WO2023036610A1 - Bewerten und/oder steuern eines roboterarbeitsprozesses - Google Patents

Bewerten und/oder steuern eines roboterarbeitsprozesses Download PDF

Info

Publication number
WO2023036610A1
WO2023036610A1 PCT/EP2022/073547 EP2022073547W WO2023036610A1 WO 2023036610 A1 WO2023036610 A1 WO 2023036610A1 EP 2022073547 W EP2022073547 W EP 2022073547W WO 2023036610 A1 WO2023036610 A1 WO 2023036610A1
Authority
WO
WIPO (PCT)
Prior art keywords
vibration data
robot
work process
measurement data
data
Prior art date
Application number
PCT/EP2022/073547
Other languages
English (en)
French (fr)
Inventor
Manuel KASPAR
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 WO2023036610A1 publication Critical patent/WO2023036610A1/de

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
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • 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
    • B25J9/1641—Programme controls characterised by the control loop compensation for backlash, friction, compliance, elasticity in the joints
    • 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
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39241—Force and vibration control

Definitions

  • the present invention relates to a method for evaluating, in particular for monitoring, and/or for controlling a working process of at least one robot on the basis of a machine-learned process model, a method for monitored machine learning of a, in particular this, process model of a working process of at least one robot, and a System, computer program or computer program product for carrying out at least one of these methods.
  • Process models of robot work processes which are learned by supervised machine learning (machine), can advantageously be used, in particular to improve the robot work processes, preferably to evaluate them, in particular to monitor them, and/or to control them.
  • machine supervised machine learning
  • measurement data for example drive currents, drive torques and/or control errors of the robot.
  • An object of an embodiment of the present invention is to improve the supervised machine learning of a process model of a work process of at least one robot.
  • An object of an embodiment of the present invention is to improve the evaluation, in particular the monitoring, and/or the control of a work process of at least one robot.
  • Claims 8, 9 represent a system or computer program or
  • a method for supervised machine learning of a process model of a work process of one or more robot(s) comprises the steps:
  • Supervised machine learning (“Supervised (Machine) Learning”) of a process model, in particular a mathematical and/or numerical or computer-implemented process model, in particular a Kl process model, of the work process on the basis of the measurement data, which are labeled on the basis of the recorded vibration data.
  • the process model can in particular include at least one artificial neural network, the monitored machine learning correspondingly training the process model, in particular this artificial neural network, using the labeled measurement data, but without being limited to this.
  • the method also includes the step:
  • measurement data is often labeled manually based on visual observations of the work process or camera images of the work process.
  • the recorded vibration data include airborne and/or structure-borne noise (wave) signals or airborne and/or structural vibration signals.
  • wave structure-borne noise
  • a snapping noise can be used to assess whether a joining process has been carried out successfully or not, and measurement data recorded during this joining process can be labeled accordingly as “joining process successful” or “joining process unsuccessful”.
  • the vibration data is collected using one or more sensors, one or more of which are located on the robot, in one embodiment an end flange of the robot.
  • the senor or one or more of the sensors can be an acceleration sensor, in one embodiment a single-axis or multi-axis acceleration sensor.
  • the vibration data can be advantageously recorded, in particular more precisely and/or more undisturbed, for example in comparison to external (arranged) microphones, which can also be used, but often with more interference or ambient noise capture.
  • the measurement data is or will be labeled manually or by one or more people, in one embodiment jointly, on the basis of the recorded vibration data, with joint manual labeling in one embodiment comprising an evaluation of several individual labels by one or more people each , in particular a labeling according to the majority of the individual labels, an average of the individual labels or the like.
  • the labeling of the measurement data can thereby be improved in one embodiment.
  • the measurement data are or will be labeled out of sight of the work process or remotely, in a further development in a cloud (“cloud labeling”).
  • the labeling of the measurement data can be advantageously distributed and/or carried out without impairing the work process and/or without being adversely affected by the work process, thereby improving the labeling and/or the work process in one embodiment.
  • the measurement data are or will be labeled on the basis of acoustic signals which, in one embodiment, are generated from the vibration data or are dependent on the vibration data in whole or in part.
  • the vibration data can already have (the) acoustic signal(s), in particular can be, as a result of which the precision can be improved in one embodiment.
  • the vibration data can be converted or processed into acoustic signals or the acoustic signals can be generated on the basis of the detected vibration data.
  • the measurement data are then labeled on the basis of these acoustic signals and thus also on the basis of the recorded vibration data (on which they are based).
  • the recorded vibration data is processed, in one embodiment into (the) acoustic signals, and the measurement data are or are then labeled on the basis of this processed vibration data, in particular acoustic signals.
  • this can improve detection and/or precision.
  • structure-borne noise can be detected and processed into audible acoustic signals that a human being can perceive particularly well, in particular quickly(er), more precisely(er), intuitively(er) and/or less(er). ) error-prone, can handle.
  • the recorded vibration data is transformed into another frequency range, which in one embodiment is audible and which is between 20 Hz and 20 kHz in one embodiment. Since, as mentioned, people can process acoustic signals particularly well, in particular quickly(er), more precisely,(more) intuitively and/or less error-prone, the labeling of the measurement data can thereby be improved in one embodiment.
  • all or part of the recorded vibration data lies in the audible frequency range or a frequency range between 20 Hz and 20 kHz.
  • the labeling can be carried out particularly precisely and/or reliably by means of such vibration data.
  • the at least one sensor in particular an acceleration sensor, at least partially detects in a frequency range between 20 Hz and 20 kHz, or is set up for this purpose or is used for this purpose.
  • the recorded vibration data is filtered during processing in one embodiment by at least one bandpass filter and/or by cutting out a frequency range specified in a further development.
  • particularly significant frequency ranges can be used or made available for labeling and the labeling, in particular the precision and/or reliability, can thereby be improved.
  • the filtering in particular a predetermined frequency range that is cut out and/or one or more frequencies of the bandpass filter, are carried out in one embodiment using artificial intelligence, in particular explainable AI, anomaly detection, autoencoder, reconstruction error, in particular minimization thereof, or the like. or determined empirically. In this way, in one embodiment, particularly advantageous, in particular significant and/or suitable for human labellers, processed vibration data can be generated.
