WO2023057591A1 - Monitoring method for a robot and associated robot system - Google Patents

Monitoring method for a robot and associated robot system Download PDF

Info

Publication number
WO2023057591A1
WO2023057591A1 PCT/EP2022/077851 EP2022077851W WO2023057591A1 WO 2023057591 A1 WO2023057591 A1 WO 2023057591A1 EP 2022077851 W EP2022077851 W EP 2022077851W WO 2023057591 A1 WO2023057591 A1 WO 2023057591A1
Authority
WO
WIPO (PCT)
Prior art keywords
robot
data
torque
monitoring method
computer
Prior art date
Application number
PCT/EP2022/077851
Other languages
German (de)
French (fr)
Inventor
Nico KOCH
Paul Thomä
Dominik Vincenz
Original Assignee
Dürr Systems Ag
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 Dürr Systems Ag filed Critical Dürr Systems Ag
Publication of WO2023057591A1 publication Critical patent/WO2023057591A1/en

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
    • B25J9/1674—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
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • 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
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • G05B2219/33—Director till display
    • G05B2219/33296—ANN for diagnostic, monitoring
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33299—Real time, online diagnostic, integrated in normal control system
    • 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
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34477—Fault prediction, analyzing signal trends
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37344—Torque, thrust, twist, machining force measurement
    • 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
    • G05B2219/37—Measurements
    • G05B2219/37429—Temperature of motor

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Robotics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Numerical Control (AREA)

Abstract

The invention relates to a monitoring method for a robot, in particular for a painting robot in a painting system for painting motor vehicle body parts, the method having the following steps: - determining movement data of the robot, the movement data describing the movement of the robot, - collecting torque data, the torque data describing the torque of the axis drive of at least one robot axis of the robot, and - determining an operating fault by evaluating the torque data and the movement data. The invention also provides the following step: - determining the relationship between the movement data and the torque data in a training process by unmonitored machine learning of a machine learning algorithm. The invention also relates to a robot system which is suitable for carrying out the monitoring method according to the invention.

Description

BESCHREIBUNG DESCRIPTION
Überwachungsverfahren für einen Roboter und zugehörige Roboteranlage Monitoring method for a robot and associated robotic system
Technisches Gebiet der Erfindung Technical field of the invention
Die Erfindung betrifft ein Überwachungsverfahren für einen Roboter, insbesondere für einen Beschichtungsroboter in einer Beschichtungsanlage (z.B. Lackieranlage) zur Beschichtung von Bauteilen (z.B. Kraftfahrzeugkarosseriebauteile). Weiterhin betrifft die Erfindung eine entsprechende Roboteranlage zur Ausführung des erfindungsgemäßen Überwachungsverfahrens. The invention relates to a monitoring method for a robot, in particular for a coating robot in a coating system (e.g. painting system) for coating components (e.g. motor vehicle body components). Furthermore, the invention relates to a corresponding robot system for carrying out the monitoring method according to the invention.
Hintergrund der Erfindung Background of the Invention
In modernen Lackieranlagen zur Lackierung von Kraftfahrzeugkarosseriebauteilen werden als Applikationsgeräte üblicherweise Rotationszerstäuber eingesetzt, die von Lackierrobotern bewegt werden. Die Lackierroboter verfügen hierbei über eine serielle Roboterkinematik mit mehreren beweglichen Roboterachsen, die jeweils von einem elektromotorischen Roboterantrieb angetrieben werden. Hierbei ist es bekannt, das Antriebsdrehmoment der einzelnen Roboterantriebe zu überwachen, um Fehlfunktionen erkennen zu können. Bei den bekannten Überwachungsverfahren wird das gemessene Antriebsdrehmoment üblicherweise mit festen Grenzwerten (Minimalwert, Maximalwert) verglichen, die im Betrieb nicht über- bzw. unterschritten werden dürfen. Diese Grenzwerte für das Antriebsdrehmoment werden üblicherweise von einem Experten für jeden Achsantrieb passend festgelegt. In modern paint shops for painting motor vehicle body components, rotary atomizers, which are moved by painting robots, are usually used as application devices. The painting robots have serial robot kinematics with several movable robot axes, each of which is driven by an electromotive robot drive. It is known here to monitor the drive torque of the individual robot drives in order to be able to detect malfunctions. In the known monitoring methods, the measured drive torque is usually compared to fixed limit values (minimum value, maximum value) which must not be exceeded or fallen below during operation. These drive torque limits are typically set by an expert to suit each axle drive.
