EP4133341A1 - Roboterprozess - Google Patents

Roboterprozess

Info

Publication number
EP4133341A1
EP4133341A1 EP21715537.3A EP21715537A EP4133341A1 EP 4133341 A1 EP4133341 A1 EP 4133341A1 EP 21715537 A EP21715537 A EP 21715537A EP 4133341 A1 EP4133341 A1 EP 4133341A1
Authority
EP
European Patent Office
Prior art keywords
run
quality factor
value
basis
variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21715537.3A
Other languages
English (en)
French (fr)
Inventor
Manuel KASPAR
Jonas SCHWINN
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KUKA Deutschland GmbH
Original Assignee
KUKA Deutschland GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KUKA Deutschland GmbH filed Critical KUKA Deutschland GmbH
Publication of EP4133341A1 publication Critical patent/EP4133341A1/de
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49065—Execute learning mode first for determining adaptive control parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Definitions

  • the present invention relates to a method, system and
  • Computer program product for carrying out a process, in particular with the aid of at least one robot.
  • the object of the present invention is to improve the implementation of a process, in particular a robot-assisted process.
  • a method for carrying out a process in one embodiment with the aid of, in particular by, at least one robot (s), comprises the steps:
  • the initial process control which in one embodiment can be a default, in particular standard process control or also already, in particular empirically, pre-optimized, and for this or in the process values of the first process variable and, in one embodiment, after this Process run, an evaluation of this carried out (initial) process run, in one embodiment an evaluation by a person, have been recorded, according to an embodiment of the present invention, the following evaluation learning steps are repeated several times:
  • An implementation is based on the idea of using at least one machine learning method for the evaluation of process runs. In this way, complex and / or changing processes can also be advantageously optimized in one implementation, in particular if a process success is difficult to measure directly.
  • a person, image and / or audio processing can, for example, very easily assess whether a robot-supported plugging or (plugging) process was successful when clipping snaps or the like in a robot-assisted manner, in particular by visually assessing the joining result by the People, image processing of the joining result through image processing, in particular recognition or detection of a (one) snap noise through audio processing, while this cannot be easily read on the basis of force or joint angle curves of the robot.
  • an optimization of the process by an optimizer is combined with the assessment of the process (success) using a machine learning method.
  • a quality factor of the process is a success of the process or another factor or component of the quality criterion.
  • an evaluation of a process run in one embodiment comprises a value (specification) for this or this quality factor or the recording of an evaluation of a process run carried out, the recording of a value of this quality factor for this process run carried out.
  • the quality criterion is a cost function of the optimizer (to be minimized).
  • the value of the quality criterion is determined for one or more process cycles carried out with one (the) varied process control (s) in an (the) evaluation learning step (s) on the basis of the recorded evaluation of this process cycle, in one embodiment the value of the quality criterion is determined in the same way as in the process control optimization step (s), the recorded evaluation being used instead of the quality factor determined by the quality factor model (still, only in one embodiment).
  • this can improve the optimization, in particular convergence, in particular increase stability and / or reduce a required time and / or number of passes, and / or improve the practicability of the optimum found or the optimized process, in particular robot control.
  • the method has the following steps:
  • the value of the quality criterion for one or more process runs carried out with one (the) varied process control (s) in one (s) evaluation learning step (s) is (in each case) based on the process run for this, in particular this, process run
  • the value of the second process variable is determined or the value of the quality criterion additionally depends on the value of the second process variable recorded for this, in particular during this process run, the recorded evaluation of this process run being independent of this value of the second process variable.
  • the value of the quality criterion for one or more of the process run carried out for one or more process control (s) in a process control optimization step (s) is (in each case) based on the process run carried out for this (in particular for The value of the second process variable recorded for this process run is determined or the value of the quality criterion additionally depends on the value of the second process variable recorded for this, in particular during this process run, in an embodiment in the same way as for the evaluation learning step (s) ( en), the quality factor determined by the first quality factor model being independent of this value of the second process variable.
  • a further or second one-dimensional or multi-dimensional variable for example the process duration or the like, is taken into account when determining the (value of the) quality criterion or during optimization .
  • this can improve the optimization, in particular convergence, in particular increase stability and / or reduce a required time and / or number of passes, and / or improve the practicability of the optimum found or the optimized process, in particular robot control.
  • an evaluation of this process run is performed detected, in one embodiment in the same way as in the evaluation learning step (s), and in one embodiment with a first quality factor model determined by the machine-learned first quality factor model on the basis of the value of the first process variable recorded for this, in particular during this, process run Quality factor compared.
  • the first quality factor model is learned further by machine on the basis of this value of the first process variable and this recorded evaluation.
  • machine learning is also learned further by the machine during the (further) optimization of the process control in the process control optimization phase or steps.
  • This can be particularly useful or advantageous if the process control changes significantly in the optimization phase, for example an additional movement is established in a joining process, so that the first process variable, for example joint coordinates or force profiles, change accordingly.
  • a message in one embodiment optical and / or acoustic, in one embodiment on the robot, for example by a robot-fixed lamp or the like, is output if, in particular as long as, there is a discrepancy between the recorded evaluation and the determined quality factor dependent tolerance variable lies outside a predetermined tolerance range.
  • the acquisition of an evaluation of a further process run carried out with a changed process control in a process control optimization step is carried out as a function of the result of this comparison or depends on the result of this comparison.
  • the first quality factor model is learned further by machine if, in particular while, a quality factor determined by the first quality factor model deviates too much from the recorded evaluation or a tolerance variable dependent on this deviation is outside a specified tolerance range.
  • a time interval of a further comparison can be increased in one embodiment or a further comparison can be omitted if a quality factor determined by the first quality factor model corresponds precisely enough with the recorded evaluation or a tolerance variable dependent on this deviation within a specified tolerance range lies.
  • this can improve the optimization, in particular convergence, in particular increase stability and / or reduce a required time and / or number of passes, and / or improve the practicability of the optimum found or the optimized process, in particular robot control.
  • At least one further quality factor model of the process is learned automatically, which (also) on the basis (of values) of the first process variable is a quality factor of the process determined, wherein the first and further quality factor models are different.
  • the value of the quality criterion for the process run carried out with the changed process control is (also) determined on the basis of the further quality factor model learned by the machine based on the value of the first process variable determined for this, in particular during this process run, determined value of the first process variable.
  • two or more different types of machine learning methods or machine-learned quality factor models are bundled and aggregated (used) in one embodiment.
  • this can improve the optimization, in particular convergence, in particular increase stability and / or reduce a required time and / or number of passes, and / or improve the practicability of the optimum found or the optimized process, in particular robot control.
  • a message in one embodiment optical and / or acoustic, in one embodiment on the robot, for example by a robot-fixed lamp or the like, is output if one of a discrepancy between one by the first quality factor model and one by the further quality factor model on the basis of the value of the first process variable determined for the or during the process run in one of the process control optimization steps, the quality factor-dependent tolerance variable outside a predetermined tolerance range. In one embodiment, it is signaled (by the message) that operator intervention is required.
  • this can improve the optimization, in particular convergence, in particular increase stability and / or reduce a required time and / or number of passes, and / or improve the practicability of the optimum found or the optimized process, in particular robot control.
  • a confidence interval of the first quality factor model is determined and a message, in one embodiment optical and / or acoustic, in one embodiment on the robot, for example by a robot-fixed lamp or the like, is output if this exceeds a, in particular, predetermined limit value. In one embodiment, it is signaled (by the message) that operator intervention is required.
  • this can improve the optimization, in particular convergence, in particular increase stability and / or reduce a required time and / or number of passes, and / or improve the practicability of the optimum found or the optimized process, in particular robot control.
  • At least one process run carried out with a varied process controller (s) in an evaluation learning step (s) is evaluated on the basis of an electronically transmitted signal, in particular without a direct view of the process.
  • the electronically transmitted signal can in particular have one or more recorded images of the process.
  • the first process variable and / or the second process variable has robot-specific, in one embodiment, actual data and / or target data recorded by sensors on the robot side and / or external to the robot, in particular at least one coordinate of a pose of at least one reference and / or fixed to the robot a first and / or higher time derivative thereof, a force on at least one robot-fixed reference and / or at least one drive variable of at least one robot drive, and / or visual and / or audio and / or time data, in particular time periods.
  • the first process variable and / or the second process variable thus comprises robot traces or time courses of joint coordinates and / or of coordinates of end effector poses in the workspace and / or of time derivatives thereof and / or of external forces acting on the robot, in particular contact forces, and / or of driving forces and / or currents and / or voltages of drives of the robot.
  • forces antiparallel pairs of forces or torques are generally referred to as forces in the present case.
  • the first process variable and / or the second process variable in one embodiment includes visual data, in particular camera or image data, and / or audio signals or data that are determined on the basis of images, in particular camera images, and / or audio signals, in particular will.
  • the first process variable and / or the second process variable in one embodiment comprises a duration of the respective process cycle and / or one or more sections thereof.
  • Such process variables are on the one hand particularly suitable for optimizing processes and on the other hand can be taken into account or utilized particularly well with the aid of a machine-learned quality factor model.
  • ratings are collected using human input. For example, during and / or after a process run, an operator can specify or evaluate the value of the quality factor for this process run, in one embodiment assess the success of the process run.
  • evaluations are automatically recorded in one embodiment, with sensor support in one embodiment.
  • image and / or audio recognition or processing during and / or after a process run can specify or evaluate the value of the quality factor for this process run, in one embodiment evaluate the success of the process run.
  • the optimization in particular a convergence, can be improved, in particular a stability can be increased and / or a personnel expenditure, a required time and / or number of throughputs can be reduced.
  • evaluations are two-valued in one embodiment, in particular “good7“ bad ”,“ 07 “1”, “okay7“ not okay ”or the like.
  • the optimization in particular the stability, can be increased in one embodiment.
  • evaluations are three or more valued, include, for example, grades on a three or more valued scale, a classification into three or more different quality classes or the like.
  • the first quality factor model has a neural network, a random forests model, a decision tree model, a k-nearest neighbors model, a logistic regression model or a particularly generalized, linear model.
  • the further quality factor model has a neural network, a random forests model, a decision tree model, a k-nearest neighbors model, a logistic regression model or an, in particular, generalized, linear model, whereby in one embodiment the first and further figure of merit models are different.
  • machine learning methods are particularly suitable for determining a quality factor of a, in particular robot-supported, process.
  • different follow-up processes are carried out as a function of the recorded evaluation of a process carried out in an evaluation learning step. Additionally or alternatively, different follow-up processes are carried out in one embodiment as a function of the ascertained quality factor of a process carried out in a process control optimization step. For example, if the joining process is (sufficiently) successful, a component can be fed to a normal further process sequence and if the joining process is not (sufficiently) successful, the component can be sorted out or sent for post-processing.
  • a system for carrying out a process in one embodiment with the aid of, in particular by, at least one robot (s), in particular in hardware and / or software, in particular in programming, is for carrying out a method described here set up and / or has:
  • system or its means has:
  • Means for - for at least one process run carried out with a changed process control in a process control optimization step recording an evaluation of this process run and, in one embodiment, comparing it with a quality factor determined by the machine-learned first quality factor model on the basis of the value of the first process variable determined for this process run , as well as means for further machine learning of the first quality factor model on the basis of this value of the first process variable and this recorded evaluation and / or for outputting a message if a tolerance variable that is dependent on a deviation between the recorded evaluation and the determined quality factor is outside a specified tolerance range and / or to record an evaluation of a further process run carried out with a changed process control in a process control optimization step as a function of the result of this comparison; and or
  • Means for machine learning of at least one further quality factor model of the process which determines a quality factor of the process on the basis of the first process variable, on the basis of assessments and values of the first process variable recorded for, in particular for, assessment learning step (s), the first and other quality factor models are different, as well as means for determining - in at least one of the process control Optimization steps - the value of the quality criterion for the process run carried out with the changed process control based on the further quality factor model learned by the machine based on the value of the first process variable determined for this process run and / or for outputting a message if there is a discrepancy between a quality factor-dependent tolerance variable determined by the first quality factor model and by the further quality factor model on the basis of the value of the first process variable determined for or during the process run in one of the process control optimization steps lies outside a predetermined tolerance range; and or
  • a means within the meaning of the present invention can be designed in terms of hardware and / or software, in particular a processing, in particular microprocessor unit (CPU) and / or a, preferably digital, processing unit (CPU) and / or a data or signal connected to a memory and / or bus system or have several programs or program modules.
  • the CPU can be designed to process commands that are implemented as a program stored in a memory system, to acquire input signals from a data bus and / or to output output signals to a data bus.
  • the CPU can have, in particular, a graphics card (GPU) and / or at least one neural computing chip.
  • a storage system can contain one or more, in particular different, storage media, in particular optical, magnetic, solid-state and / or other non-volatile media.
  • a computer program product can have, in particular, a non-volatile storage medium for storing a program or with a program stored on it, wherein the execution of this program causes a system, in particular a computer, to use a method or process described here perform one or more of its steps.
  • one or more, in particular all, steps of the method are carried out completely or partially in an automated manner, in particular by the system or its means.
  • Fig. 2 a system for carrying out the method according to an embodiment of the present invention.
  • FIG. 2 shows a system for performing a method according to an embodiment of the present invention.
  • the system comprises a robot 10 with joint (drives) 11, which with its end effector 12 is intended to insert snapper 20 onto components 21 that are conveyed on a conveyor belt 70.
  • a (value of) a first process variable comprises robot traces x, for example axis angles and / or speeds and / or forces or torques in drives and / or axes and / or at the end effector 12, and is used in a machine learning method 50 , transmitted to an artificial neural network 51 in the exemplary embodiment.
  • an operator evaluates this process cycle, for example its success, via an input device 6. In another embodiment, he can also enter or enter a value for a different quality factor. This evaluation E is recorded and also reported to the machine learning method 50 or artificial neural network 51 and an optimizer 4.
  • a (value) of a second process variable in the form of a process duration y is also reported to the optimizer 4.
  • step S20 The parameters of the controller are then varied several times by the optimizer 4 and the process with the process control varied in this way, ie the controller parameters varied in this way, is carried out again (FIG. 1: step S20), as long as a termination criterion is not met (step S30: “N “), For example the neural network 51 has not yet been trained sufficiently or the quality factor model implemented as a result has not yet been sufficiently learned by machine.
  • the corresponding values x, y of the first and second process variables as well as the evaluation E are sent by the operator to the machine learning method 50 or artificial neural network 51 (x, E) or reported to the optimizer 4 (y, E).
  • the optimizer 4 determines the value of a quality criterion, for example as a weighted sum from the respective process duration y and the evaluation E and varies the parameters of the controller on the basis of this (value of the) quality criterion; the quality factor model or artificial neural network 51 is based on these evaluations E. and values of the first process variable x are trained or learned by machine. If the termination criterion is met (S30: "Y"), the system or method continues with process control optimization.
  • a quality criterion for example as a weighted sum from the respective process duration y and the evaluation E and varies the parameters of the controller on the basis of this (value of the) quality criterion; the quality factor model or artificial neural network 51 is based on these evaluations E. and values of the first process variable x are trained or learned by machine. If the termination criterion is met (S30: "Y"), the system or method continues with process control optimization.
  • step S40 The parameters of the controller are varied further by the optimizer 4 and the process with the process control varied in this way, ie the controller parameters varied in this way, is carried out again (step S40) until a termination criterion is met (step S50: “Y”), for example the The value of the quality criterion is in a specified range.
  • the value of the quality criterion is determined in an analogous manner as a weighted sum, with the quality factor E ‘determined by the machine-learned quality factor model 51 based on (the value) of the first process variable x being used instead of the evaluation E.
  • step S50 the process can continue to be carried out with the process control, in particular robot control, optimized in this way (S80), with further optimization and / or machine learning being possible here.
  • the process control optimization has not yet ended (S50: "N")
  • the quality of the machine-learned quality factor model is checked at regular intervals, for example a confidence interval or a deviation from a second, different quality factor model that is machine-learned in parallel, or one that is in an execution in increasing and / or on the deviation-dependent time intervals, further recorded evaluation E is checked. If the confidence interval or deviation become too large (S60: “Y”), operator intervention is requested or signaled (step S70), otherwise (S60: “N”) the process control optimization is continued.
  • the controller 30 instructs the conveyor belt 70 to feed the component 21 to a normal subsequent process or post-processing after the joining process.
  • the neural network 51 learns only on the basis of robot-specific sensor data x. In a modification, it can additionally or alternatively also take into account other data, for example the process duration y or the like. It should also be pointed out that the exemplary designs are only examples that are not intended to restrict the scope of protection, the applications and the structure in any way. Rather, the preceding description provides a person skilled in the art with guidelines for the implementation of at least one exemplary embodiment, with various changes, in particular with regard to the function and arrangement of the described components, being able to be made without departing from the scope of protection as it emerges from the claims and these equivalent combinations of features results.

