Methodenentwicklung zur Energieeffizienzsteigerung in der vakuumbasierten Handhabung
Vakuumbasierte Handhabung wird in einer Vielzahl unterschiedlicher Anwendungsbereiche eingesetzt, beispielsweise zur roboterbasierten Handhabung von Karosserieblechen in Presswerken oder zur Handhabung von Versandkartons in der Intralogistik. Aufgrund der verlustbehafteten Energiewandlungskette in der vakuumbasierten Handhabung ist der wirtschaftliche Umgang mit der Druckluft von hoher Priorität. Eine Herausforderung hierbei liegt in der Vielzahl von Unsicherheiten und äußeren Störeinflüssen. Industriell etablierte Auslegungsansätze begegnen diesen Einflüssen mit der Überdimensionierung mittels Sicherheitsfaktoren, beispielsweise durch die Bereitstellung einer erhöhten Haltekraft. Dies steht einer wirtschaftlichen Druckluftnutzung für die vakuumbasierte Handhabung jedoch entgegen. Eine zentrale Herausforderung besteht darin, die Haltekraft des Greifsystems mit dem Ziel einer hohen Prozesssicherheit und eines geringen Druckluftverbrauchs angemessen zu dimensionieren. Der methodische Kern der vorliegenden Dissertation liegt daher in der modellbasierten Greifsystemauslegung, mit Fokus auf der Blechhandhabung. Im Einzelnen wurden Methoden zur Greifpunktoptimierung und Greifsystemdimensionierung erarbeitet. Das Ziel der Greifpunktoptimierung ist, die an den einzelnen Greifpunkten erreichbare Haltekraft zu maximieren. Auf Basis einer vorgegebenen Robotertrajektorie wird anschließend überprüft, ob die Haltekraft ausreichend für einen stabilen Handhabungsprozess (ohne Bauteilverlust) ist. Im Rahmen der Greifsystemdimensionierung werden abschließend Saugeranzahl und -baugröße sowie die Regelparameter des Vakuumejektors dimensioniert, um den Energieaufwand zur Bereitstellung der erforderlichen Haltekraft zu minimieren. Als Kern dieser Auslegungsmethoden wurden im Rahmen dieser Dissertation drei Vorhersagemodelle erarbeitet. Das methodische Vorgehen für die Modellbildung basiert auf der Abstraktion von konkreten industrielle Bauteilen zu repräsentativen Prüfobjekten mit primitiven Oberflächengeometrien, sowie der Abstraktion industrieller Pick and Place Bewegungen auf die wesentlichen Lastfälle am Greifer-Objekt-Interface (Normal- und Querbelastung, wobei in dieser Arbeit ausschließlich die Normalbelastung betrachtet wurde). Auf Grundlage dieser Abstraktionsschritte wurde eine experimentelle Prüfmethode entwickelt, mit der die Versuchsdaten zur Parametrierung der Vorhersagemodelle aufgenommen wurden. Das methodische Vorgehen der Modellbildung lässt sich auf beliebige weitere Sauger-Objekt-Paarungen übertragen und somit eine breite Anwendbarkeit ermöglichen. Als Gegenentwurf zur Modellierung physikalischer Wirkzusammenhänge an der Sauger-Objekt-Grenzfläche für die Greifsystemauslegung wurde im Rahmen der vorliegenden Arbeit eine Prozessauslegungsmethode basierend auf Maschinellem Lernen erarbeitet und anhand des Beispiels der Kartonhandhabung experimentell untersucht. Basierend auf dem Deep Q-Learning, einer modellfreien Methode des Reinforcement Learning, wurde ein selbstständig lernendes Software-Agentensystem implementiert. Es wurde gezeigt, dass dieses System nach wenigen Hundert Versuchsiterationen in der Lage dazu ist, den Versorgungsdruck des Vakuumejektors so einzustellen, dass der Druckluftverbrauch um bis zu 70% reduziert werden konnte. Die Effizienzsteigerung in der vakuumbasierten Handhabung erfordert allgemein anwendbare und effiziente Auslegungsmethoden mit dem Ziel der Minimierung des Druckluftbedarfs. Die erarbeiteten modellbasierten und modellfreien Methoden liefern für die informierte Auslegung von vakuumbasierten Greifsystemen und den zugehörigen Prozessparametern einen wesentlichen Beitrag.
Vacuum-based handling is used in a variety of different applications, for example for robot-based handling of car body panels in press shops or for handling shipping cartons in intralogistics. Due to the lossy energy conversion chain in vacuum-based handling, the economical use of compressed air is a high priority. One challenge here is the multitude of uncertainties and external disturbances. Industrially established design approaches counter these influences with oversizing using safety factors, for example by providing an increased holding force. However, this stands in the way of economical use of compressed air for vacuum-based handling. A central challenge is to appropriately dimension the holding force of the gripping system with the goal of high process reliability and low compressed air consumption. The methodological core of this dissertation therefore lies in model-based gripping system design with a focus on sheet metal handling. In detail, methods for gripping point optimization and gripping system dimensioning were developed. The goal of gripping point optimization is to maximize the holding force achievable at each gripping point. Based on a given robot trajectory, it is then evaluated if the holding force is sufficient for a stable handling process (without losing the grasp object). Finally, as part of the gripping system dimensioning, the number and size of the suction cups and the control parameters of the vacuum ejector are dimensioned in order to minimize the energy required to provide the necessary holding force. As the core of these design methods, three prediction models were developed within the scope of this dissertation. The methodological approach for model building is based on the abstraction of concrete industrial components to representative test objects with primitive surface geometries, as well as the abstraction of industrial pick and place movements to the essential load cases at the gripper-object interface (normal and transversal load, whereas in this thesis only the normal load was considered). Based on these abstraction steps, an experimental test method was developed to record the test data for parameterization of the prediction models. The methodological approach to model building can be applied to any other gripper-object pairings, thus enabling broad applicability. As an alternative to the modeling of physical cause-effect relationships at the gripper-object interface for gripping system design, a process design method based on machine learning was developed in the present work and experimentally investigated using the example of carton handling. Based on Deep Q-Learning, a model-free reinforcement learning method, a self-learning software agent system was implemented. It was shown that after a few hundred test iterations, this system is capable of variably adjusting the supply pressure of the vacuum ejector over time in such a way that compressed air consumption can be reduced by up to 70%. Increasing efficiency in vacuum-based handling requires generally applicable and efficient design methods with the goal of minimizing compressed air consumption. The developed model-based and model-free methods provide a significant contribution for the informed design of vacuum-based gripping systems and the associated process parameters.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
All rights reserved