAS łączy technologię xCognition z własnym doświadczeniem w spawaniu, robotyce i budowie kompletnych systemów automatyzacji. Firma przedstawia współpracę z Xaba właśnie jako połączenie warstwy Cognitive Control z wiedzą dotyczącą rzeczywistych procesów przemysłowych i integracji kompletnych instalacji.

To ważne rozróżnienie.

AI jest warstwą technologii.

Dopiero połączenie jej z robotem, źródłem spawalniczym, oprzyrządowaniem, sensoryką, bezpieczeństwem, logistyką detalu i technologią spawania tworzy instalację produkcyjną.

Gdzie widzę największy potencjał?

Najbardziej interesujące zastosowania nie muszą znajdować się tam, gdzie produkuje się milion identycznych części.

Physics AI może być szczególnie wartościowe tam, gdzie występują duże konstrukcje, częste zmiany produktów, skomplikowane trajektorie i wysoki koszt programowania.

LEAS wskazuje między innymi przemysł energetyczny, infrastrukturę data center, ciężkie konstrukcje i stocznie, HVAC i AGD, Oil & Gas, aerospace, defence oraz szeroko rozumiany general industry.

Właśnie w takich zakładach koszt automatyzacji często nie wynika z ceny samego robota.

Wynika z inżynierii potrzebnej do obsługi zmienności.

Jeżeli AI potrafi ograniczyć ten koszt, może to być znacznie większa zmiana niż kolejna generacja szybszego manipulatora.

Nie „robot AI”, lecz nowa architektura automatyzacji

Najważniejszym błędem byłoby sprowadzenie xCognition do hasła marketingowego „robot ze sztuczną inteligencją”.

Technicznie dzieje się coś znacznie ciekawszego.

Mamy geometrię produktu.

Mamy kinematykę robota.

Mamy jego dynamikę.

Mamy rzeczywiste pomiary.

Mamy model uczony.

Mamy ograniczenia wynikające z fizyki.

Mamy wymagania procesu spawalniczego.

A nad nimi warstwę oprogramowania, która ma połączyć te elementy i wygenerować sterowanie dla rzeczywistego robota.

Schemat można więc przedstawić następująco:

geometria detalu → wymagania procesu → model robota → dane rzeczywiste → Physics AI → generowanie programu → sterownik OEM → wykonanie → pomiar → korekcja

To jest znacznie bliższe pojęciu cognitive manufacturing niż klasycznej robotyzacji.

Kolejny etap robotyzacji będzie dotyczył oprogramowania

Przez ostatnie dekady rozwój robotów przemysłowych koncentrował się przede wszystkim na mechanice, napędach, udźwigu, zasięgu, prędkości i niezawodności.

Te parametry nadal są fundamentalne.

Ale coraz więcej przewagi zaczyna powstawać warstwę wyżej.

W oprogramowaniu.

W modelu.

W danych.

W sposobie generowania trajektorii.

W sposobie reagowania na różnicę pomiędzy cyfrowym projektem a fizycznym światem.

Xaba opisuje xCognition jako platformę Cognitive Control automatyzującą generowanie programów i umożliwiającą adaptację przemysłowych systemów sterowania. LEAS rozwija tę ideę w kierunku rzeczywistych procesów produkcyjnych, w tym autonomicznego spawania.

I moim zdaniem właśnie tutaj należy szukać najważniejszej zmiany.

Nie w pytaniu:

„Czy AI zastąpi spawacza?”

Znacznie trafniejsze pytanie brzmi:

„Ile procesów, których do tej pory nie opłacało się robotyzować ze względu na programowanie i zmienność produkcji, stanie się ekonomicznie możliwych do automatyzacji?”

Jeżeli odpowiedź będzie brzmiała „dużo”, Physics AI może zmienić rynek robotyki bardziej niż kolejna generacja samego robota.

Dla Ventor Technologie oznacza to również zmianę sposobu rozmowy o automatyzacji. Punktem wyjścia nie musi być już wybór marki robota. Powinien nim być proces: geometria, tolerancje, zmienność produkcji, czas przezbrojenia, jakość, obecne ograniczenia i koszt wykonania detalu.

Dopiero później dobiera się technologię.

Bo ostatecznie klient nie potrzebuje robota.

Potrzebuje procesu, który potrafi produkować samodzielniej, stabilniej i ekonomiczniej.

Z pozdrowieniem

Przemysław Kamiński

Ventor Technologie