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Manipulator (AREA)
  • Feedback Control In General (AREA)

Abstract

Ein erfindungsgemäßes Verfahren zur Durchführung eines Prozesses, insbesondere mithilfe wenigstens eines Roboters (10), weist die Schritte auf: Durchführen (S10) eines Durchlaufs des Prozesses mit einer Prozesssteuerung, insbesondere des Roboters; Erfassen (S10) eines Wertes einer ersten Prozessgröße (x) für dieses Durchführen; und Erfassen (S10) einer Bewertung (E) dieses durchgeführten Prozessdurchlaufs; die mehrfach wiederholten Bewertungs-Lernschritte: Variieren (S20) der Prozesssteuerung, insbesondere wenigstens eines Parameters der Prozesssteuerung, insbesondere eines Reglers (31), durch einen Optimierer (4) zu einer variierten Prozesssteuerung auf Basis von Werten eines Gütekriteriums für durchgeführte Prozessdurchläufe; Durchführen (S20) eines Durchlaufs des Prozesses mit der variierten Prozesssteuerung; Erfassen (S20) eines Wertes der ersten Prozessgröße für dieses Durchführen; und Erfassen einer Bewertung (E) dieses durchgeführten Prozessdurchlaufs; wobei ein erstes Gütefaktormodell (51) des Prozesses, welches auf Basis der ersten Prozessgröße (x) einen Gütefaktor (E') des Prozesses ermittelt, auf Basis dieser erfassten Bewertungen und Werte der ersten Prozessgröße maschinell gelernt wird; und die mehrfach wiederholten Prozesssteuerungs-Optimierungsschritte: Variieren (S40) der Prozesssteuerung durch den Optimierer zu einer veränderten Prozesssteuerung auf Basis von Werten des Gütekriteriums für durchgeführte Prozessdurchläufe; Durchführen (S40) eines Durchlaufs des Prozesses mit der veränderten Prozesssteuerung; und Erfassen (S40) eines Wertes der ersten Prozessgröße für dieses Durchführen; wobei der Wert des Gütekriteriums für wenigstens einen der mit einer der veränderten Prozesssteuerungen durchgeführten Prozessdurchläufe auf Basis eines durch das maschinell gelernte erste Gütefaktormodell auf Basis des für diesen Prozessdurchlauf erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktors (E') ermittelt wird.