  • exercise vibration data is recorded in advance for labeling the measurement data and the entity, in one embodiment the person or people who then label the measurement data, which, in one embodiment, processed in the manner explained above with reference to the vibration data, exercise vibration data together with a classification of this exercise vibration data for the (initial) practice of Labein made available.
  • the classification can be based on a visual inspection, image recognition or the like, for example.
  • the exercise vibration data are processed into acoustic signals and/or transformed into another, in particular audible, frequency range and/or filtered, in particular by at least one bandpass filter and/or cutting out a predetermined frequency range, before they are sent to the entity for practicing the exercise to provide.
  • This instance can then practice the (correct) labeling using this exercise vibration data or acoustic (exercise) signals.
  • the recorded measurement data which is or will be labeled on the basis of the recorded vibration data and on the basis of which the process model (supervised) is learned by machine or the recorded measurement data on the basis of which the work process is evaluated and/or controlled, includes movement data , in particular time series, and/or load data, in particular time series, in one embodiment (time series of) positions, forces(ies), torque(s), control deviations and/or (time series of) first(s) and/or higher(s) temporal derivations of positions, forces, torques and/or control deviations of the robot in one version of its drives.
  • a method for evaluating, in particular for monitoring, and/or for controlling a work process of at least one robot comprises the step:
  • the method for evaluating, in particular for monitoring, and/or for controlling a work process of at least one robot comprises the steps:
  • evaluating and/or controlling the work process based on the learned process model includes the steps:
  • a process model that is learned through monitored machine learning can advantageously be used to evaluate, in particular to monitor and/or control, and thereby improve a robot work process.
  • the robot work process can be controlled, for example a correction or sorting action or the like can be initiated if the process model based on the recorded measurement data detects a faulty process, in particular a process step, or a work product of the robot work process are sorted into one of several (quality) classes or the like.
  • a system is set up, in particular in terms of hardware and/or software, in particular in terms of programming, for carrying out a method described here.
  • a system comprises:
  • means for labeling the measurement data on the basis of the recorded vibration data in particular for outputting the recorded vibration data, possibly processed, in particular to form acoustic signals, to one or more people and manual labeling of the measurement data by the person or people, in particular receiving or Entering appropriate labels from or by the human being.
  • system or its means(s) has:
  • Means for processing the recorded vibration data in particular to acoustic signals and/or for transforming into another, in particular audible, frequency range and/or for filtering, in particular by at least one bandpass filter and/or cutting out a predetermined frequency range; and or
  • a system comprises:
  • system or its means(s) comprises:
  • system or its means(s) comprises:
  • a system and/or a means within the meaning of the present invention can be designed in terms of hardware and/or software, in particular at least one, in particular digital, processing unit, in particular microprocessor unit ( CPU), graphics card (GPU) or the like, and / or have one or more programs or program modules.
  • the processing unit can be designed to process commands that are implemented as a program stored in a memory system, to detect input signals from a data bus and/or to output output signals to a data bus.
  • a storage system can have one or more, in particular different, storage media, in particular optical, magnetic, solid-state and/or other non-volatile media.
  • the program may be designed to embody or embody the methods described herein.
  • a computer program product can have, in particular, be a, in particular, computer-readable and/or non-volatile storage medium for storing a program or instructions or with a program or with instructions stored thereon.
  • execution of this program or these instructions by a system or controller, in particular a computer or an arrangement of multiple computers causes the system or controller, in particular the computer or computers, to perform a method described here or one or more of its steps, or the program or the instructions are set up to do so.
  • one or more, in particular all, steps of the method are carried out fully or partially automatically, in particular by the system or its means.
  • the system has the at least one robot.
  • Fig. 1 a system according to an embodiment of the present invention.
  • Figure 2 a method according to an embodiment of the present invention.
  • FIG. 1 shows a system and FIG. 2 shows a method according to an embodiment of the present invention.
  • exercise vibration data are recorded during a multiple repetition of a work process using an acceleration sensor 1 on an end flange 6 of a robot 2 . If necessary, this exercise vibration data is also processed, for example filtered and/or transformed into another frequency range, and sent as audible acoustic signals to one or more lablers 4 together with a classification of this exercise vibration data into "work process OK"7 "work process not OK” or the like provided.
  • the classification can be based on a visual inspection, image recognition or the like, for example.
  • the labeller(s) 4 practice labeling on the basis of exercise vibration data that may have been processed. I.e. they practice, for example, labeling certain noises as "work process OK"7, "work process not OK” or “joining fully achieved/”joining partially achieved”/"joining failed” or the like.
  • vibration data and additional measurement data are again recorded during a multiple repetition of a work process using the acceleration sensor 1 3 of the robot.
  • This recorded vibration data is optionally processed, preferably in the same way as the exercise vibration data before (FIG. 2: step S30).
  • the detected vibration data is transformed into another frequency range and/or filtered by at least one bandpass filter and/or cutting out a predetermined frequency range, and thus processed into acoustic signals.
  • a process model for example in the form of an artificial neural network 5 , is trained or machine-learned (monitored) in a step S50 by supervised (machine) learning.
  • step S60 Similar work processes of the robot 2 can be evaluated on the basis of this process model 5 learned by machine on the basis of the labeled measurement data (FIG. 2, step S60), in particular the work process can be monitored. Additionally or alternatively, the work process can be controlled in step S60, for example a correction or sorting action can be carried out in the event of a failed joining.
  • the acceleration sensor can detect sound signals in an audible frequency range between 20 Hz and 20 kHz, which are played to a person 4, who then reads the associated measurement data, for example position and/or load data from the drives 3, as "Joining OK “ labels if he hears a corresponding click or snap sound, or labels as “Join not OK” if he does not hear a (correct or practiced) click or snap sound.

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)

Abstract

Ein Verfahren zum überwachten maschinellen Lernen eines Prozessmodells eines Arbeitsprozesses wenigstens eines Roboters (2) umfasst die Schritte: Erfassen (S20) von Schwingungsdaten und Messdaten während der Durchführung des Arbeitsprozesses; und überwachtes maschinelles Lernen (S50) eines Prozessmodells des Arbeitsprozesses auf Basis der Messdaten, welche auf Basis der erfassten Schwingungsdaten gelabelt sind. Ein Verfahren zum Bewerten, insbesondere zum Überwachen, und/oder zum Steuern eines Arbeitsprozesses wenigstens eines Roboters (2), umfasst den Schritt: Bewerten (S60), insbesondere Überwachen, und/oder Steuern (S60) eines Arbeitsprozesses wenigstens eines Roboters (2) auf Basis eines Prozessmodells, das mithilfe des Verfahrens zum überwachten maschinellen Lernen maschinell gelernt ist.