Zum einen ist diese Festlegung der Grenzwerte für das Antriebsdrehmoment durch einen Experten sehr aufwendig und erfordert viel Erfahrung. On the one hand, this definition of the limit values for the drive torque by an expert is very complex and requires a lot of experience.
Zum anderen ist es aber aufgrund der Vielzahl von Einflüssen im Betrieb (z.B. wechselnde Betriebstemperaturen) kaum machbar, für jeden Betriebszustand passende Grenzwerte für das Antriebsdrehmoment der einzelnen Roboterachsen einzustellen. Die Festlegung allgemeingültiger Grenzwerte für verschiedene Betriebszustände erlaubt dagegen aufgrund der dann erforderlichen großen Abstände der Grenzwerte keine frühzeitige Erkennung von Problemen, Ausfällen oder sonstigen Fehlfunktionen. Darüber hinaus besteht das Problem, dass die Grenzwerte bei einer Änderung der Roboterkinematik jeweils neu festgelegt werden müssen. On the other hand, due to the large number of influences during operation (e.g. changing operating temperatures), it is hardly feasible to set suitable limit values for the drive torque of the individual robot axes for every operating state. On the other hand, the determination of generally applicable limit values for different operating states does not allow early detection of problems, failures or other malfunctions due to the large distances between the limit values that are then required. There is also the problem that the limit values have to be redefined each time the robot kinematics change.
Weiterhin ist es aus dem Stand der Technik bekannt, die Messwerte des Antriebsdrehmoments der einzelnen Roboterachsen über einen bestimmten Zeitraum (z.B. während der Dauer der Lackierung einer Kraftfahrzeugkarosserie) statistisch auszuwerten, um statistische Kennzahlen zu ermitteln, wie beispielsweise Durchschnittswerte des Antriebsdrehmoments. Diese statistischen Kennzahlen können dann in Relation gesetzt werden zu der Belastung der Achsantriebe, die beispielsweise durch die durchschnittliche Drehzahl der Achsantriebe wiedergegeben werden kann. Furthermore, it is known from the prior art to statistically evaluate the measured values of the drive torque of the individual robot axes over a certain period of time (e.g. during the painting of a motor vehicle body) in order to determine statistical key figures, such as average values of the drive torque. These statistical key figures can then be related to the load on the axle drives, which can be represented, for example, by the average speed of the axle drives.
Das vorstehend beschriebene bekannte Überwachungsverfahren für einen Roboter ist also noch nicht vollständig befriedigend, da es mit den vorstehend beschriebenen Nachteilen verbunden ist. The known monitoring method for a robot described above is therefore not yet entirely satisfactory, since it is associated with the disadvantages described above.
Zum technischen Hintergrund der Erfindung ist auch hinzuweisen auf DE 11 2019 006 789 T5, DE 11 2019 002 310 T5, DE 10 2018 006 946 Al, DE 43 11 290 Al und WO 2021/001312 Al. With regard to the technical background of the invention, reference should also be made to DE 11 2019 006 789 T5, DE 11 2019 002 310 T5, DE 10 2018 006 946 A1, DE 43 11 290 A1 and WO 2021/001312 A1.
Schließlich offenbart die ältere, nachveröffentlichte Patentanmeldung DE 10 2020 205 265 Al ein Verfahren zum überwachten maschinellen Lernen.
Figure imgf000004_0001
Finally, the older, post-published patent application DE 10 2020 205 265 A1 discloses a method for monitored machine learning.