Description

Beschreibung
Roboterprozess
Die vorliegende Erfindung betrifft ein Verfahren, System und
Computerprogrammprodukt zur Durchführung eines Prozesses, insbesondere mithilfe wenigstens eines Roboters.
Aus betriebsinterner Praxis ist es bekannt, Roboterprozesse, beispielsweise Regelparameter, durch Optimierer zu optimieren, die ein Gütekriterium optimieren, beispielsweise eine Kostenfunktion minimieren oder dergleichen.
Während die Optimierung, insbesondere Konvergenz und gefundene (lokale) Optima, sehr stark vom Gütekriterium abhängen, ist es in der Praxis oft schwierig, geeignete, insbesondere sensorisch ermittelbare, Gütekriterien zu formulieren, beispielsweise beim robotergestützten Einklippsen von Schnappern oder dergleichen: so kann ein Mensch sehr einfach beurteilen, ob ein robotergestützter Steck- bzw. (Ein)Schnappvorgang erfolgreich war, während dies anhand von Kraft- oder Gelenkwinkelverläufen des Roboters nicht ohne weiteres ablesbar ist.
Aufgabe der vorliegenden Erfindung ist es, die Durchführung eines Prozesses, insbesondere eines robotergestützten Prozesses, zu verbessern.
Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 gelöst. Ansprüche 12, 13 stellen ein System bzw. Computerprogrammprodukt zur Durchführung eines hier beschriebenen Verfahrens unter Schutz. Die Unteransprüche betreffen vorteilhafte Weiterbildungen.
Nach einer Ausführung der vorliegenden Erfindung umfasst ein Verfahren zur Durchführung eines Prozesses, in einer Ausführung mithilfe, insbesondere durch, wenigstens eines/-n Roboter(s), die Schritte:
- Durchführen eines Durchlaufs des Prozesses mit einer Prozesssteuerung, in einer Ausführung einer Prozesssteuerung des Roboters; - Erfassen eines (ein- oder mehrdimensionalen) Wertes einer ein- oder mehrdimensionalen ersten Prozessgröße für dieses, insbesondere bei diesem, Durchführen; und
- Erfassen einer Bewertung dieses durchgeführten Prozessdurchlaufs.
Nachdem der Prozess mit der initialen Prozesssteuerung, die in einer Ausführung eine Default-, insbesondere Standard-Prozesssteuerung oder auch bereits, insbesondere empirisch, voroptimiert sein kann, durchgeführt und dafür bzw. dabei Werte der ersten Prozessgröße sowie, in einer Ausführung im Anschluss an diesen Prozessdurchlauf, eine Bewertung dieses durchgeführten (Ausgangs)Prozessdurchlaufs, in einer Ausführung eine Bewertung durch einen Menschen, erfasst worden sind, werden nach einer Ausführung der vorliegenden Erfindung die folgenden Bewertungs-Lernschritte mehrfach wiederholt:
- Variieren der, insbesondere bisherigen bzw. vorherigen, Prozesssteuerung, in einer Ausführung eines oder mehrerer Parameter der Prozesssteuerung, in einer Weiterbildung eines Reglers, durch einen Optimierer, insbesondere ein, vorzugsweise numerisches, Optimierungsverfahren bzw. -mittel, insbesondere -algorithmus, zu einer variierten Prozesssteuerung auf Basis von Werten eines Gütekriteriums für durchgeführte Prozessdurchläufe;
- Durchführen eines (weiteren) Durchlaufs des Prozesses mit dieser variierten Prozesssteuerung;
- Erfassen eines Wertes der ersten Prozessgröße für dieses, insbesondere bei diesem, Durchführen; und
- Erfassen einer Bewertung dieses durchgeführten Prozessdurchlaufs, in einer Ausführung analog zu der Bewertung für die bzw. bei der initialen Prozesssteuerung; insbesondere also
- Variieren der initialen Prozesssteuerung durch den Optimierer zu einer variierten Prozesssteuerung auf Basis von Werten des Gütekriteriums für den durchgeführten Ausgangsprozessdurchlauf,
- Durchführen eines erneuten Durchlaufs des Prozesses mit dieser variierten Prozesssteuerung,
- Erfassen eines Wertes der ersten Prozessgröße für dieses, insbesondere bei diesem, erneuten Durchführen, und
- Erfassen einer Bewertung dieses durchgeführten Prozessdurchlaufs; sowie mehrfach
- weiteres Variieren der, insbesondere bereits ein- bzw. mehrfach variierten bzw. vorherigen, Prozesssteuerung durch den Optimierer zu einer variierten Prozesssteuerung auf Basis von Werten des Gütekriteriums für bisher durchgeführte Prozessdurchläufe,
- Durchführen eines weiteren Durchlaufs des Prozesses mit dieser variierten Prozesssteuerung,
- Erfassen eines Wertes der ersten Prozessgröße für dieses, insbesondere bei diesem, weiteren Durchführen, und
- Erfassen einer Bewertung dieses durchgeführten Prozessdurchlaufs; wobei ein erstes Gütefaktormodell des Prozesses, welches auf Basis von (einem Wert) der ersten Prozessgröße einen Gütefaktor des Prozesses ermittelt, auf Basis dieser erfassten Bewertungen und Werte der ersten Prozessgröße maschinell gelernt wird.
Einer Ausführung liegt die Idee zugrunde, für die Bewertung von Prozessdurchläufen wenigstens ein maschinelles Lernverfahren einzusetzen. Hierdurch können in einer Ausführung auch komplexe und/oder sich verändernde Prozesse vorteilhaft optimiert werden, insbesondere wenn ein Prozesserfolg direkt nur schwer messbar ist. We einleitend erläutert, kann beispielsweise beim robotergestützten Einklippsen von Schnappern oder dergleichen ein Mensch, eine Bild- und/oder eine Audioverarbeitung sehr einfach beurteilen, ob ein robotergestützter Steck- bzw. (Ein)Schnappvorgang erfolgreich war, insbesondere durch visuelle Beurteilung des Fügeergebnisses durch den Menschen, Bildverarbeitung des Fügeergebnisses durch eine Bildverarbeitung, insbesondere -erkennung bzw. Detektion eines (Ein)Schnappgeräusches durch eine Audioverarbeitung, während dies anhand von Kraft- oder Gelenkwinkelverläufen des Roboters nicht ohne weiteres ablesbar ist.
Entsprechend umfasst das Verfahren nach einer Ausführung der vorliegenden Erfindung nach dieser/-n Bewertungs-Lernphase bzw. -schritten die mehrfach wiederholten Prozesssteuerungs-Optimierungsschritte:
- Variieren der Prozesssteuerung durch den Optimierer zu einer veränderten Prozesssteuerung auf Basis von Werten des Gütekriteriums für durchgeführte Prozessdurchläufe;
- Durchführen eines Durchlaufs des Prozesses mit dieser veränderten Prozesssteuerung; und - Erfassen eines Wertes der ersten Prozessgröße für dieses, insbesondere bei diesem, Durchführen; wobei der Wert des Gütekriteriums für einen oder mehrere der Prozessdurchläufe, die mit einer der veränderten Prozesssteuerungen durchgeführt worden sind, (jeweils) auf Basis eines Gütefaktors ermittelt wird, der seinerseits durch das maschinell gelernte erste Gütefaktormodell auf Basis des für den bzw. bei dem jeweiligen Prozessdurchlauf erfassten Wertes der ersten Prozessgröße ermittelt wird.
Somit wird in einer Ausführung eine Optimierung des Prozesses durch einen Optimierer mit der Beurteilung des Prozess(erfolg)es durch ein maschinelles Lernverfahren kombiniert. Ein Gütefaktor des Prozesses ist in einer Ausführung ein Erfolg des Prozesses oder ein anderer Faktor bzw. Bestandteil des Gütekriteriums. Entsprechend umfasst eine Bewertung eines Prozessdurchlaufs in einer Ausführung eine(n) Wert(angabe) für diesen bzw. dieses Gütefaktor bzw. das Erfassen einer Bewertung eines durchgeführten Prozessdurchlaufs das Erfassen eines Wertes dieses Gütefaktors für diesen durchgeführten Prozessdurchlauf. Das Gütekriterium ist in einer Ausführung eine (zu minimierende) Kostenfunktion des Optimierers.
In einer Ausführung wird der Wert des Gütekriteriums für einen oder mehrere mit einer (der) variierten Prozesssteuerung(en) in einem (der) Bewertungs-Lernschritt(e) durchgeführten Prozessdurchlauf (jeweils) auf Basis der erfassten Bewertung dieses Prozessdurchlaufs ermittelt, in einer Ausführung der Wert des Gütekriteriums in gleicher Weise ermittelt wie bei dem bzw. den Prozesssteuerungs- Optimierungsschritt(en), wobei anstelle des durch das Gütefaktormodell ermittelten Gütefaktors (noch, in einer Ausführung nur) die erfasste Bewertung verwendet wird.
Hierdurch kann in einer Ausführung die Optimierung, insbesondere eine Konvergenz, verbessert, insbesondere eine Stabilität erhöht und/oder eine benötigte Zeit und/oder Durchlaufzahl reduziert, und/oder die Praktikabilität des gefundenen Optimums bzw. der optimierten Prozess-, insbesondere Robotersteuerung verbessert werden.
In einer Ausführung weist das Verfahren die Schritte auf:
- Erfassen von (ein- oder mehrdimensionalen) Werten einer zusätzlichen bzw. zweiten ein- oder mehrdimensionalen Prozessgröße für das, insbesondere bei dem, Durchführen von Prozessdurchläufen in Bewertungs-Lernschritten und/oder in Prozesssteuerungs-Optimierungsschritten.
In einer Weiterbildung wird der Wert des Gütekriteriums für einen oder mehrere mit einer (der) variierten Prozesssteuerung(en) in einem (der) Bewertungs-Lernschritt(e) durchgeführten Prozessdurchlauf (jeweils) auf Basis auch des für diesen, insbesondere bei diesem, Prozessdurchlauf erfassten Wertes der zweiten Prozessgröße ermittelt bzw. hängt der Wert des Gütekriteriums zusätzlich von dem für diesen, insbesondere bei diesem, Prozessdurchlauf erfassten Wert der zweiten Prozessgröße ab, wobei die erfasste Bewertung dieses Prozessdurchlaufs von diesem Wert der zweiten Prozessgröße unabhängig ist.
