28
ATP (Subject) / VL9 (Lesson)
Advertisement
- Interpolationsarten Point-to-point Linear/zirkular
- Überschleifen Geschwindigkeitsvorteile Weg- und Geschwindigkeitsbedingung
- Roboterprogrammierverfahren Online (Teach-In/Playback) Offline (Textuell/grafisch, Simulationssysteme, Aufgabenorientiert)
- Leistungsumfang von Simulationstools Prozess-/Herstellerspezifische Simulationsumgebung Layout der Zelle (Erreichbarkeiten) Programmtest und Optimierung ohne Risiko einer realen Kollision CAD-Daten direkt verwenden
- Sicherheitsanforderungen an Industrieroboter Generelle Unterscheidung von drei Betriebsmodi (Automatisch, Manuell mit red. Geschw., Manuell mit hoher Geschw.) Bei Gefährund des Menschen Kollaborierende Roboter
- Arten der Zusammenarbeit Zelle Koexistenz Synchronisiert Kooperation Kollaboration
- Definition Genauigkeit bei Robotern Absolutgenauigkeit (Genauigkeit, mit der beliebige Positionen unter beliebigen Bedingungen angefahren werden können) Wiederholgenauigkeit (...unter konstanten Bedingungen...)
- Einflussgrößen auf die Wiederholgenauigkeit Stochastische Fehler: mechanisch (Gelenkspiel, Stick-Slip-Effekte, Schwingungseinflüsse etc.) softwaretechnisch (Rundungsfehler) hardwaretechnisch (Auflösung der sensorik)
- Einflussgrößen auf die Absolutgenauigkeit Systematische Fehler (Zshg. TCP und Gelenkstellung gestört) Mechanisch (Fertigungs-/Montagetoleranzen, Verzug etc.) Software (Modellvereinfachung) Hardware (Linearität der Sensorik)
- Roboterkalibirierung Verbesserung der Absolutgenauigkeit durch Einsatz eines erweiterten Kinematikmodells Modellierung - Vermessung - Identifikation
- Advertisement
- Identifikationsmodell Least-Squares-Ansatz min[F(x)] = II M(h) - T(p',h) II2
- Allgemeiner Ablauf der Inbetriebnahme Erweiterte Baugruppenkonstruktion Demonstrationsbasierte Ablaufdefinition Simulative Arbeitsplanabsicherung und -freigabe Übergabe und Ausführung verifizierter Arbeitspläne
- Gründe Abweichung Modell und Realität Fehlerhaftes Erfassen der Positionen Fertigungstoleranzen, Linearitätsfehler, Werkstücktoleranzen Mangelnde Abbildung im modell von: Erwärmung, Dynsmik, Lastverhältnisse
- Arten der Instandhaltung nach DIN 31051 Reaktiv, Periodisch, Zustandorientiert
- Aktuelle Entwicklungsrichtung der industriellen Produktion Deskriptiv, Diagnostisch, Prädiktiv, Präskriptiv I4.0 verspricht das Potenzial, die 4 Stufen der "Data Analytics" zu heben
- Ziele und Motivation des Condition Monitoring KOstensenkung von Produktionssystemen im Lebenszyklus Verfügbarkeitssteigerung in der Betriebsphase, Optimierung einzelner Fertigungsphasen, Schnelle Fehlerlokalisierung-/eingrenzung Verfügbarkeitsgarantien, Wartungsvorbereitung, Kompetenzsteigerung und Abgrenzung von Mitbewerbern, neue Geschäftsmodelle
- Verfügbarkeit Formel V=(Gesamtzeit-Gesamtausfallzeit)/(Gesamtzeit) = (i+B)/P mit P = I+B+R+W
- Leistungsbewertung von Produktionsanlagen Mean Time to Repair (MTTR) - Auftritt Fehler bis Wiederanlauf Mean Time Betwen Failure (MTBF) - Erwartungswert der Betriebsdauer zwischen Fehlern V=MTBF/(MTBF+MTTR)
- Ansätze zur Optimierung der Verfügbarkeit 1) Prognose für Ausfallzeitpunkt: Zeiträume mit geringem Produktionvolumen - Vorwarnzeit 2) Minimierung/Vermeidung der TTR-Phase: Überlasterkennung, vermeidung von Schäden, die durch Prozessstörung verursacht werden
- Schritt zum Entwurf einer Messsystematik nach Brecher Prüfobjekt techn. Prozess - Signalerfassung - Vorverarbeitung - Merkmalsberechnung - Enscheidung - Diagnose (Lernen) - Reaktion
- Allgemeines Vorgehen Welche Anforderungen an Zustandsüberwachungssystem? Schwachstellenkomponenten Welche Prozessstörungen sind möglich? Sind Ausfälle vorhersagbar? Ermittlung der Folgeschäden/-kosten Anforderungen der umfassenden Systemplattform
- Sensorkonzepte Steuerungsinterne Überwachung: Kostengünstig, keine neue Fehlerquelle, Direkte visualisierung; abtastrate an Zyklus der Steuerung gebunden, Verzögerung durch Bussystem, ggf. nur Schätzwerte vorhanden Steuerungsexterne Überwachung: Sehr hohe Abtastrate, Keine Delays, Beliebige Prozessgrößen messbar; Kostenintensiv, Zusätzliche Visualisierung notwendig, zusätzliche Fehlerquelle durch Sensoren, Kalibirierungsaufwand
- SWOT-Analyse zur Verwendung des Machine Learning Ansatzes Strenghts: Automatische Identifikation, Optimierter Ansatz für zustandsbasierte Wartung, Schneller und effizienter als manuelle Modellierungsmethoden Weaknesses: Bedarf an großen Datenmengen, Notwendigkeit der Überprüfung zahlreicher Algorithmen auf Eignung, Online-Optimierung teilweise unmöglich, Unsicherheit Threats: Überanpassung, Verlust von Entscheidungstransparenz, Vernachlässigung bestehender Modelle/Wissen, Fehlerhafte Prognose Opportunities: Automatisierte Modellerstellung, Robust, Echtzeitfähig, Verfügbarkeit von SW-Tools/Bibliotheken
- Die wichtigsten Algorithmen Unsupervised Learning Superised Learning Reinforcement Learning Neural Networks (Deep Learning)
- Support Vector Machines Klassen in Hyperebenen unterteilen mit max. Abstand Lineare Separierung der Daten
- Diskriminanzanalyse Ges: Optimale Trennfunktion, Projektion eines Mehr-DIM Merkmalsvektors auf einen 1-D
- Supervised Learning Methoden Support Vector Machines Diskriminanzanalyse Regressionsanalyse
- Unsupervised Learning Methoden k-Means (Clustering) Gaussian Mixture Models