Figure imgf000004_0001
Der Erfindung liegt deshalb die Aufgabe zugrunde, ein entsprechend verbessertes Überwachungsverfahren für einen Roboter zu schaffen. Weiterhin liegt der Erfindung die Aufgabe zugrunde, eine entsprechend verbesserte Roboteranlage zu schaffen. The invention is therefore based on the object of creating a correspondingly improved monitoring method for a robot. Furthermore, the invention is based on the object of creating a correspondingly improved robot system.
Diese Aufgabe wird durch ein erfindungsgemäßes Überwachungsverfahren gemäß dem Hauptanspruch bzw. durch eine entsprechende Roboteranlage gelöst. This object is achieved by a monitoring method according to the main claim or by a corresponding robot system.
Das erfindungsgemäße Überwachungsverfahren eignet sich allgemein zur Überwachung eines Roboters. Vorzugsweise dient das erfindungsgemäße Überwachungsverfahren jedoch zur Überwachung eines Beschichtungsroboters (z.B. Lackierroboter) in einer Beschichtungsanlage (z.B. Lackieranlage) zur Beschichtung von Bauteilen (z.B. Kraftfahrzeugkarosseriebauteile). Die Erfindung ist also hinsichtlich des applizierten Beschichtungsmittels nicht auf Lack beschränkt, sondern auch mit Beschichtungsrobotern realisierbar, die andere Beschichtungsmittel applizieren, wie beispielsweise Klebstoff, Dämmstoff, Dichtstoff, um nur einige Beispiele zu nennen. Darüber hinaus ist die Erfindung auch hinsichtlich der beschichteten Bauteile nicht auf die Beschichtung von Kraftfahrzeugkarosseriebauteilen beschränkt. Vielmehr ist die Erfindung auch realisierbar bei Beschichtungsrobotern, die andere Bauteile beschichten. The monitoring method according to the invention is generally suitable for monitoring a robot. However, the monitoring method according to the invention preferably serves to monitor a coating robot (eg painting robot) in a coating system (eg painting system) for coating components (eg motor vehicle body components). The invention is therefore not limited to paint with regard to the applied coating agent, but can also be implemented with coating robots that apply other coating agents, such as, for example Adhesive, insulating material, sealant, to name just a few examples. In addition, with regard to the coated components, the invention is not limited to the coating of motor vehicle body components. Rather, the invention can also be implemented with coating robots that coat other components.
In Übereinstimmung mit dem eingangs beschriebenen Stand der Technik sieht das erfindungsgemäße Überwachungsverfahren zunächst vor, dass Bewegungsdaten des Roboters ermittelt werden, wobei die Bewegungsdaten die Bewegung des Roboters wiedergeben. Die Einzelheiten der Ermittlung der Bewegungsdaten und verschiedene Beispiele für die Bewegungsdaten werden später noch detailliert beschrieben. In accordance with the prior art described at the outset, the monitoring method according to the invention initially provides that movement data of the robot are determined, with the movement data reflecting the movement of the robot. The details of the determination of the movement data and various examples of the movement data are described in detail later.
Weiterhin sieht das erfindungsgemäße Überwachungsverfahren in Übereinstimmung mit dem Stand derTechnik vor, dass Drehmomentdaten ermittelt werden, wobei die Drehmomentdaten das Drehmoment des Achsantriebs mindestens einer Roboterachse des Roboters wiedergeben. Die Einzelheiten der Ermittlung der Drehmomentdaten werden später noch detailliert beschrieben. In accordance with the prior art, the monitoring method according to the invention also provides that torque data are determined, with the torque data reflecting the torque of the axis drive of at least one robot axis of the robot. The details of the determination of the torque data are described in detail later.
Ferner sieht auch das erfindungsgemäße Überwachungsverfahren in Übereinstimmung mit dem Stand der Technik vor, dass die Drehmomentdaten und die Bewegungsdaten ausgewertet werden, um eine Betriebsstörung des Roboters erkennen zu können. Furthermore, the monitoring method according to the invention, in accordance with the prior art, also provides that the torque data and the movement data are evaluated in order to be able to detect a malfunction of the robot.