Zusätzlich oder alternativ wird in einer Weiterbildung der Wert des Gütekriteriums für einen oder mehrere mit einer (der) veränderten Prozesssteuerung(en) in einem (der) Prozesssteuerungs-Optimierungsschritt(e) durchgeführten Prozessdurchlauf (jeweils) auf Basis auch des für diesen, insbesondere bei diesem, Prozessdurchlauf erfassten Wertes der zweiten Prozessgröße ermittelt bzw. hängt der Wert des Gütekriteriums zusätzlich von dem für diesen, insbesondere bei diesem, Prozessdurchlauf erfassten Wert der zweiten Prozessgröße ab, in einer Ausführung in gleicher weise wie bei dem bzw. den Bewertungs-Lernschritt(en), wobei der durch das erste Gütefaktormodell ermittelte Gütefaktor von diesem Wert der zweiten Prozessgröße unabhängig ist.
Somit wird in einer Ausführung zusätzlich zu der erfassten Bewertung bzw. dem durch das Gütefaktormodell ermittelten Gütefaktor eine weitere bzw. zweite ein- oder mehrdimensionale Größe, beispielsweise die Prozessdauer oder dergleichen, bei der Ermittlung des (Wertes des) Gütekriteriums bzw. bei der Optimierung berücksichtigt.
Hierdurch kann in einer Ausführung die Optimierung, insbesondere eine Konvergenz, verbessert, insbesondere eine Stabilität erhöht und/oder eine benötigte Zeit und/oder Durchlaufzahl reduziert, und/oder die Praktikabilität des gefundenen Optimums bzw. der optimierten Prozess-, insbesondere Robotersteuerung verbessert werden.
In einer Ausführung wird für einen oder mehrere (der) mit einer (der) veränderten Prozesssteuerung(en) in einem (der) Prozesssteuerungs-Optimierungsschritt(e) durchgeführten Prozessdurchläufe (jeweils) eine Bewertung dieses Prozessdurchlaufs erfasst, in einer Ausführung in gleicher Weise wie bei dem bzw. den Bewertungs-Lernschritt(en), und in einer Ausführung mit einem durch das maschinell gelernte erste Gütefaktormodell auf Basis des für diesen, insbesondere bei diesem, Prozessdurchlauf erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktor verglichen.
In einer Weiterbildung wird das erste Gütefaktormodell auf Basis dieses Wertes der ersten Prozessgröße und dieser erfassten Bewertung weiter maschinell gelernt.
Mit anderen Worten wird das maschinelle Lernen auch während der (weiteren) Optimierung der Prozesssteuerung in der/-n Prozesssteuerungs-Optimierungsphase bzw. -schritten maschinell weiter gelernt. Dies kann insbesondere dann besonders zweckmäßig bzw. vorteilhaft sein, wenn sich die Prozessteuerung in der Optimierungsphase signifikant ändert, beispielsweise bei einem Fügeprozess eine Zusatzbewegung etabliert wird, so dass sich die erste Prozessgröße, beispielsweise Gelenkkoordinaten- bzw. Kraftverläufe entsprechend stark ändern.
Zusätzlich oder alternativ wird in einer Weiterbildung eine, in einer Ausführung optische und/oder akustische, Meldung, in einer Ausführung am Roboter, beispielsweise durch eine roboterfestes Lampe oder dergleichen, ausgegeben, wenn, insbesondere solange, eine von einer Abweichung zwischen der erfassten Bewertung und dem ermittelten Gütefaktor abhängige Toleranzgröße außerhalb eines vorgegebenen Toleranzbereichs liegt.
Hierdurch kann das weitere maschinelle Lernen während der (weiteren) Optimierung der Prozesssteuerung in der/-n Prozesssteuerungs-Optimierungsphase bzw. -schritten vorteilhaft so lange wie nötig fortgesetzt werden.
Zusätzlich oder alternativ wird in einer Weiterbildung das Erfassen einer Bewertung eines weiteren mit einer veränderten Prozesssteuerung in einem Prozesssteuerungs-Optimierungsschritt durchgeführten Prozessdurchlaufs in Abhängigkeit von dem Ergebnis dieses Vergleichs durchgeführt bzw. hängt von dem Ergebnis dieses Vergleichs ab. In einer Ausführung wird das erste Gütefaktormodell maschinell weiter gelernt, falls, insbesondere solange, ein von dem ersten Gütefaktormodell ermittelter Gütefaktor von der erfassten Bewertung zu stark abweicht bzw. eine von dieser Abweichung abhängige Toleranzgröße außerhalb eines vorgegebenen Toleranzbereichs liegt. Zusätzlich oder alternativ kann ein, in einer Ausführung zeitlicher, Abstand eines weiteren Vergleichs vergrößert werden oder ein weiterer Vergleich unterbleiben, wenn ein von dem ersten Gütefaktormodell ermittelter Gütefaktor genau genug mit der erfassten Bewertung übereinstimmt bzw. eine von dieser Abweichung abhängige Toleranzgröße innerhalb eines vorgegebenen Toleranzbereichs liegt.
Hierdurch kann in einer Ausführung die Optimierung, insbesondere eine Konvergenz, verbessert, insbesondere eine Stabilität erhöht und/oder eine benötigte Zeit und/oder Durchlaufzahl reduziert, und/oder die Praktikabilität des gefundenen Optimums bzw. der optimierten Prozess-, insbesondere Robotersteuerung verbessert werden.
In einer Ausführung wird auf Basis von für bzw. bei Bewertungs-Lernschritte(n) erfassten Bewertungen und Werten der ersten Prozessgröße wenigstens ein weiteres Gütefaktormodells des Prozesses maschinell gelernt, welches (ebenfalls) auf Basis (von Werten) der ersten Prozessgröße einen Gütefaktor des Prozesses ermittelt, wobei das erste und weitere Gütefaktormodell verschiedenartig sind.
In einer Weiterbildung wird in wenigstens einem der
Prozesssteuerungs-Optimierungsschritte der Wert des Gütekriteriums für den mit der veränderten Prozesssteuerung durchgeführten Prozessdurchlauf (auch) auf Basis des durch das maschinell gelernte weitere Gütefaktormodell auf Basis des für diesen, insbesondere bei diesem, Prozessdurchlauf erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktors ermittelt. In einer Ausführung werden somit zwei oder mehr verschiedenartige maschinelle Lernverfahren bzw. maschinell gelernte Gütefaktormodelle gebündelt, in einer Ausführung aggregiert (verwendet).
Hierdurch kann in einer Ausführung die Optimierung, insbesondere eine Konvergenz, verbessert, insbesondere eine Stabilität erhöht und/oder eine benötigte Zeit und/oder Durchlaufzahl reduziert, und/oder die Praktikabilität des gefundenen Optimums bzw. der optimierten Prozess-, insbesondere Robotersteuerung verbessert werden. Zusätzlich oder alternativ wird in einer Weiterbildung eine, in einer Ausführung optische und/oder akustische, Meldung, in einer Ausführung am Roboter, beispielsweise durch eine roboterfeste Lampe oder dergleichen, ausgegeben, wenn eine von einer Abweichung zwischen einem durch das erste Gütefaktormodell und einem durch das weitere Gütefaktormodell auf Basis des für den bzw. bei dem Prozessdurchlauf in einem der Prozesssteuerungs-Optimierungsschritte erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktor abhängige Toleranzgröße außerhalb eines vorgegebenen Toleranzbereichs liegt. In einer Ausführung wird (durch die Meldung) signalisiert, dass ein Bedienereingriff erforderlich ist.
Hierdurch kann in einer Ausführung die Optimierung, insbesondere eine Konvergenz, verbessert, insbesondere eine Stabilität erhöht und/oder eine benötigte Zeit und/oder Durchlaufzahl reduziert, und/oder die Praktikabilität des gefundenen Optimums bzw. der optimierten Prozess-, insbesondere Robotersteuerung verbessert werden.
In einer Ausführung wird ein Konfidenzintervall des ersten Gütefaktormodells ermittelt und eine, in einer Ausführung optische und/oder akustische, Meldung, in einer Ausführung am Roboter, beispielsweise durch eine roboterfeste Lampe oder dergleichen, ausgegeben, wenn dieses einen, insbesondere vorgegebenen, Grenzwert übersteigt. In einer Ausführung wird (durch die Meldung) signalisiert, dass ein Bedienereingriff erforderlich ist.
Hierdurch kann in einer Ausführung die Optimierung, insbesondere eine Konvergenz, verbessert, insbesondere eine Stabilität erhöht und/oder eine benötigte Zeit und/oder Durchlaufzahl reduziert, und/oder die Praktikabilität des gefundenen Optimums bzw. der optimierten Prozess-, insbesondere Robotersteuerung verbessert werden.
In einer Ausführung wird wenigstens ein mit einer (der) variierten Prozesssteuerung(en) in einem (der) Bewertungs-Lernschritt(e) durchgeführter Prozessdurchlauf (jeweils) auf Basis eines elektronisch übertragenen Signals, insbesondere ohne unmittelbare Sicht auf den Prozess, bewertet. Das elektronisch übertragene Signal kann insbesondere ein oder mehrere aufgenommene Bilder des Prozesses aufweisen. Hierdurch kann in einer Ausführung eine Sicherheit eines Bedieners erhöht werden und/oder ein Bediener zugleich mehrere verteilt angeordnet)e Prozesse, insbesondere Prozesse mehrerer verteilt angeordnet)er Roboter, bewerten bzw. diese optimiert werden.
In einer Ausführung weist die erste Prozessgröße und/oder die zweite Prozessgröße roboterspezifische, in einer Ausführung durch roboterseitige und/oder roboterexterne Sensoren erfasste, Ist-Daten und/oder Soll-Daten, insbesondere wenigstes eine Koordinate einer Pose wenigstens einer roboterfesten Referenz und/oder eine erste und/oder höhere Zeitableitung hiervon, eine Kraft an wenigstens einer roboterfesten Referenz und/oder wenigstens eine Antriebsgröße wenigstens eines Roboterantriebes, und/oder visuelle und/oder Audio- und/oder Zeitdaten, insbesondere Zeitdauern, auf.