Description

WO 2023/036610 Kuka pCT/EP2022/073547SmbH
Beschreibung
Bewerten und/oder Steuern eines Roboterarbeitsprozesses
Die vorliegende Erfindung betrifft ein Verfahren zum Bewerten, insbesondere zum Überwachen, und/oder zum Steuern eines Arbeitsprozesses wenigstens eines Roboters auf Basis eines maschinell gelernten Prozessmodells, ein Verfahren zum überwachten maschinellen Lernen eines, insbesondere dieses, Prozessmodells eines Arbeitsprozesses wenigstens eines Roboters, sowie ein System, Computerprogramm bzw. Computerprogrammprodukt zur Durchführung wenigstens eines dieser Verfahren.
Prozessmodelle von Roboterarbeitsprozessen, die durch überwachtes maschinelles Lernen (maschinell) gelernt sind, können vorteilhaft verwendet werden, insbesondere, um die Roboterarbeitsprozesse zu verbessern, vorzugsweise, um diese zu bewerten, insbesondere zu überwachen, und/oder um diese zu steuern.
Zum überwachten maschinellen Lernen ist es erforderlich, Messdaten zu labeln, beispielsweise Antriebsströme, Antriebsdrehmomente und/oder Regelfehler des Roboters dahingehend zu labeln, ob der damit durchgeführte Arbeitsprozess fehlerfrei war oder nicht.
Eine Aufgabe einer Ausführung der vorliegenden Erfindung ist es, das überwachte maschinelle Lernen eines Prozessmodells eines Arbeitsprozesses wenigstens eines Roboters zu verbessern. Eine Aufgabe einer Ausführung der vorliegenden Erfindung ist es, das Bewerten, insbesondere das Überwachen, und/oder das Steuern eines Arbeitsprozesses wenigstens eines Roboters zu verbessern.
Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 bzw. 7 gelöst. Ansprüche 8, 9 stellen ein System bzw. Computerprogramm bzw.
Computerprogrammprodukt zur Durchführung wenigstens eines hier beschriebenen Verfahrens unter Schutz. Die Unteransprüche betreffen vorteilhafte Weiterbildungen. Nach einer Ausführung der vorliegenden Erfindung umfasst ein Verfahren zum überwachten maschinellen Lernen eines Prozessmodells eines Arbeitsprozesses eines oder mehrerer Roboter(s) die Schritte:
- Erfassen von Schwingungsdaten und Messdaten während der, vorzugsweise mehrfachen bzw. wiederholten, Durchführung des Arbeitsprozesses; und
- überwachtes maschinelles Lernen („Supervised (Machine) Learning“) eines, insbesondere mathematischen und/oder numerischen bzw. computertechnisch implementierten, Prozessmodells, insbesondere Kl-Prozessmodells, des Arbeitsprozesses auf Basis der Messdaten, welche auf Basis der erfassten Schwingungsdaten gelabelt sind.
Das Prozessmodell kann insbesondere wenigstens ein künstliches neuronales Netz umfassen, das überwachte maschinelle Lernen entsprechend ein Trainieren des Prozessmodells, insbesondere dieses künstlichen neuronalen Netzes, mithilfe der gelabelten Messdaten, ohne jedoch hierauf beschränkt zu sein.
In einer Ausführung umfasst das Verfahren auch den Schritt:
- Labeln der erfassten Messdaten auf Basis der erfassten Schwingungsdaten, insbesondere vor dem Schritt des überwachten maschinellen Lernens.
Nach betriebsinterner Praxis werden Messdaten häufig manuell auf Basis visueller Beobachtungen des Arbeitsprozesses oder von Kamerabildern von dem Arbeitsprozess gelabelt.
Dabei können jedoch insbesondere Sichthindernisse, mangelnde Auflösung, geheimzuhaltende sichtbare Prozess- und/oder Umgebungsdetails oder dergleichen problematisch sein, insbesondere für ein ausgelagertes bzw. externes Labeln außer Sichtweite des Arbeitsprozesses.
Daher wird in einer Ausführung vorgeschlagen, zusätzlich oder alternativ zu visuellen Beobachtungen und/oder Kamerabildern erfasste Schwingungsdaten zum Labeln der Messdaten zu verwenden. In einer Ausführung umfassen die erfassten Schwingungsdaten Luft- und/oder Körperschall(wellen)signale bzw. Luft- und/oder Strukturschwingungssignale. Hierdurch können in einer Ausführung Probleme mit Sichthindernissen, mangelnder optischer Auflösung, geheimzuhaltenden sichtbaren Prozess- und/oder Umgebungsdetails oder dergleichen reduziert werden.
In einem einfachen Beispiel kann anhand eines Einschnappgeräusches beurteilt werden, ob ein Fügeprozess erfolgreich durchgeführt wurde oder nicht, und bei diesem Fügeprozess erfasste Messdaten entsprechend als „Fügeprozess erfolgreich“ oder „Fügeprozess nicht erfolgreich“ gelabelt werden.
In einer Ausführung werden die Schwingungsdaten mithilfe eines Sensors oder mehrerer Sensoren erfasst, der bzw. von denen einer oder mehrere an dem Roboter, in einer Ausführung einem Endflansch des Roboters, angeordnet ist bzw. sind.
Zusätzlich oder alternativ kann der Sensor bzw. einer oder mehrere der Sensoren (jeweils) ein Beschleunigungssensor sein, in einer Ausführung ein ein- oder mehrachsiger Beschleunigungssensor.
Hierdurch können in einer Ausführung die Schwingungsdaten vorteilhaft, insbesondere präzise(r) und/oder ungestört(er), erfasst werden, beispielsweise im Vergleich zu extern (angeordneten) Mikrofonen, die zwar auch verwendet werden können, häufig jedoch mehr Stör- bzw. Umgebungsgeräusche erfassen.
In einer Ausführung sind bzw. werden die Messdaten auf Basis der erfassten Schwingungsdaten manuell bzw. durch eine oder mehrere Personen, in einer Ausführung gemeinsam, gelabelt, wobei ein gemeinsames manuelles Labeln in einer Ausführung eine Auswertung mehrerer einzelner Label von je einer oder mehreren Personen umfasst, insbesondere ein Labeln entsprechend der Mehrheit der einzelnen Labels, eines Durchschnitts der einzelnen Labels oder dergleichen.
Insbesondere da Menschen akustische Signale besonders gut, insbesondere rasch(er), präzise(r), intuitiv(er) und/oder wenig(er) fehleranfällig, verarbeiten können, kann hierdurch das Labeln der Messdaten in einer Ausführung verbessert werden. Zusätzlich oder alternativ sind bzw. werden die Messdaten außer Sichtweite des Arbeitsprozesses bzw. remote gelabelt, in einer Weiterbildung in einer Cloud („Cloud- Labeling“).