Das erfindungsgemäße Überwachungsverfahren zeichnet sich nun durch die Anwendung eines Ma- schinelles-Lernen-Algorithmus aus, der durch unüberwachtes maschinelles Lernen den Zusammenhang zwischen den Bewegungsdaten und den Drehmomentdaten in einem Trainingsvorgang ermittelt. Im Rahmen des Trainingsvorgangs wird also der übliche Zusammenhang zwischen den Bewegungsdaten einerseits und den Drehmomentdaten andererseits ermittelt, der bei einem normalen, fehlerfreien Betrieb auftritt. Dieser Trainingsvorgang kann grundsätzlich mittels frei erhältlicher Software erfolgen, wie beispielsweise TensorFlow™, PyTorch™ oder SciKit-Learn™, um nur einige Beispiele zu nennen. Diese frei erhältlichen Software-Pakete implementieren alle im Zusammenhang mit dem unüberwachten maschinellen Lernen benötigten mathematischen Verfahren. Darüber hinaus gehören die Trainingsverfahren des unüberwachten maschinellen Lernens an sich auch zum allgemeinen technischen Fachwissen auf dem Gebiet der künstlichen Intelligenz (Kl). The monitoring method according to the invention is now characterized by the use of a machine learning algorithm which uses unsupervised machine learning to determine the connection between the movement data and the torque data in a training process. As part of the training process, the usual connection between the movement data on the one hand and the torque data on the other hand is determined, which occurs during normal, error-free operation. In principle, this training process can be carried out using freely available software, such as TensorFlow™, PyTorch™ or SciKit-Learn™, to name just a few examples. These freely available software packages implement all of the mathematical processes required in the context of unsupervised machine learning. In addition, the training methods of unsupervised machine learning per se also belong to the general technical knowledge in the field of artificial intelligence (AI).
Nach dem Trainingsvorgang sieht das erfindungsgemäße Überwachungsverfahren dann in dem normalen Beschichtungsbetrieb vor, dass eine Betriebsstörung ermittelt wird, indem der zuvor trai- nierte Maschinelles-Lernen-Algorithmus die ermittelten Bewegungsdaten und die ebenfalls ermittelten Drehmomentdaten auswertet. Aufgrund des zuvor ermittelten Zusammenhangs zwischen den Bewegungsdaten einerseits und den Drehmomentdaten andererseits kann der Maschinelles- lernen-Algorithmus beispielsweise Ausreißer oder eine zeitliche Drift der Drehmomentdaten erkennen, wie noch detailliert beschrieben wird. After the training process, the monitoring method according to the invention then provides in the normal coating operation that a malfunction is determined by the previously trained ned machine learning algorithm evaluates the determined movement data and the torque data that is also determined. Due to the previously determined connection between the movement data on the one hand and the torque data on the other hand, the machine learning algorithm can, for example, identify outliers or a temporal drift in the torque data, as will be described in detail below.
In einer Erfindungsvariante zeigt der Maschinelles-Lernen-Algorithmus die Betriebsstörung als binären Indikator an, d.h. der Maschinelles-Lernen-Algorithmus gibt lediglich aus, ob eine Betriebsstörung vorliegt oder nicht. In einer anderen Erfindungsvariante gibt der Maschinelles-Lernen-Al- gorithmus die Betriebsstörung dagegen als quantitative Größe aus, die beispielsweise die Wahrscheinlichkeit für eine Betriebsstörung angeben kann. In a variant of the invention, the machine learning algorithm displays the malfunction as a binary indicator, i.e. the machine learning algorithm only outputs whether there is a malfunction or not. In another variant of the invention, on the other hand, the machine learning algorithm outputs the malfunction as a quantitative variable that can indicate the probability of a malfunction, for example.