In einer Ausführung umfasst somit die erste Prozessgröße und/oder die zweite Prozessgröße Robotertraces bzw. Zeitverläufe von Gelenkkoordinaten und/oder von Koordinaten von Endeffektorposen im Arbeitsraum und/oder von Zeitableitungen hiervon und/oder von auf den Roboter wirkenden externen Kräften, insbesondere Kontaktkräften, und/oder von Antriebskräften und/oder Strömen und/oder Spannungen von Antrieben des Roboters. Zur kompakteren Darstellung werden vorliegend auch antiparallele Kräftepaare bzw. Drehmomente verallgemeinernd als Kräfte bezeichnet.
Zusätzlich oder alternativ umfasst die erste Prozessgröße und/oder die zweite Prozessgröße in einer Ausführung visuelle Daten, insbesondere Kamera- bzw. Bilddaten, und/oder Audiosignale oder Daten, die auf Basis von Bildern, insbesondere Kamerabildern, und/oder Audiosignalen ermittelt sind, insbesondere werden.
Zusätzlich oder alternativ umfasst die erste Prozessgröße und/oder die zweite Prozessgröße in einer Ausführung eine Dauer des jeweiligen Prozessdurchlaufs und/oder eines oder mehrerer Abschnitte hiervon.
Solche Prozessgrößen sind einerseits besonders zur Optimierung von Prozessen geeignet und andererseits besonders gut mithilfe eines maschinell gelernten Gütefaktormodells berücksichtigen- bzw. verwertbar. In einer Ausführung werden Bewertungen mithilfe von menschlichen Eingaben erfasst. Beispielsweise kann ein Bediener jeweils bei und/oder nach einem Prozessdurchlauf den Wert des Gütefaktors für diesen Prozessdurchlauf angeben bzw. diesen bewerten, in einer Ausführung den Erfolg des Prozessdurchlaufes bewerten.
Hierdurch kann in einer Ausführung die Praktikabilität des gefundenen Optimums bzw. der optimierten Prozess-, insbesondere Robotersteuerung verbessert werden.
Zusätzlich oder alternativ werden in einer Ausführung Bewertungen automatisch, in einer Ausführung sensorgestützt, erfasst. Beispielsweise kann eine Bild- und/oder Audioerkennung bzw. -Verarbeitung bei und/oder nach einem Prozessdurchlauf den Wert des Gütefaktors für diesen Prozessdurchlauf angeben bzw. diesen bewerten, in einer Ausführung den Erfolg des Prozessdurchlaufes bewerten.
Hierdurch kann in einer Ausführung die Optimierung, insbesondere eine Konvergenz, verbessert, insbesondere eine Stabilität erhöht und/oder ein personeller Aufwand, eine benötigte Zeit und/oder Durchlaufzahl reduziert, werden.
Zusätzlich oder alternativ sind in einer Ausführung Bewertungen zweiwertig, insbesondere „gut7„schlecht“, „07„1“, „in Ordnung7„nicht in Ordnung“ oder dergleichen.
Hierdurch kann in einer Ausführung die Optimierung, insbesondere eine Stabilität erhöht werden.
In einer anderen Ausführung sind Bewertungen drei- oder mehrwertig, umfassen beispielsweise Noten einer drei- oder mehrwertigen Skala, eine Einstufung in drei oder mehr verschiedene Güteklassen oder dergleichen.
Hierdurch kann in einer Ausführung die Praktikabilität des gefundenen Optimums bzw. der optimierten Prozess-, insbesondere Robotersteuerung verbessert werden.
In einer Ausführung weist das erste Gütefaktormodell ein neuronales Netz, ein Random-Forests Modell, ein Decision Tree Modell, ein k-Nearest Neighbours Modell, ein Logistic Regression Modell oder ein, insbesondere generalisiertes, lineares Modell auf.
Zusätzlich oder alternativ weist in einer Ausführung das weitere Gütefaktormodell ein neuronales Netz, ein Random-Forests Modell, ein Decision Tree Modell, ein k-Nearest Neighbours Modell, ein Logistic Regression Modell oder ein, insbesondere generalisiertes, lineares Modell auf, wobei in einer Ausführung das erste und weitere Gütefaktormodell verschiedenartig sind.
Diese maschinellen Lernverfahren sind zur Ermittlung eines Gütefaktors eines, insbesondere robotergestützten, Prozesses besonders geeignet.
In einer Ausführung werden in Abhängigkeit von der erfassten Bewertung eines in einem Bewertungs-Lernschritt durchgeführten Prozesses unterschiedliche Nachfolgeprozesse durchgeführt. Zusätzlich oder alternativ werden in einer Ausführung in Abhängigkeit von dem ermittelten Gütefaktor eines in einem Prozesssteuerungs-Optimierungsschritt durchgeführten Prozesses unterschiedliche Nachfolgeprozesse durchgeführt. Beispielsweise kann bei einem (ausreichend) erfolgreichen Fügevorgang ein Bauteil einem normalen weiteren Prozessablauf zugeführt und bei einem nicht (ausreichend) erfolgreichen Fügevorgang das Bauteil aussortiert oder einer Nachbearbeitung zugeführt werden.
Dadurch kann in einer Ausführung der, insbesondere robotergestützte, Prozess weiter verbessert werden.
Nach einer Ausführung der vorliegenden Erfindung ist ein System zum Durchführen eines Prozesses, in einer Ausführung mithilfe, insbesondere durch, wenigstens eines/-n Roboter(s), insbesondere hard- und/oder Software-, insbesondere programmtechnisch, zur Durchführung eines hier beschriebenen Verfahrens eingerichtet und/oder weist auf:
- Mittel zum Durchführen eines Durchlaufs des Prozesses mit einer Prozesssteuerung, insbesondere mit einer Prozesssteuerung des Roboters;
- Mittel zum Erfassen eines Wertes einer ersten Prozessgröße für dieses, insbesondere bei diesem, Durchführen; und
- Mittel zum Erfassen einer Bewertung dieses durchgeführten Prozessdurchlaufs; - Mittel zum mehrfach wiederholten Durchführen der Bewertungs-Lernschritte:
- Variieren der Prozesssteuerung, insbesondere wenigstens eines Parameters der Prozesssteuerung, insbesondere eines Reglers, durch einen Optimierer zu einer variierten Prozesssteuerung auf Basis von Werten eines Gütekriteriums für durchgeführte Prozessdurchläufe;
- Durchführen eines Durchlaufs des Prozesses mit der variierten Prozesssteuerung;
- Erfassen eines Wertes der ersten Prozessgröße für diesen, insbesondere bei diesem, Durchführen; und
- Erfassen einer Bewertung dieses durchgeführten Prozessdurchlaufs; wobei ein erstes Gütefaktormodell des Prozesses, welches auf Basis der ersten Prozessgröße einen Gütefaktor des Prozesses ermittelt, auf Basis dieser erfassten Bewertungen und Werte der ersten Prozessgröße maschinell gelernt wird; und
- Mittel zum mehrfach wiederholten Durchführen der Prozesssteuerungs- Optimierungsschritte:
- Variieren der Prozesssteuerung durch den Optimierer zu einer veränderten Prozesssteuerung auf Basis von Werten des Gütekriteriums für durchgeführte Prozessdurchläufe;
- Durchführen eines Durchlaufs des Prozesses mit der veränderten Prozesssteuerung; und
- Erfassen eines Wertes der ersten Prozessgröße für dieses, insbesondere bei diesem, Durchführen; wobei der Wert des Gütekriteriums für wenigstens einen der mit einer der veränderten Prozesssteuerungen durchgeführten Prozessdurchläufe auf Basis eines durch das maschinell gelernte erste Gütefaktormodell auf Basis des für diesen, insbesondere bei diesem, Prozessdurchlauf erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktors ermittelt wird.
In einer Ausführung weist das System bzw. sein(e) Mittel auf:
- Mittel zum Ermitteln des Wertes des Gütekriteriums für wenigstens einen mit einer variierten Prozesssteuerung in einem Bewertungs-Lernschritt durchgeführten Prozessdurchlauf auf Basis der erfassten Bewertung dieses Prozessdurchlaufs; und/oder
- Mittel zum Erfassen von Werten einer zweiten Prozessgröße für das Durchführen von Prozessdurchläufen in Bewertungs-Lernschritten und/oder Prozesssteuerungs-Optimierungsschritten, wobei der Wert des Gütekriteriums für wenigstens einen mit einer variierten Prozesssteuerung in einem Bewertungs-Lernschritt durchgeführten Prozessdurchlauf zusätzlich von dem für diesen Prozessdurchlauf erfassten Wert der zweiten Prozessgröße abhängt, von dem die erfasste Bewertung dieses Prozessdurchlaufs unabhängig ist, und/oder wobei der Wert des Gütekriteriums für wenigstens einen mit einer veränderten Prozesssteuerung in einem Prozesssteuerungs-Optimierungsschritt durchgeführten Prozessdurchlauf zusätzlich von dem für diesen Prozessdurchlauf erfassten Wert der zweiten Prozessgröße abhängt, von dem der durch das erste Gütefaktormodell ermittelte Gütefaktor unabhängig ist; und/oder
- Mittel zum - für wenigstens einen mit einer veränderten Prozesssteuerung in einem Prozesssteuerungs-Optimierungsschritt durchgeführten Prozessdurchlauf - Erfassen einer Bewertung dieses Prozessdurchlaufs und in einer Ausführung Vergleichen mit einem durch das maschinell gelernte erste Gütefaktormodell auf Basis des für diesen Prozessdurchlauf erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktor, sowie Mittel zum weiteren maschinellen Lernen des ersten Gütefaktormodells auf Basis dieses Wertes der ersten Prozessgröße und dieser erfassten Bewertung und/oder zum Ausgeben einer Meldung, wenn eine von einer Abweichung zwischen der erfassten Bewertung und dem ermittelten Gütefaktor abhängige Toleranzgröße außerhalb eines vorgegebenen Toleranzbereichs liegt und/oder zum Erfassen einer Bewertung eines weiteren mit einer veränderten Prozesssteuerung in einem Prozesssteuerungs-Optimierungsschritt durchgeführten Prozessdurchlaufs in Abhängigkeit von dem Ergebnis dieses Vergleichs; und/oder