Dadurch kann in einer Ausführung das Labeln der Messdaten vorteilhaft verteilt und/oder ohne Beeinträchtigung des Arbeitsprozesses und/oder ohne Beeinträchtigung durch den Arbeitsprozess durchgeführt und dadurch in einer Ausführung das Labeln und/oder der Arbeitsprozess verbessert werden.
Zusätzlich oder alternativ sind bzw. werden die Messdaten auf Basis von akustischen Signalen, die ganz oder teilweise mit den Schwingungsdaten übereinstimmen oder von den Schwingungsdaten abhängig sind, in einer Ausführung aus diesen generiert werden, gelabelt.
Mit anderen Worten können die Schwingungsdaten bereits (die) akustische(n) Signale aufweisen, insbesondere sein, wodurch in einer Ausführung die Präzision verbessert werden kann.
Gleichermaßen können in einer Ausführung die Schwingungsdaten in (die) akustische(n) Signale umgewandelt bzw. verarbeitet bzw. die akustischen Signale auf Basis der erfassten Schwingungsdaten erzeugt werden. Dann werden in einer Ausführung die Messdaten auf Basis dieser akustischen Signale und somit auch auf Basis der (diesen zugrundeliegenden) erfassten Schwingungsdaten gelabelt
Wie vorstehend ausgeführt, können Menschen akustische Signale besonders gut, insbesondere rasch(er), präzise(r), intuitiv(er) und/oder wenig(er) fehleranfällig, verarbeiten, so dass hierdurch das Labeln der Messdaten in einer Ausführung (weiter) verbessert werden kann.
In einer Ausführung werden die erfassten Schwingungsdaten, in einer Ausführung zu (den) akustischen Signalen, verarbeitet, und die Messdaten sind bzw. werden dann auf Basis dieser verarbeiteten Schwingungsdaten, insbesondere akustischen Signalen, gelabelt. Hierdurch kann in einer Ausführung die Erfassung und/oder Präzision verbessert werden. So kann beispielsweise mittels eines Beschleunigungssensors, in einer Ausführung am Roboter, Körperschall erfasst und in hörbare akustische Signale verarbeitet werden, die ein Mensch besonders gut, insbesondere rasch(er), präzise(r), intuitiv(er) und/oder wenig(er) fehleranfällig, verarbeiten kann.
In einer Ausführung werden die erfassten Schwingungsdaten in einen anderen, in einer Weiterbildung hörbaren, Frequenzbereich, der in einer Ausführung zwischen 20 Hz und 20 kHz liegt, transformiert. Da wie erwähnt Menschen akustische Signale besonders gut, insbesondere rasch(er), präzise(r), intuitiv(er) und/oder wenig(er) fehleranfällig, verarbeiten können, kann hierdurch das Labeln der Messdaten in einer Ausführung verbessert werden.
In einer Ausführung liegen, gegebenenfalls auch, die erfassten Schwingungsdaten ganz oder teilweise im hörbaren Frequenzbereich bzw. einem Frequenzbereich zwischen 20 Hz und 20 kHz. Durch solche Schwingungsdaten kann das Labeln in einer Ausführung besonders präzise und/oder zuverlässig durchgeführt werden. Entsprechend erfasst in einer Ausführung der wenigstens eine Sensor, insbesondere Beschleunigungssensor, wenigstens teilweise in einem Frequenzbereich, der zwischen 20 Hz und 20 kHz liegt, bzw. ist hierzu eingerichtet bzw. wird hierzu verwendet.
Zusätzlich oder alternativ werden die erfassten Schwingungsdaten beim Verarbeiten in einer Ausführung durch wenigstens einen Bandpassfilter und/oder Ausschneiden eines, in einer Weiterbildung vorgegebenen Frequenzbereichs, gefiltert. Dadurch können in einer Ausführung besonders signifikante Frequenzbereiche zum Labeln verwendet bzw. zur Verfügung gestellt und dadurch das Labeln, insbesondere die Präzision und/oder Zuverlässigkeit, verbessert werden. Die Filterung, insbesondere ein vorgegebener Frequenzbereich, der ausgeschnitten wird und/oder eine oder mehrere Frequenz(en) des Bandpassfilters, werden in einer Ausführung mittels künstlicher Intelligenz, insbesondere Explainable AI, Anomaliedetektion, Autoencoder, Reconstruction Error, insbesondere Minimierung dessen, oder dergleichen, oder empirisch festgelegt. Hierdurch können in einer Ausführung besonders vorteilhafte, insbesondere signifikante und/oder für menschliche Labler geeignete, verarbeitete Schwingungsdaten generiert werden. In einer Ausführung werden zum Labeln der Messdaten vorab Übungsschwingungsdaten erfasst und der Instanz, in einer Ausführung dem bzw. den Menschen, die anschließend die Messdaten labeln, die, in einer Ausführung in vorstehend mit Bezug auf die Schwingungsdaten erläuterter Weise, verarbeiteten, Übungsschwingungsdaten zusammen mit einer Klassifikation dieser Übungsschwingungsdaten zum (Ein)Üben des Labeins zur Verfügung gestellt. Die Klassifikation kann beispielsweise auf Basis einer visuellen Inspektion, einer Bilderkennung oder dergleichen erfolgen.
Somit werden in einer Ausführung die Übungsschwingungsdaten zu akustischen Signalen verarbeitet und/oder in einen anderen, insbesondere hörbaren, Frequenzbereich transformiert und/oder, insbesondere durch wenigstens einen Bandpassfilter und/oder Ausschneiden eines vorgegebenen Frequenzbereichs, gefiltert, bevor sie der Instanz zum Üben des Labeins zur Verfügung gestellt werden.
Diese Instanz kann dann anhand dieser Übungsschwingungsdaten bzw. akustischen (Übungs-)Signale das (korrekte) Labeln üben.
In einer Ausführung umfassen die erfassten Messdaten, die auf Basis der erfassten Schwingungsdaten gelabelt sind bzw. werden und auf deren Basis das Prozessmodell (überwascht) maschinell gelernt wird bzw. die erfassten Messdaten, auf deren Basis der Arbeitsprozess bewertet und/oder gesteuert wird, Bewegungsdaten, insbesondere Zeitreihen, und/oder Lastdaten, insbesondere Zeitreihen, in einer Ausführung (Zeitreihen von) Positionen, Kräfte(n), Drehmomente(n), Regelabweichungen und/oder (Zeitreihen von) erste(n) und/oder höhere(n) zeitliche(n) Ableitungen von Positionen, Kräften, Drehmomenten und/oder Regelabweichungen, des Roboters, in einer Ausführung seiner Antriebe.
Diese Messdaten sind besonders zum Bewerten und/oder Steuern von Roboterarbeitsprozessen geeignet, so dass hierdurch das Prozessmodell und/oder das Bewerten und/oder Steuern eines Roboterarbeitsprozesses auf Basis des gelernten Prozessmodells verbessert werden kann. Nach einer Ausführung der vorliegenden Erfindung umfasst ein Verfahren zum Bewerten, insbesondere zum Überwachen, und/oder zum Steuern eines Arbeitsprozesses wenigstens eines Roboters, den Schritt:
- Bewerten, insbesondere Überwachen, und/oder Steuern eines Arbeitsprozesses wenigstens eines Roboters auf Basis eines Prozessmodells, das mithilfe überwachten maschinellen Lernens nach einem hier beschriebenen Verfahren maschinell gelernt ist, in einer Ausführung maschinell gelernt wird.
Entsprechend umfasst in einer Ausführung das Verfahren zum Bewerten, insbesondere zum Überwachen, und/oder zum Steuern eines Arbeitsprozesses wenigstens eines Roboters, die Schritte:
- überwachtes maschinelles Lernen eines Prozessmodells eines Arbeitsprozesses wenigstens eines Roboters nach einem hier beschriebenen Verfahren; und
- Bewerten, insbesondere Überwachen, und/oder Steuern eines, vorzugsweise gleichartigen, Arbeitsprozesses wenigstens eines, vorzugsweise dieses, Roboters auf Basis dieses gelernten Prozessmodells.
In einer Ausführung umfasst das Bewerten und/oder Steuern des Arbeitsprozesses auf Basis des gelernten Prozessmodells die Schritte:
- Erfassen von Messdaten während der Durchführung des Arbeitsprozesses;
- Verarbeiten der Messdaten durch das gelernte Prozessmodell zu einer ein- oder mehrdimensionalen Ausgabe; und
- Bewerten, insbesondere Überwachen, und/oder Steuern des Arbeitsprozesses auf Basis dieser Ausgabe.
Wie einleitend erläutert, kann ein Prozessmodell, das durch überwachtes maschinelles Lernen gelernt ist, vorteilhaft verwendet werden, um einen Roboterarbeitsprozess zu bewerten, insbesondere zu überwachen, und/oder zu steuern, und hierdurch zu verbessern.
So kann in einer Ausführung steuernd in den Roboterarbeitsprozess eingegriffen, beispielsweise eine Korrektur- oder Aussortieraktion oder dergleichen veranlasst werden, wenn das Prozessmodell auf Basis der erfassten Messdaten einen fehlerhaften Prozess, insbesondere Prozessschritt, erkennt, oder ein Arbeitsprodukt des Roboterarbeitsprozesses in eine von mehreren (Güte)Klassen sortiert werden oder dergleichen.
Nach einer Ausführung der vorliegenden Erfindung ist ein System, insbesondere hard- und/oder software-, insbesondere programmtechnisch, zur Durchführung eines hier beschriebenen Verfahrens eingerichtet.
Nach einer Ausführung der vorliegenden Erfindung weist ein bzw. das System auf:
- Mittel zum Erfassen von Schwingungsdaten und Messdaten während der Durchführung des Arbeitsprozesses; und
- Mittel zum überwachten maschinellen Lernen eines Prozessmodells des Arbeitsprozesses auf Basis der Messdaten, welche auf Basis der erfassten Schwingungsdaten gelabelt sind,
- in einer Ausführung Mittel zum Labeln der Messdaten auf Basis der erfassten Schwingungsdaten, insbesondere zum Ausgeben der erfassten, gegebenenfalls, insbesondere zu akustischen Signalen, verarbeiteten Schwingungsdaten an einen oder mehrere Menschen und manuellen Labeln der Messdaten durch den bzw. die Menschen, insbesondere Erhalten bzw. Eingeben entsprechender Label von bzw. durch den bzw. die Menschen.
In einer Ausführung weist das System bzw. sein(e) Mittel auf:
- Mittel zum Laben der Messdaten auf Basis der erfassten Schwingungsdaten manuell und/oder außer Sichtweite des Arbeitsprozesses und/oder auf Basis von akustischen Signalen, die wenigstens teilweise mit den Schwingungsdaten übereinstimmen oder von den Schwingungsdaten abhängig sind;
- Mittel zum Verarbeiten der erfassten Schwingungsdaten, insbesondere zu akustischen Signalen und/oder zum Transformieren in einen anderen, insbesondere hörbaren, Frequenzbereich und/oder zum Filtern, insbesondere durch wenigstens einen Bandpassfilter und/oder Ausschneiden eines vorgegebenen Frequenzbereichs; und/oder
- Mittel zum Erfassen von Übungsschwingungsdaten vorab und Zur-Verfügung-Stellen der, insbesondere verarbeiteten, Übungsschwingungsdaten zusammen mit einer Klassifikation dieser Übungsschwingungsdaten der Instanz zum Labeln der Messdaten zum Üben des Labeins. Nach einer Ausführung der vorliegenden Erfindung weist ein bzw. das System auf:
- Mittel zum Bewerten, insbesondere Überwachen, und/oder zum Steuern eines Arbeitsprozesses wenigstens eines Roboters auf Basis eines Prozessmodells, das mithilfe überwachten maschinellen Lernens nach einem hier beschrieben Verfahren bzw. mithilfe eines hier beschriebenen Systems maschinell gelernt ist.
In einer Ausführung umfasst das System bzw. sein(e) Mittel:
- Mittel zum überwachten maschinellen Lernen eines Prozessmodells eines Arbeitsprozesses wenigstens eines Roboters nach einem hier beschriebenen Verfahren bzw. mithilfe eines hier beschriebenen Systems; und
- Mittel zum Bewerten, insbesondere Überwachen, und/oder zum Steuern eines, vorzugsweise gleichartigen, Arbeitsprozesses wenigstens eines, vorzugsweise dieses, Roboters auf Basis dieses gelernten Prozessmodells.
In einer Ausführung umfasst das System bzw. sein(e) Mittel:
- Mittel zum Erfassen von Messdaten während der Durchführung des Arbeitsprozesses; wobei das gelernte Prozessmodell zum Verarbeiten der Messdaten zu einer ein- oder mehrdimensionalen Ausgabe und das Mittel zum Bewerten und/oder Steuern des Arbeitsprozesses zum Bewerten und/oder Steuern des Arbeitsprozesses auf Basis dieser Ausgabe eingerichtet sind.
