Genauigkeitssteigerung in der robotergeführten Brenstoffzellenmontage mittels künstlicher neuronaler Netze
Zentrale Herausforderungen bei der automatisierten Handhabung von Objekten sind prozesssicheres Greifen, Bewegen und Ablegen mit angemessener Genauigkeit. In dieser Arbeit wird gezeigt, wie mittels künstlicher neuronaler Netze automatisierte Handhabungsprozesse hinsichtlich ihrer Genauigkeit kalibriert werden und dadurch ihre Montagezuverlässigkeit und Produktivität verbessert werden kann. Als Grundlage für Versuchsreihen zum Einsatz künstlicher neuronaler Netzen dient die Montage von Protonen-Austausch-Membran-Brennstoffzellen. Hierfür werden spezifische Anforderungen an die Handhabung und Stapelbildung biegeschlaffer Brennstoffzellenkomponenten erläutert und eine roboterbasierte Stapelanlage konzeptioniert und prototypisch umgesetzt. Bei der Konzeptionierung der Montagezelle wird auf verschiedene Layouts, Prozessabläufe sowie auf die Produktivität und den technischen Aufwand eingegangen, wobei der Bedarf einer leistungsfähigen Kalibrierstrategie deutlich wird. Ausgehend von der Annahme, dass mit künstlichen neuronalen Netzen komplexe Fehlerzusammenhänge modellierbar sind, kann bei vergleichsweise geringem mechanischem Aufwand eine hohe Produktivität erreicht werden. Diese Erkenntnis und die Übertragbarkeit der Kalibriermethodik auf verschiedene Pick-and-Place-Anwendungen sind wichtige Beweggründe für diese Arbeit. Mittels der eigens gestalteten Montageanlage wird in verschiedenen Versuchsreihen mit zunehmender Komplexität iterativ der Einsatz von künstlichen neuronalen Netzen zur Genauigkeitssteigerung von Pick-and-Place-Prozessen erprobt. Es wird beschrieben, wie systemspezifische Montageabweichungen aufgezeichnet, mittels künstlicher neuronaler Netzes erlernt (modelliert) und kompensiert werden. Ausgehend von Einzelkomponenten bis zum präzisen Greifen verschiedener Bauteile aus Magazinen und dem Ablegen auf einem geneigten Brennstoffzellenstapel mit gekrümmter Montagefläche wird der Einsatz von tiefen, vorwärts gerichteten neuronalen Netzen erklärt und deren Potenziale zur Genauigkeitssteigerung analysiert. Dabei werden Erkenntnisse zu den Herausforderungen in der Datenerhebung, Modellierung und Anwendung der neuronalen Netze in realen Pick-and-Place-Anwendungen beschrieben.
Weiterhin enthält die Arbeit den wissenschaftlichen Vergleich verschiedener Regressionsmethoden für die Einordnung der Leistungsfähigkeit von künstlichen neuronalen Netzen im dargestellten Anwendungsfall. Hierbei werden die Ergebnisse von elf Regressionsmethoden über fünf verschiedene Datensätze miteinander verglichen und ausgewertet. Für hohe Evidenz im Vergleich der Regressionsmethoden wurden die Hyperparameter eines jeden Modells, jeder Methode zu jedem Datensatz mittels eines genetischen Algorithmus bis zu einem spezifischen
minimal konvergierenden Restfehler optimiert.
Final werden die Erkenntnisse zum Einsatz der künstlichen neuronalen Netze zur Genauigkeitssteigerung in einem generalisierten Prozessablauf zusammengefasst und an einem Stapelprozess getestet. Anhand des Stapelprozesses werden weitere Erkenntnisse zu den technischen Voraussetzungen, den Grenzen und Gefahren, aber auch zu Gestaltungsvarianten und weiteren potentiellen Einsatzmöglichkeiten künstlicher neuronaler Netze aufgezeigt.
Key challenges in automated handling of objects are process-safe gripping, moving and depositing with the appropriate precision and speed. The present paper shows how artificial neural networks can be used to calibrate automated handling processes with regard to their accuracy, thus improving assembly reliability and productivity.
The development of a robot-based assembly system for fuel cells is described as the basis for a test series on the use of artificial neural networks. In the design of the Pick-and-Place assembly cell for fuel cells, different layouts, process flows as well as productivity and technological effort are addressed. Using an industry-based assembly system for fuel cells, the use of artificial neural networks to increase the accuracy of Pick-and-Place processes is tested in various, increasingly complex test runs. It is described how system-specific assembly deviations are recorded, learned (modeled) by artificial neural networks and compensated. From single components to the precise gripping of different components from magazines and placing them on a slanted fuel cell stack with a curved mounting surface, the use of deep feedforward neural networks is explained and their potential demonstrated. Furthermore, the paper includes a comparison of regression methods to classify the performance of artificial neural networks in the presented use case. In conclusion, the findings on the use of the networks to increase accuracy are summarized in a generalized process flow (“recipe”) and illustrated by means of the final stacking process.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