- Mittel zum maschinellen Lernen wenigstens eines weiteren Gütefaktormodells des Prozesses, welches auf Basis der ersten Prozessgröße einen Gütefaktor des Prozesses ermittelt, auf Basis von für, insbesondere bei, Bewertungs-Lernschritte(n) erfassten Bewertungen und Werten der ersten Prozessgröße, wobei das erste und weitere Gütefaktormodell verschiedenartig sind, sowie Mittel zum Ermitteln - in wenigstens einem der Prozesssteuerungs- Optimierungsschritte - des Wertes des Gütekriteriums für den mit der veränderten Prozesssteuerung durchgeführten Prozessdurchlauf auf Basis des durch das maschinell gelernte weitere Gütefaktormodell auf Basis des für diesen Prozessdurchlauf erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktors und/oder zum Ausgeben einer Meldung, wenn eine von einer Abweichung zwischen einem durch das erste Gütefaktormodell und einem durch das weitere Gütefaktormodell auf Basis des für den bzw. bei dem Prozessdurchlauf in einem der Prozesssteuerungs-Optimierungsschritte erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktor abhängige Toleranzgröße außerhalb eines vorgegebenen Toleranzbereichs liegt; und/oder
- Mittel zum Ermitteln eines Konfidenzintervalls des ersten Gütefaktormodells und Ausgeben einer Meldung, wenn dieses einen Grenzwert übersteigt; und/oder
- Mittel zum Bewerten wenigstens eines mit einer variierten Prozesssteuerung in einem Bewertungs-Lernschritt durchgeführten Prozessdurchlaufs auf Basis eines elektronisch übertragenen Signals, insbesondere ohne unmittelbare Sicht auf den Prozess; und/oder
- Mittel zum Erfassen von Bewertungen mithilfe von menschlichen Eingaben und/oder automatisch, insbesondere sensorgestützt; und/oder
- Mittel zum Durchführen unterschiedlicher Nachfolgeprozesse in Abhängigkeit von der erfassten Bewertung eines in einem Bewertungs-Lernschritt durchgeführten Prozesses und/oder zum Durchführen unterschiedlicher Nachfolgeprozesse in Abhängigkeit von dem ermittelten Gütefaktor eines in einem Prozesssteuerungs- Optimierungsschritt durchgeführten Prozesses.
Ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU) und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die CPU kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben. Die CPU kann insbesondere eine Graphikarte (GPU) und/oder wenigstens ein(en) Neural Computing Chip aufweisen, insbesondere sein. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, sodass die CPU die Schritte solcher Verfahren ausführen kann und damit insbesondere den Prozess bzw. dessen Optimierung durchführen kann. Ein Computerprogrammprodukt kann in einer Ausführung ein, insbesondere nicht-flüchtiges, Speichermedium zum Speichern eines Programms bzw. mit einem darauf gespeicherten Programm aufweisen, insbesondere sein, wobei ein Ausführen dieses Programms ein System, insbesondere einen Computer, dazu veranlasst, ein hier beschriebenes Verfahren bzw. einen oder mehrere seiner Schritte auszuführen.
In einer Ausführung werden ein oder mehrere, insbesondere alle, Schritte des Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch das System bzw. sein(e) Mittel.
Weitere Vorteile und Merkmale ergeben sich aus den Unteransprüchen und den Ausführungsbeispielen. Hierzu zeigt, teilweise schematisiert:
Fig. 1 : ein Verfahren zur Durchführung eines Prozesses nach einer Ausführung der vorliegenden Erfindung; und
Fig. 2: ein System zur Durchführung des Verfahrens nach einer Ausführung der vorliegenden Erfindung.
Fig. 2 zeigt ein System zur Durchführung eines Verfahrens nach einer Ausführung der vorliegenden Erfindung.
Das System umfasst einen Roboter 10 mit Gelenk(antrieb)en 11 , der mit seinem Endeffektor 12 Schnapper 20 auf Bauteile 21 stecken soll, die auf einem Förderband 70 angefördert werden.
Hierzu wird er von einer Robotersteuerung 30 mit einem Regler 31 gesteuert, wobei auch ein Regeln vorliegend als Steuern bezeichnet wird und der Regler 31 auch Einzelgelenkregler für die einzelnen Gelenk(antrieb)e 11 aufweisen kann. In einem Schritt S10 wird der Steckprozess zunächst mit Default-Werten für Parameter des Reglers 31 durchgeführt. Ein(e) (Wert einer) erste(n) Prozessgröße umfasst Robotertraces x, beispielsweise Achswinkel und/oder -geschwindigkeiten und/oder Kräfte bzw. Drehmomente in Antrieben und/oder Achsen und/oder am Endeffektor 12, und wird einem maschinellen Lernverfahren 50, im Ausführungsbeispiel einem künstlichen neuronalen Netz 51 übermittelt.
Außerdem bewertet ein Bediener (nicht dargestellt) über ein Eingabegerät 6 diesen Prozessdurchlauf, beispielsweise dessen Erfolg. In einer andere Ausführung kann er auch einen Wert für einen anderen Gütefaktor an- bzw. eingeben. Diese Bewertung E wird erfasst und ebenfalls an das maschinelle Lernverfahren 50 bzw. künstliche neuronale Netz 51 sowie einen Optimierer 4 gemeldet.
Ein(e) (Wert einer) zweite(n) Prozessgröße in Form einer Prozessdauer y wird ebenfalls an den Optimierer 4 gemeldet.
Anschließend werden die Parameter des Reglers durch den Optimierer 4 mehrfach variiert und der Prozess mit der solcherart variierten Prozesssteuerung, d.h. den solcherart variierten Reglerparametern, erneut durchgeführt (Fig. 1: Schritt S20), solange ein Abbruchkriterium nicht erfüllt ist (Schritt S30: „N“), beispielsweise das neuronale Netz 51 noch nicht ausreichend trainiert bzw. das hierdurch implementierte Gütefaktormodell noch nicht ausreichend maschinell gelernt ist.
Dabei werden auch in jedem dieser mehrfach wiederholten Bewertungs-Lernschritte S20 jeweils die entsprechende Werte x, y der ersten bzw. zweiten Prozessgröße sowie die Bewertung E durch den Bediener an das maschinelle Lernverfahren 50 bzw. künstliche neuronale Netz 51 (x, E) bzw. den Optimierer 4 (y, E) gemeldet.
Der Optimierer 4 ermittelt den Wert eines Gütekriteriums beispielsweise als gewichtete Summe aus der jeweiligen Prozessdauer y und der Bewertung E und variiert auf Basis dieses (Werts des) Gütekriteriums die Parameter des Reglers, das Gütefaktormodell bzw. künstliche neuronale Netz 51 wird auf Basis dieser Bewertungen E und Werte der ersten Prozessgröße x trainiert bzw. maschinell gelernt. Ist das Abbruchkriterium erfüllt (S30: „Y“), fährt das System bzw. Verfahren mit der Prozesssteuerungs-Optimierung fort.
Hierbei werden die Parameter des Reglers durch den Optimierer 4 weiter variiert und der Prozess mit der solcherart variierten Prozesssteuerung, d.h. den solcherart variierten Reglerparametern, erneut durchgeführt (Schritt S40), bis ein Abbruchkriterium erfüllt ist (Schritt S50: „Y“), beispielsweise der Wert des Gütekriteriums in einem vorgegebenen Bereich liegt.
Dabei wird der Wert des Gütekriteriums in analoger Weise als gewichtete Summe ermittelt, wobei anstelle der Bewertung E nun der vom maschinell gelernten Gütefaktormodell 51 auf Basis (des Wertes) der ersten Prozessgröße x ermittelte Gütefaktor E‘ verwendet wird.
Ist das Abbruchkriterium erfüllt (Schritt S50: „Y“), kann der Prozess mit der solcherart optimierten Prozess-, insbesondere Robotersteuerung weiter durchgeführt werden (S80), wobei hier auch noch weiter optimiert und/oder maschinell gelernt werden kann.
Falls die Prozesssteuerungs-Optimierung noch nicht beendet ist (S50: „N“), wird die Qualität des maschinell gelernten Gütefaktormodells in regelmäßigen Abständen geprüft, beispielsweise ein Konfidenzintervall oder eine Abweichung zu einem parallel maschinell gelernten zweiten, andersartigen Gütefaktormodell oder einer, in einer Ausführung in zunehmenden und/oder von der Abweichung abhängigen Zeitintervallen, weiterhin erfassten Bewertung E überprüft. Falls Konfidenzintervall bzw. Abweichung zu groß werden (S60: „Y“), wird ein Bedienereingriff angefordert bzw. signalisiert (Schritt S70), andernfalls (S60: „N“) die Prozesssteuerungs- Optimierung fortgesetzt.
Je nach erfasster Bewertung E bzw. ermitteltem Gütefaktor E‘ instruiert die Steuerung 30 das Förderband 70, das Bauteil 21 nach dem Fügeprozess einem normalen Folgeprozess oder einer Nachbearbeitung zuzuführen.
Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist. So lernt im Ausführungsbeispiel das neuronale Netz 51 nur auf Basis von roboterspezifischen Sensordaten x. In einer Abwandlung kann es zusätzlich oder alternativ auch andere Daten, beispielsweise die Prozessdauer y oder dergleichen berücksichtigen. Außerdem sei darauf hingewiesen, dass es sich bei den exemplarischen Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung von mindestens einer exemplarischen Ausführung gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt.
Bezuqszeichenliste
4 Optimierer
6 Eingabegerät
10 Roboter 11 Gelenk(antrieb)
12 Endeffektor
20 Schnapper
21 Bauteil
30 Steuerung 31 Regler
50 maschinelles Lernverfahren
51 künstliches neuronales Netz (maschinell gelerntes Gütefaktormodell)
70 Förderband
E Bewertung E‘ Gütefaktor x Robotertraces (erste Prozessgröße) y Prozessdauer (zweite Prozessgröße)