Ein System und/oder ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere wenigstens eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU), Graphikkarte (GPU) oder dergleichen, und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die Verarbeitungseinheit 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. 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 Verarbeitungseinheit die Schritte solcher Verfahren ausführen kann und damit insbesondere einen Roboterarbeitsprozess bewerten und/oder steuern bzw., insbesondere hierzu, ein Prozessmodell eines Roboterarbeitsprozess überwacht maschinell lernen kann. Ein Computerprogrammprodukt kann in einer Ausführung ein, insbesondere computerlesbares und/oder nicht-flüchtiges, Speichermedium zum Speichern eines Programms bzw. von Anweisungen bzw. mit einem darauf gespeicherten Programm bzw. mit darauf gespeicherten Anweisungen aufweisen, insbesondere sein. In einer Ausführung veranlasst ein Ausführen dieses Programms bzw. dieser Anweisungen durch ein System bzw. eine Steuerung, insbesondere einen Computer oder eine Anordnung von mehreren Computern, das System bzw. die Steuerung, insbesondere den bzw. die Computer, dazu, ein hier beschriebenes Verfahren bzw. einen oder mehrere seiner Schritte auszuführen, bzw. sind das Programm bzw. die Anweisungen hierzu eingerichtet.
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.
In einer Ausführung weist das System den wenigstens einen Roboter auf.
Weitere Vorteile und Merkmale ergeben sich aus den Unteransprüchen und den Ausführungsbeispielen. Hierzu zeigt, teilweise schematisiert:
Fig. 1 : ein System nach einer Ausführung der vorliegenden Erfindung; und
Fig. 2: ein Verfahren nach einer Ausführung der vorliegenden Erfindung.
Fig. 1 zeigt ein System und Fig. 2 ein Verfahren nach einer Ausführung der vorliegenden Erfindung.
In einem Schritt S10 (vgl. Fig. 2) werden während eines mehrfach wiederholten Durchführens eines Arbeitsprozesses mithilfe eines Beschleunigungssensors 1 an einem Endflansch 6 eines Roboters 2 Übungsschwingungsdaten erfasst. Diese Übungsschwingungsdaten werden gegebenenfalls noch verarbeitet, beispielsweise gefiltert und/oder in einen anderen Frequenzbereich transformiert, und als hörbare akustische Signale einem oder mehreren Lablern 4 zusammen mit einer Klassifikation dieser Übungsschwingungsdaten in „Arbeitsprozess in Ordnung‘7„Arbeitsprozess nicht in Ordnung“ oder dergleichen zur Verfügung gestellt. Die Klassifikation kann beispielsweise auf Basis einer visuellen Inspektion, einer Bilderkennung oder dergleichen erfolgen.
Damit üben der bzw. die Labler 4 das Labeln auf Basis, gegebenenfalls verarbeiteter, Übungsschwingungsdaten. D.h., sie üben beispielsweise, bestimmte Geräusche als „Arbeitsprozess in Ordnung‘7„Arbeitsprozess nicht in Ordnung“ oder auch „Fügen voll erreichtVTügen teilweise erreicht“/“ Fügen fehlgeschlagen“ oder dergleichen zu labeln.
Nachdem der bzw. die Labler 4 das Labeln solcherart (ein)geübt haben, werden in einem Schritt S20 während eines mehrfach wiederholten Durchführens eines Arbeitsprozesses mithilfe des Beschleunigungssensors 1 wiederum Schwingungsdaten und zusätzlich Messdaten erfasst, beispielsweise Zeitreihen mit Positions- und/oder Lastdaten von Antrieben 3 des Roboters.
Diese erfassten Schwingungsdaten werden gegebenenfalls, vorzugsweise in gleicher Weise wie zuvor die Übungsschwingungsdaten, verarbeitet (Fig. 2: Schritt S30). Beispielsweise werden die erfassten Schwingungsdaten in einen anderen Frequenzbereich transformiert und/oder durch wenigstens einen Bandpassfilter und/oder Ausschneiden eines vorgegebenen Frequenzbereichs, gefiltert, und so zu akustischen Signalen verarbeitet.
Diese akustischen Signale werden nun dem bzw. den Lablern 4 vorgespielt, die daraufhin die jeweils zugehörigen Messdaten laben (Fig. 2: Schritt S40). D.h. sie hören entsprechende Geräusche und geben ein „Arbeitsprozess in Ordnung“ oder „Arbeitsprozess nicht in Ordnung“ oder auch „Fügen voll erreicht“, “Fügen teilweise erreicht“ oder “Fügen fehlgeschlagen“ oder dergleichen ein bzw. aus, und die zugehörigen Zeitreihen mit Positions- und/oder Lastdaten von Antrieben 3 des Roboters, die während der Durchführung des Arbeitsprozesses erfasst wurden, in der auch die Schwingungsdaten erfasst wurden, die zu den Geräusche verarbeitet wurden, werden entsprechenden gelabelt. Beispielsweise wird eine Mess- bzw. Zeitreihe mit Messdaten in Form von Positions- und/oder Lastdaten des Roboters, die während einer Durchführung eines Arbeitsprozesses erfasst wurde, als „Arbeitsprozess in Ordnung“ gelabelt, wenn die bei dieser Durchführung erfassten Schwingungsdaten ein entsprechendes Klick- bzw. Einschnappgeräusch ergeben.
Mit den solcherart gelabelten Messdaten wird in einem Schritt S50 ein Prozessmodell beispielsweise in Form eines künstlichen neuronalen Netzes 5 durch supervised (machine) learning bzw. überwachtes maschinelles Lernen trainiert bzw. (überwacht) maschinell gelernt.
Danach können gleichartige Arbeitsprozesse des Roboters 2 auf Basis dieses auf Basis der gelabelten Messdaten maschinell gelernten Prozessmodells 5 bewertet werden (Fig. 2. Schritt S60), insbesondere kann der Arbeitsprozess überwacht werden. Zusätzlich oder alternativ kann der Arbeitsprozess in Schritt S60 gesteuert, beispielsweise bei einem fehlgeschlagenen Fügen eine Korrektur- oder Aussortieraktion durchgeführt werden.
Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist.
So kann in einem einfachen Beispiel der Beschleunigungssensor Schallsignale in einem hörbaren Frequenzbereich zwischen 20 Hz und 20 kHz erfassen, die einem Menschen 4 vorgespielt werden, der dann die zugehörigen Messdaten, beispielsweise Positions- und/oder Lastdaten der Antriebe 3, als „Fügen in Ordnung“ labelt, wenn er ein entsprechendes Klick- bzw. Einschnappgeräusch hört, bzw. als „Fügen nicht in Ordnung“ labelt, wenn er kein (korrektes bzw. beim Üben eingeübtes) Klick- bzw. Einschnappgeräusch hört.
Man erkennt an diesen Beispielen, dass insbesondere auch für Prozesse, bei denen ein manuelles Labeln auf Basis visueller Informationen problematisch ist, zum Beispiel, weil der Prozess schlecht zu beobachten ist oder Kamerabilder ungewollt auch geheimhaltungsbedürftige Informationen übertragen würden, ein Prozessmodell gut durch supervised (machine) learning maschinell (überwacht) gelernt und anschließend zum Bewerten und/oder Steuern verwendet werden kann. 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
1 Beschleunigungssensor
2 Roboter 3 Antrieb
4 Labler
5 Künstliches neuronales Netz (Prozessmodell)
6 Endflansch