Weiterhin ist zu erwähnen, dass der Maschinelles-Lernen-Algorithmus die Betriebsstörung vorzugsweise prognostisch ermittelt, d.h. zeitlich vorausschauend. Dies bedeutet, dass die Betriebsstörung bereits vor ihrem Auftreten erkannt wird. Dadurch sind vorausschauende Wartungsarbeiten möglich, was auch unter dem Schlagwort „Predictive Maintenance" bekannt ist. Der Prognosezeitraum zwischen der Erkennung der bevorstehenden Betriebsstörung und der späteren tatsächlichen Betriebsstörung kann beispielsweise größer als eine Stunde, ein Tag, eine Woche oder ein Monat sein. It should also be mentioned that the machine learning algorithm preferably determines the malfunction prognostically, i.e. looking ahead in time. This means that the malfunction is recognized before it occurs. This makes predictive maintenance work possible, which is also known under the buzzword "predictive maintenance". The forecast period between the detection of the imminent malfunction and the later actual malfunction can be longer than an hour, a day, a week or a month, for example.
Es wurde vorstehend bereits erwähnt, dass im Rahmen des erfindungsgemäßen Überwachungsver- fahrens Bewegungsdaten des Roboters ermittelt werden, wobei die Bewegungsdaten die Bewegung des Roboters wiedergeben. Beispielsweise können diese Bewegungsdaten die Position der einzelnen Roboterachsen, die Geschwindigkeit der einzelnen Roboterachsen und/oder die Beschleunigung der einzelnen Roboterachsen umfassen. Im Rahmen der Erfindung sind hierbei beliebige Kombinationen der vorstehend genannten Bewegungsdaten möglich. So können beispielsweise die Position und die Geschwindigkeit der einzelnen Roboterachsen als Bewegungsdaten ermittelt werden oder die Position und die Beschleunigung der einzelnen Roboterachsen. It has already been mentioned above that movement data of the robot are determined as part of the monitoring method according to the invention, with the movement data reflecting the movement of the robot. For example, this movement data can include the position of the individual robot axes, the speed of the individual robot axes and/or the acceleration of the individual robot axes. Within the scope of the invention, any combinations of the movement data mentioned above are possible. For example, the position and speed of the individual robot axes can be determined as movement data, or the position and acceleration of the individual robot axes.
Es besteht jedoch im Rahmen der Erfindung auch die Möglichkeit, dass es sich bei den Bewegungsdaten um statistische Kenngrößen der Daten der einzelnen Roboterachsen handelt, beispielsweise um Mittelwerte. Diese statistischen Kenngrößen können beispielsweise über einen bestimmten Zeitraum ermittelt werden, wie beispielsweise über mindestens einen Tag, eine Woche oder einen Monat. However, there is also the possibility within the scope of the invention that the movement data are statistical parameters of the data of the individual robot axes, for example average values. These statistical parameters can be determined, for example, over a specific period of time, such as over at least one day, one week or one month.
Ferner ist zu erwähnen, dass die Bewegungsdaten durch Sensoren gemessen werden können. Es besteht jedoch im Rahmen der Erfindung alternativ auch die Möglichkeit, dass die Bewegungsdaten ausgelesen werden, beispielsweise aus der Robotersteuerung. It should also be mentioned that the movement data can be measured by sensors. It within the scope of the invention, however, there is also the alternative option for the movement data to be read out, for example from the robot controller.
Weiterhin besteht im Rahmen der Erfindung auch die Möglichkeit, dass nicht alle Bewegungsdaten (Position, Geschwindigkeit und Beschleunigung) gemessen werden, sondern nur einzelne Bewegungsdaten, wie beispielsweise nur die Position. Die anderen Bewegungsdaten (z.B. Geschwindigkeit, Beschleunigung) können dann aus den gemessenen Positionsdaten abgeleitet werden, beispielsweise durch Differenzierung oder Interpolation, insbesondere mittels Spline-Interpolation. Furthermore, there is also the possibility within the scope of the invention that not all movement data (position, speed and acceleration) are measured, but only individual movement data, such as only the position. The other movement data (e.g. speed, acceleration) can then be derived from the measured position data, for example by differentiation or interpolation, in particular by means of spline interpolation.