Claims

Patentansprüche
1. Verfahren zur Durchführung eines Prozesses, insbesondere mithilfe wenigstens eines Roboters (10), wobei das Verfahren die Schritte aufweist:
- Durchführen (S10) eines Durchlaufs des Prozesses mit einer Prozesssteuerung, insbesondere einer Prozesssteuerung des Roboters;
- Erfassen (S10) eines Wertes einer ersten Prozessgröße (x) für dieses Durchführen; und
- Erfassen (S10) einer Bewertung (E) dieses durchgeführten Prozessdurchlaufs; die mehrfach wiederholten Bewertungs-Lernschritte:
- Variieren (S20) der Prozesssteuerung, insbesondere wenigstens eines Parameters der Prozesssteuerung, insbesondere eines Reglers (31), durch einen Optimierer (4) zu einer variierten Prozesssteuerung auf Basis von Werten eines Gütekriteriums für durchgeführte Prozessdurchläufe;
- Durchführen (S20) eines Durchlaufs des Prozesses mit der variierten Prozesssteuerung;
- Erfassen (S20) eines Wertes der ersten Prozessgröße für dieses Durchführen; und
- Erfassen einer Bewertung (E) dieses durchgeführten Prozessdurchlaufs; wobei ein erstes Gütefaktormodell (51) des Prozesses, welches auf Basis der ersten Prozessgröße (x) einen Gütefaktor (E‘) des Prozesses ermittelt, auf Basis dieser erfassten Bewertungen und Werte der ersten Prozessgröße maschinell gelernt wird; und die mehrfach wiederholten Prozesssteuerungs-Optimierungsschritte:
- Variieren (S40) der Prozesssteuerung durch den Optimierer zu einer veränderten Prozesssteuerung auf Basis von Werten des Gütekriteriums für durchgeführte Prozessdurchläufe;
- Durchführen (S40) eines Durchlaufs des Prozesses mit der veränderten Prozesssteuerung; und
- Erfassen (S40) eines Wertes der ersten Prozessgröße für dieses Durchführen; wobei der Wert des Gütekriteriums für wenigstens einen der mit einer der veränderten Prozesssteuerungen durchgeführten Prozessdurchläufe auf Basis eines durch das maschinell gelernte erste Gütefaktormodell auf Basis des für diesen Prozessdurchlauf erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktors (E‘) ermittelt wird.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass der Wert des Gütekriteriums für wenigstens einen mit einer variierten Prozesssteuerung in einem Bewertungs-Lernschritt durchgeführten Prozessdurchlauf auf Basis der erfassten Bewertung dieses Prozessdurchlaufs ermittelt wird.
3. Verfahren nach einem der vorhergehenden Ansprüche, gekennzeichnet durch die Schritte:
- Erfassen von Werten einer zweiten Prozessgröße (y) für das Durchführen von Prozessdurchläufen in Bewertungs-Lernschritten und/oder Prozesssteuerungs- Optimierungsschritten; wobei
- der Wert des Gütekriteriums für wenigstens einen mit einer variierten Prozesssteuerung in einem Bewertungs-Lernschritt durchgeführten Prozessdurchlauf zusätzlich von dem für diesen Prozessdurchlauf erfassten Wert der zweiten Prozessgröße abhängt, von dem die erfasste Bewertung dieses Prozessdurchlaufs unabhängig ist; und/oder
- der Wert des Gütekriteriums für wenigstens einen mit einer veränderten Prozesssteuerung in einem Prozesssteuerungs-Optimierungsschritt durchgeführten Prozessdurchlauf zusätzlich von dem für diesen Prozessdurchlauf erfassten Wert der zweiten Prozessgröße abhängt, von dem der durch das erste Gütefaktormodell ermittelte Gütefaktor unabhängig ist.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für wenigstens einen mit einer veränderten Prozesssteuerung in einem Prozesssteuerungs-Optimierungsschritt durchgeführten Prozessdurchlauf eine Bewertung dieses Prozessdurchlaufs erfasst wird und insbesondere mit einem durch das maschinell gelernte erste Gütefaktormodell auf Basis des für diesen Prozessdurchlauf erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktor verglichen wird, wobei
- das erste Gütefaktormodell auf Basis dieses Wertes der ersten Prozessgröße und dieser erfassten Bewertung weiter maschinell gelernt wird; und/oder
- eine Meldung ausgegeben wird (S70), wenn eine von einer Abweichung zwischen der erfassten Bewertung und dem ermittelten Gütefaktor abhängige Toleranzgröße außerhalb eines vorgegebenen Toleranzbereichs liegt; und/oder - das Erfassen einer Bewertung eines weiteren mit einer veränderten Prozesssteuerung in einem Prozesssteuerungs-Optimierungsschritt durchgeführten Prozessdurchlaufs von dem Ergebnis dieses Vergleichs abhängt.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass auf Basis von für Bewertungs-Lernschritte erfassten Bewertungen und Werten der ersten Prozessgröße wenigstens ein weiteres Gütefaktormodells des Prozesses maschinell gelernt wird, welches auf Basis der ersten Prozessgröße einen Gütefaktor des Prozesses ermittelt, wobei das erste und weitere Gütefaktormodell verschiedenartig sind, wobei
- in wenigstens einem der Prozesssteuerungs-Optimierungsschritte der Wert des Gütekriteriums für den mit der veränderten Prozesssteuerung durchgeführten Prozessdurchlauf auf Basis des durch das maschinell gelernte weitere Gütefaktormodell auf Basis des für diesen Prozessdurchlauf erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktors ermittelt wird; und/oder
- eine Meldung ausgegeben wird (S70), wenn eine von einer Abweichung zwischen einem durch das erste Gütefaktormodell und einem durch das weitere Gütefaktormodell auf Basis des für den Prozessdurchlauf in einem der Prozesssteuerungs-Optimierungsschritte erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktor abhängige Toleranzgröße außerhalb eines vorgegebenen Toleranzbereichs liegt.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ein Konfidenzintervall des ersten Gütefaktormodells ermittelt und eine Meldung ausgegeben wird (S70), wenn dieses einen Grenzwert übersteigt.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass wenigstens ein mit einer variierten Prozesssteuerung in einem Bewertungs-Lernschritt durchgeführter Prozessdurchlauf auf Basis eines elektronisch übertragenen Signals, insbesondere ohne unmittelbare Sicht auf den Prozess, bewertet wird.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die erste und/oder zweite Prozessgröße roboterspezifische, insbesondere durch roboterseitige und/oder roboterexterne Sensoren erfasste, Ist- und/oder Soll-Daten, insbesondere wenigstes eine Koordinate einer Pose wenigstens einer roboterfesten Referenz und/oder eine Zeitableitung hiervon, eine Kraft an wenigstens einer roboterfesten Referenz und/oder wenigstens eine Antriebsgröße wenigstens eines Roboterantriebes, und/oder visuelle und/oder Audio- und/oder Zeitdaten aufweisen.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass wenigstens eine der Bewertungen mithilfe von menschlichen Eingaben und/oder automatisch, insbesondere sensorgestützt, erfasst wird und/oder zwei- oder mehrwertig ist.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das erste oder weitere Gütefaktormodell ein künstliches neuronales Netz (51), ein Random-Forests-Modell, ein Decision-Tree-Modell, ein k- Nearest-Neighbours-Modell, ein Logistic-Regression-Modell oder ein, insbesondere generalisiertes, lineares Modell aufweist.
11. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in Abhängigkeit von der erfassten Bewertung eines in einem Bewertungs-Lernschritt durchgeführten Prozesses unterschiedliche Nachfolgeprozesse durchgeführt werden und/oder in Abhängigkeit von dem ermittelten Gütefaktor eines in einem Prozesssteuerungs-Optimierungsschritt durchgeführten Prozesses unterschiedliche Nachfolgeprozesse durchgeführt werden.
12. System zur Durchführung eines Prozesses, insbesondere mithilfe wenigstens eines Roboters (10), das zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche eingerichtet ist und/oder aufweist:
- Mittel zum Durchführen eines Durchlaufs des Prozesses mit einer Prozesssteuerung, insbesondere einer Prozesssteuerung des Roboters;
- Mittel zum Erfassen eines Wertes einer ersten Prozessgröße (x) für dieses Durchführen; und - Mittel zum Erfassen einer Bewertung (E) dieses durchgeführten Prozessdurchlaufs;
- Mittel zum mehrfach wiederholten Durchführen der Bewertungs-Lernschritte:
- Variieren der Prozesssteuerung, insbesondere wenigstens eines Parameters der Prozesssteuerung, insbesondere eines Reglers (31), durch einen Optimierer (4) zu einer variierten Prozesssteuerung auf Basis von Werten eines Gütekriteriums für durchgeführte Prozessdurchläufe;
- Durchführen eines Durchlaufs des Prozesses mit der variierten Prozesssteuerung;
- Erfassen eines Wertes der ersten Prozessgröße für dieses Durchführen; und
- Erfassen einer Bewertung (E) dieses durchgeführten Prozessdurchlaufs; wobei ein erstes Gütefaktormodell (51) des Prozesses, welches auf Basis der ersten Prozessgröße einen Gütefaktor des Prozesses ermittelt, auf Basis dieser erfassten Bewertungen und Werte der ersten Prozessgröße maschinell gelernt wird;
- Mittel zum mehrfach wiederholten Durchführen der Prozesssteuerungs- Optimierungsschritte:
- Variieren der Prozesssteuerung durch den Optimierer zu einer veränderten Prozesssteuerung auf Basis von Werten des Gütekriteriums für durchgeführte Prozessdurchläufe;
- Durchführen eines Durchlaufs des Prozesses mit der veränderten Prozesssteuerung; und
- Erfassen eines Wertes der ersten Prozessgröße für dieses Durchführen; wobei der Wert des Gütekriteriums für wenigstens einen der mit einer der veränderten Prozesssteuerungen durchgeführten Prozessdurchläufe auf Basis eines durch das maschinell gelernte erste Gütefaktormodell auf Basis des für diesen Prozessdurchlauf erfassten Wertes der ersten Prozessgröße ermittelten Gütefaktors (E‘) ermittelt wird.
13. Computerprogrammprodukt mit einem Programmcode, der auf einem von einem Computer lesbaren Medium gespeichert ist, zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche.
EP21715537.3A 2020-04-08 2021-03-24 Roboterprozess Pending EP4133341A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020204551.8A DE102020204551A1 (de) 2020-04-08 2020-04-08 Roboterprozess
PCT/EP2021/057572 WO2021204544A1 (de) 2020-04-08 2021-03-24 Roboterprozess