Claims

Patentansprüche Verfahren zum überwachten maschinellen Lernen eines Prozessmodells eines Arbeitsprozesses wenigstens eines Roboters (2), mit den Schritten:
- Erfassen (S20) von Schwingungsdaten und Messdaten während der Durchführung des Arbeitsprozesses; und
- überwachtes maschinelles Lernen (S50) eines Prozessmodells des Arbeitsprozesses auf Basis der Messdaten, welche auf Basis der erfassten Schwingungsdaten gelabelt sind. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass die Schwingungsdaten mithilfe wenigstens eines Sensors (1) erfasst werden, der an dem Roboter, insbesondere einem Endflansch (6), angeordnet und/oder ein Beschleunigungssensor ist. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Messdaten auf Basis der erfassten Schwingungsdaten manuell und/oder außer Sichtweite des Arbeitsprozesses und/oder auf Basis von akustischen Signalen, die wenigstens teilweise mit den Schwingungsdaten übereinstimmen oder von den Schwingungsdaten abhängig sind, gelabelt sind, insbesondere werden (S40). Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die erfassten Schwingungsdaten, insbesondere zu akustischen Signalen, verarbeitet, insbesondere in einen anderen, insbesondere hörbaren, Frequenzbereich transformiert und/oder, insbesondere durch wenigstens einen Bandpassfilter und/oder Ausschneiden eines vorgegebenen Frequenzbereichs, gefiltert, werden (S30) und die Messdaten auf Basis der verarbeiteten Schwingungsdaten gelabelt sind, insbesondere werden (S40). Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass zum Labeln der Messdaten vorab Übungsschwingungsdaten erfasst werden und der Instanz zum Labeln der Messdaten die, insbesondere verarbeiteten, Übungsschwingungsdaten zusammen mit einer Klassifikation dieser Übungsschwingungsdaten zum Üben des Labeins zur Verfügung gestellt werden (S10). Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die erfassten Messdaten Bewegungs- und/oder Lastdaten, insbesondere Positionen, Kräfte, Drehmomente, Regelabweichungen und/oder zeitliche Ableitungen von Positionen, Kräften, Drehmomenten und/oder Regelabweichungen, des Roboters, insbesondere seiner Antriebe, umfassen. Verfahren zum Bewerten, insbesondere zum Überwachen, und/oder zum Steuern eines Arbeitsprozesses wenigstens eines Roboters (2), mit dem Schritt: Bewerten (S60), insbesondere Überwachen, und/oder Steuern (S60) eines Arbeitsprozesses wenigstens eines Roboters (2) auf Basis eines Prozessmodells, das mithilfe überwachten maschinellen Lernens nach einem der vorhergehenden Ansprüche maschinell gelernt ist. System zum überwachten maschinellen Lernen eines Prozessmodells eines Arbeitsprozesses wenigstens eines Roboters (2) und/oder zum Bewerten, insbesondere zum Überwachen, und/oder zum Steuern eines Arbeitsprozesses wenigstens eines Roboters (2), das zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche eingerichtet ist und/oder aufweist:
- Mittel zum Erfassen von Schwingungsdaten und Messdaten während der Durchführung des Arbeitsprozesses; sowie
- Mittel zum überwachten maschinellen Lernen eines Prozessmodells des Arbeitsprozesses auf Basis der Messdaten, welche auf Basis der erfassten Schwingungsdaten gelabelt sind; und/oder aufweist:
- Mittel zum Bewerten, insbesondere Überwachen, und/oder Steuern eines Arbeitsprozesses wenigstens eines Roboters auf Basis eines Prozessmodells, das mithilfe überwachten maschinellen Lernens nach einem der vorhergehenden Ansprüche maschinell gelernt ist. Computerprogramm oder Computerprogrammprodukt, wobei das Computerprogramm oder Computerprogrammprodukt, insbesondere auf einem computerlesbaren und/oder nicht-flüchtigen Speichermedium gespeicherte, Anweisungen enthält, die bei der Ausführung durch einen oder mehrere Computer 17 oder ein System nach Anspruch 8 den oder die Computer oder das System dazu veranlassen, ein Verfahren nach einem der Ansprüche 1 bis 7 durchzuführen.
PCT/EP2022/073547 2021-09-07 2022-08-24 Bewerten und/oder steuern eines roboterarbeitsprozesses WO2023036610A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021209867.3 2021-09-07
DE102021209867.3A DE102021209867A1 (de) 2021-09-07 2021-09-07 Bewerten und/oder Steuern eines Roboterarbeitsprozesses