Aus der vorstehenden Beschreibung geht hervor, dass das erfindungsgemäße Überwachungsver- fahren die Erkennung einer Betriebsstörung ermöglicht. Die Erfindung ist hinsichtlich des Typs der zu erkennenden Betriebsstörungen nicht auf bestimmte Betriebsstörungen beschränkt. It is evident from the above description that the monitoring method according to the invention makes it possible to identify a malfunction. With regard to the type of malfunction to be identified, the invention is not limited to specific malfunctions.
Beispielsweise kann es sich bei der Betriebsstörung um eine zeitliche Drift der Drehmomentdaten über einen längeren Zeitraum handeln, beispielsweise über mehrere Tage, Wochen, Monate oder Jahre. Eine derartige Drift kann beispielsweise verschleißbedingt sein und irgendwann eine Wartungsmaßnahme erfordern. For example, the malfunction can be a temporal drift in the torque data over a longer period of time, for example over several days, weeks, months or years. Such a drift can, for example, be due to wear and tear and at some point require maintenance.
Es besteht jedoch alternativ auch die Möglichkeit, dass es sich bei der zu erkennenden Betriebsstörung um einen Ausreißer eines Drehmomentwerts handelt, der von dem prognostizierten Drehmomentwert stark abweicht, beispielsweise mit einer Abweichung von mindestens ±10%, ±20%, ±30% oder sogar mindestens ±40%. Derartige Ausreißer deuten auf eine akute Betriebsstörung hin, die beispielsweise durch eine Roboterkollision oder eine Beschädigung des Roboterantriebs verursacht werden kann. Alternatively, however, there is also the possibility that the malfunction to be detected is an outlier of a torque value that deviates greatly from the predicted torque value, for example with a deviation of at least ±10%, ±20%, ±30% or even at least ±40%. Such outliers indicate an acute operational disruption, which can be caused, for example, by a robot collision or damage to the robot drive.
Vorstehend wurde beschrieben, dass der Maschinelles-Lernen-Algorithmus die Bewegungsdaten des Roboters und die Drehmomentdaten auswertet. Es besteht im Rahmen der Erfindung jedoch auch die Möglichkeit, dass der Maschinelles-Lernen-Algorithmus weitere Betriebsdaten des Roboters berücksichtigt, wie beispielsweise Temperaturdaten, die die Temperatur von mindestens einem Achsantrieb einer Roboterachse des Roboters wiedergeben. Der Maschinelles-Lernen-Algo- rithmus kann diese Temperaturdaten dann bei dem Trainingsvorgang und bei dem eigentlichen Vorhersagebetrieb zur Ermittlung der Betriebsstörung berücksichtigen. It was described above that the machine learning algorithm evaluates the movement data of the robot and the torque data. Within the scope of the invention, however, there is also the possibility that the machine learning algorithm takes into account other operating data of the robot, such as temperature data that reflect the temperature of at least one axis drive of a robot axis of the robot. The machine learning algorithm can then take this temperature data into account during the training process and during the actual prediction operation to determine the malfunction.
Die Erfindung beansprucht nicht nur Schutz für das vorstehend beschriebene erfindungsgemäße Überwachungsverfahren. Vielmehr beansprucht die Erfindung auch Schutz für eine entsprechend angepasste Roboteranlage, die zur Ausführung des erfindungsgemäßen Überwachungverfahrens ausgelegt ist. The invention not only claims protection for the monitoring method according to the invention described above. Rather, the invention also claims protection for a corresponding adapted robot system, which is designed to carry out the monitoring method according to the invention.
So umfasst die erfindungsgemäße Roboteranlage in Übereinstimmung mit den bekannten Roboteranlagen mindestens einen Roboter mit mehreren Roboterachsen, wobei es sich beispielsweise um einen Lackierroboter handeln kann. Thus, in accordance with the known robot systems, the robot system according to the invention comprises at least one robot with a plurality of robot axes, which can be a painting robot, for example.