Publications (1)

Publication Number Publication Date
EP4133341A1 true EP4133341A1 (de) 2023-02-15

Family

ID=75302551

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21715537.3A Pending EP4133341A1 (de) 2020-04-08 2021-03-24 Roboterprozess

Country Status (5)

Country Link
US (1) US20230141359A1 (de)
EP (1) EP4133341A1 (de)
CN (1) CN115398352A (de)
DE (1) DE102020204551A1 (de)
WO (1) WO2021204544A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021212494B4 (de) 2021-11-05 2024-07-04 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und Verfahren zur Steuerung einer Robotervorrichtung

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009027517A1 (de) * 2009-07-08 2011-01-20 Robert Bosch Gmbh Verfahren zur Adaption einer Steuerungsfunktion in einem Steuergerät
DE102011011542B4 (de) 2011-02-17 2016-05-25 Convergent Information Technologies Gmbh Verfahren zur automatisierten Programmierung und Optimierung von robotischen Arbeitsabläufen
US10518409B2 (en) * 2014-09-02 2019-12-31 Mark Oleynik Robotic manipulation methods and systems for executing a domain-specific application in an instrumented environment with electronic minimanipulation libraries
DE112016002431T8 (de) 2015-05-29 2018-04-05 Abb Schweiz Ag Verfahren und System zur robotischen adaptiven Produktion
US11072067B2 (en) * 2015-11-16 2021-07-27 Kindred Systems Inc. Systems, devices, and methods for distributed artificial neural network computation
EP3419794B1 (de) * 2016-02-25 2020-05-20 Roche Diabetes Care GmbH Verfahren und system zur qualitätsbeurteilung einer tragbaren analytischen vorrichtung
US11173613B2 (en) * 2017-02-09 2021-11-16 Mitsubishi Electric Corporation Position control device and position control method
JP6603257B2 (ja) * 2017-03-31 2019-11-06 ファナック株式会社 行動情報学習装置、管理装置、ロボット制御システム及び行動情報学習方法
JP6703020B2 (ja) * 2018-02-09 2020-06-03 ファナック株式会社 制御装置及び機械学習装置
JP7000359B2 (ja) * 2019-01-16 2022-01-19 ファナック株式会社 判定装置
US10481579B1 (en) * 2019-02-28 2019-11-19 Nanotronics Imaging, Inc. Dynamic training for assembly lines

Also Published As

Publication number Publication date
CN115398352A (zh) 2022-11-25
US20230141359A1 (en) 2023-05-11
DE102020204551A1 (de) 2021-10-14
WO2021204544A1 (de) 2021-10-14

Similar Documents

Publication Publication Date Title
DE102014108287B4 (de) Schnelles Erlernen durch Nachahmung von Kraftdrehmoment-Aufgaben durch Roboter
DE112016002431T5 (de) Verfahren und System zur robotischen adaptiven Produktion
DE102019006725B4 (de) Steuereinrichtung und Steuersystem
DE102020115658B4 (de) Anpassungsunterstützungsvorrichtung
DE102019121889B3 (de) Automatisierungssystem und Verfahren zur Handhabung von Produkten
EP4133341A1 (de) Roboterprozess
DE102018216561A1 (de) Verfahren, Vorrichtung und Computerprogramm zum Ermitteln einer Strategie eines Agenten
EP3710900B1 (de) Verfahren und system zum vorgeben bzw. lernen eines roboterbefehls
EP4058857A1 (de) Steuern und/oder überwachen einer maschinenanordnung
EP3710207B1 (de) Qualitätssicherung eines prozesses
DE102021212128B3 (de) 16Verfahren und System zum Steuern eines lasttragenden Roboters sowie zum Ermitteln eines Parameters der Last des Roboters
DE102020103852B4 (de) Erzeugen und Optimieren eines Steuerprogramms für einen Robotermanipulator
DE19612465C2 (de) Automatisches Optimieren von Objekt-Erkennungssystemen
EP3582140B1 (de) System zur automatischen erkennung von laborarbeitsgegenständen sowie verfahren zum betrieb eines systems zur automatischen erkennung von laborgegenständen
DE4308194A1 (de) Fuzzy-Standard-Automatisierungssystem für industrielle Anlagen
EP0693200B1 (de) Verfahren zur klassifizierung von objekten
EP3581935A1 (de) System zur automatischen erkennung von laborarbeitsgegenständen sowie verfahren zum betrieb eines systems zur automatischen erkennung von laborarbeitsgegenständen
EP3712724A1 (de) Automatisierungsanordnung, verfahren zum betrieb der automatisierungsanordnung sowie computerprogramm
DE102022112439B3 (de) Sicherer Roboter
WO2020099648A1 (de) Verfahren zum visualisieren der automatisierung einer technischen einrichtung
DE102018217966A1 (de) Verfahren zum Steuern oder Regeln eines technischen Systems
WO2023036610A1 (de) Bewerten und/oder steuern eines roboterarbeitsprozesses
DE10013137A1 (de) Verfahren zur bildgesteuerten Prüfung und Bearbeitung von Produkten
EP3599523A1 (de) Feststellung eines kalibrierungszustands mindestens einer einheit
DE102021126487A1 (de) Verfahren zur Unterstützung eines Nacharbeitsprozesses von durch ein Schraubwerkzeug erzeugten Schraubverbindungen

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220928

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

P01 Opt-out of the competence of the unified patent court (upc) registered

Effective date: 20230528

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)