Publications (1)

Publication Number Publication Date
WO2023036610A1 true WO2023036610A1 (de) 2023-03-16

Family

ID=83283397

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/073547 WO2023036610A1 (de) 2021-09-07 2022-08-24 Bewerten und/oder steuern eines roboterarbeitsprozesses

Country Status (2)

Country Link
DE (1) DE102021209867A1 (de)
WO (1) WO2023036610A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180089589A1 (en) * 2016-09-27 2018-03-29 Fanuc Corporation Machine learning device and machine learning method for learning optimal object grasp route
KR20200031463A (ko) * 2018-09-14 2020-03-24 한국산업기술대학교산학협력단 로봇 고장원인 진단 시스템 및 방법
US20200338724A1 (en) * 2019-04-26 2020-10-29 Fanuc Corporation Vibration display device, operation program creating device, and system
WO2020240402A1 (en) * 2019-05-27 2020-12-03 Linari Engineering Srl Method and system for detecting equipment malfunctions and/or defects in a workpiece

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017000063B4 (de) 2016-01-14 2019-10-31 Fanuc Corporation Robotereinrichtung mit Lernfunktion
JP6484265B2 (ja) 2017-02-15 2019-03-13 ファナック株式会社 学習制御機能を備えたロボットシステム及び学習制御方法
JP6577527B2 (ja) 2017-06-15 2019-09-18 ファナック株式会社 学習装置、制御装置及び制御システム
JP6781183B2 (ja) 2018-03-26 2020-11-04 ファナック株式会社 制御装置及び機械学習装置
JP7401207B2 (ja) 2019-06-21 2023-12-19 ファナック株式会社 ツールの状態を学習する機械学習装置、ロボットシステム、及び機械学習方法
JP2021194744A (ja) 2020-06-16 2021-12-27 株式会社デンソーウェーブ 薄板状小型ワークの把持装置、薄板状小型ワークの把時方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180089589A1 (en) * 2016-09-27 2018-03-29 Fanuc Corporation Machine learning device and machine learning method for learning optimal object grasp route
KR20200031463A (ko) * 2018-09-14 2020-03-24 한국산업기술대학교산학협력단 로봇 고장원인 진단 시스템 및 방법
US20200338724A1 (en) * 2019-04-26 2020-10-29 Fanuc Corporation Vibration display device, operation program creating device, and system
WO2020240402A1 (en) * 2019-05-27 2020-12-03 Linari Engineering Srl Method and system for detecting equipment malfunctions and/or defects in a workpiece

Also Published As

Publication number Publication date
DE102021209867A1 (de) 2023-03-09

Similar Documents

Publication Publication Date Title
EP3725472A1 (de) Verfahren zum ermitteln einer trajektorie eines roboters
WO2020127512A1 (de) Überprüfungssystem und verfahren zum überprüfen von arbeitsabläufen
DE10215885A1 (de) Automatische Prozesskontrolle
DE102017105174B4 (de) Verfahren zum Erzeugen von Trainingsdaten für die Überwachung einer Gefahrenquelle
EP3959046A1 (de) Verfahren und system zum betreiben eines roboters
DE102019007721A1 (de) Vorrichtung zur Erfassung einer Anomalie bei der Anfügung eines Werkzeugs
EP3987373B1 (de) Effiziente fehleranalyse durch simulierten fehler in einem digitalen zwilling
WO2023036610A1 (de) Bewerten und/oder steuern eines roboterarbeitsprozesses
DE102018125712A1 (de) Fahrunterstützungsverfahrens für ein Fahrzeug
WO2019096636A1 (de) Verfahren und system zum vorgeben bzw. lernen eines roboterbefehls
DE102018207220A1 (de) Verfahren, Vorrichtung und Computerprogramm zum Detektieren eines Berechnungsfehlers oder einer Fehlfunktion
EP3710207B1 (de) Qualitätssicherung eines prozesses
EP4133341A1 (de) Roboterprozess
DE102020204983A1 (de) System zum Bereitstellen von trainierten KI-Modellen für verschiedene Anwendungen
EP3828363A2 (de) Unterstützung von arbeiten an schalungen und gerüsten
DE10038094B4 (de) Vorrichtung und Verfahren zum Generieren und Erweitern der Wissensbasis eines Expertensystems
WO2019081243A1 (de) Verfahren und vorrichtung zum verbessern der robustheit eines maschinellen lernsystems
EP2808843A2 (de) Verfahren zur Parametrierung eines Bildverarbeitungssystems für die Überwachung einer Werkzeugmaschine
WO2022038039A1 (de) Überwachung bei einem robotergestützten prozess
EP3429805A1 (de) Steuern einer automatisierungsanordnung
EP3518059B1 (de) Verfahren zur rechnergestützten benutzerassistenz bei der in-betriebnahme eines bewegungsplaners für eine maschine
EP1261958A2 (de) Verfahren und vorrichtung zum unterstützen einer person bei der ausführung genauigkeit erfordernder arbeitsvorgänge
DE102018126582A1 (de) Testvorrichtung für ein Computerprogramm sowie Verfahren zum Testen eines Computerprogramms
DE102022103875A1 (de) Verfahren und System zur Bestimmung eines Betriebszustandes einer Maschine
DE102022113987A1 (de) Erfassungseinrichtung für die Erfassung einer geometrischen Veränderung einer Industrieanlage

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22769154

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2022769154

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022769154

Country of ref document: EP

Effective date: 20240408