Darüber hinaus umfasst die erfindungsgemäße Roboteranlage in Übereinstimmung mit dem Stand der Technik mindestens eine Roboteransteuerung zur Ansteuerung des Roboters, wobei im Falle von mehreren Robotern vorzugsweise jedem Roboter jeweils eine Robotersteuerung zugeordnet ist. In accordance with the prior art, the robot system according to the invention also includes at least one robot controller for controlling the robot, with a robot controller preferably being assigned to each robot in the case of multiple robots.
Die erfindungsgemäße Roboteranlage zeichnet sich nun durch eine neuartige Rechneranlage aus, die mit der mindestens einen Robotersteuerung verbunden ist und einen Programmspeicher aufweist, in dem ein Programm gespeichert ist, das bei einer Ausführung das Überwachungsverfahren gemäß der Erfindung ausführt. The robot system according to the invention is characterized by a new type of computer system which is connected to the at least one robot controller and has a program memory in which a program is stored which, in one embodiment, executes the monitoring method according to the invention.
In einem bevorzugten Ausführungsbeispiel der Erfindung weist die Roboteranlage einen Konnektivitätsrechner auf, der mit der Robotersteuerung verbunden ist und von der Robotersteuerung die Bewegungsdaten des Roboters, die Drehmomentdaten des Roboters und/oder die Temperaturdaten des Roboters erhält. In a preferred exemplary embodiment of the invention, the robot system has a connectivity computer which is connected to the robot controller and receives the robot's movement data, the robot's torque data and/or the robot's temperature data from the robot controller.
Darüber hinaus umfasst die Roboteranlage vorzugsweise einen Datenbankrechner mit einer Datenbank, wobei der Datenbankrechner mit dem Konnektivitätsrechner verbunden ist und die Bewegungsdaten, die Drehmomentdaten und/oder die Temperaturdaten des Roboters in der Datenbank speichert. In addition, the robot system preferably includes a database computer with a database, the database computer being connected to the connectivity computer and storing the movement data, the torque data and/or the temperature data of the robot in the database.
Weiterhin enthält die erfindungsgemäße Roboteranlage vorzugsweise einen Maschinelles-Lernen- Rechner, der direkt oder indirekt über den Konnektivitätsrechner mit dem Datenbankrechner verbunden ist und den Maschinelles-Lernen-Algorithmus anhand der in der Datenbank gespeicherten Bewegungsdaten, Drehmomentdaten und oder Temperaturdaten ausführt. Auf diese Weise kann der Maschinelles-Lernen-Algorithmus anhand der in der Datenbank gespeicherten Daten trainiert werden. Furthermore, the robot system according to the invention preferably contains a machine learning computer which is connected directly or indirectly via the connectivity computer to the database computer and executes the machine learning algorithm using the movement data, torque data and/or temperature data stored in the database. In this way, the machine learning algorithm can be trained using the data stored in the database.
Ferner umfasst die erfindungsgemäße Roboteranlage vorzugsweise einen Darstellungsrechner zur Darstellung von Ergebnissen des Überwachungverfahrens und/oder zur Aufnahme von Benutzereingaben. Furthermore, the robot system according to the invention preferably includes a display computer for Display of results of the monitoring process and/or to receive user input.
Schließlich kann die erfindungsgemäße Roboteranlage auch einen Zellensteuerungsrechner aufweisen, der dazu dient, eine Beschichtungszelle der Beschichtungsanlage mit mehreren Robotern in der Beschichtungszelle zu steuern. Beispielsweise kann eine solche Beschichtungszelle eine Lackierkabine sein, die mehrere Roboter (Lackierroboter und Handhabungsroboter) enthält, die von dem Zellensteuerungsrechner gemeinsam koordiniert werden. Finally, the robot system according to the invention can also have a cell control computer, which is used to control a coating cell of the coating system with a number of robots in the coating cell. For example, such a coating cell can be a paint booth that contains a number of robots (painting robots and handling robots) that are jointly coordinated by the cell control computer.
Die vorstehend genannten verschiedenen Typen von Rechnern in der Roboteranlage können wahlweise als separate Rechner ausgeführt sein. Es besteht jedoch im Rahmen der Erfindung auch die Möglichkeit, dass die vorstehend genannten verschiedenen Rechnertypen als Module in einem einzigen Rechner realisiert sind. The various types of computers mentioned above in the robot system can optionally be designed as separate computers. Within the scope of the invention, however, there is also the possibility that the various computer types mentioned above are implemented as modules in a single computer.
Andere vorteilhafte Weiterbildungen der Erfindung sind in den Unteransprüchen gekennzeichnet oder werden nachstehend zusammen mit der Beschreibung des bevorzugten Ausführungsbeispiels der Erfindung anhand der Figuren näher erläutert
Figure imgf000009_0001
Other advantageous developments of the invention are characterized in the dependent claims or are explained in more detail below together with the description of the preferred exemplary embodiment of the invention with reference to the figures
Figure imgf000009_0001
Figur 1 zeigt ein Flussdiagramm zur Verdeutlichung des erfindungsgemäßen Überwachungverfahrens beim Trainieren des Maschinelles-Lernen-Algorithmus. FIG. 1 shows a flowchart to clarify the monitoring method according to the invention when training the machine learning algorithm.
Figur 2 zeigt ein Flussdiagramm zur Verdeutlichung der Prognose der Betriebsstörungen durch den Maschinelles-Lernen-Algorithmus. FIG. 2 shows a flow chart to clarify the prediction of the malfunctions by the machine learning algorithm.
Figur 3 zeigt ein Schaubild zur Verdeutlichung der Datenverarbeitung bei dem erfindungsgemäßen Überwachungsverfahren. FIG. 3 shows a diagram to clarify the data processing in the monitoring method according to the invention.
Figur 4 zeigt eine erfindungsgemäße Roboteranlage FIG. 4 shows a robot system according to the invention
Detaillierte der
Figure imgf000009_0002
Detailed the
Figure imgf000009_0002
Im Folgenden wird nun zunächst das Flussdiagramm gemäß Figur 1 erläutert, das einen Trainingsvorgang eines Maschinelles-Lernen-Algorithmus erläutert. In einem ersten Schritt S1 werden hierbei Bewegungsdaten des zu überwachenden Roboters gemessen und zwar individuell für die einzelnen beweglichen Roboterachsen. Bei dem zu überwachenden Roboter kann es sich hierbei um einen Lackierroboter einer Lackieranlage zur Lackierung von Kraftfahrzeugkarosseriebauteilen handeln. Die gemessenen Bewegungsdaten können beispielsweise Positionsdaten, Bewegungsdaten und Beschleunigungsdaten der einzelnen Roboterachsen des zu überwachenden Roboters sein. The flowchart according to FIG. 1, which explains a training process for a machine learning algorithm, is explained below first. In a first step S1, movement data of the robot to be monitored are measured, specifically individually for the individual movable robot axes. The robot to be monitored can be a painting robot of a painting installation for painting motor vehicle body components. The measured movement data can be, for example, position data, movement data and acceleration data of the individual robot axes of the robot to be monitored.
In einem weiteren Schritt S2 werden dann Drehmomentdaten des zu überwachenden Roboters gemessen und zwar individuell für die einzelnen beweglichen Roboterachsen. Die Drehmomentdaten geben jeweils das Antriebsdrehmoment der einzelnen Achsantriebe des Roboters wieder und können beispielsweise aus der zugehörigen Robotersteuerung ausgelesen werden. In a further step S2, torque data of the robot to be monitored are then measured individually for the individual movable robot axes. The torque data reflect the drive torque of the individual axis drives of the robot and can be read from the associated robot controller, for example.
Ein weiterer Schritt S3 sieht dann vor, dass Temperaturdaten der Achsantriebe des Roboters gemessen werden und zwar individuell für die einzelnen Achsantriebe des zu überwachenden Roboters. Die gemessenen Temperaturdaten geben also wieder, wie sich die Achsantriebe des Roboters im Betrieb erwärmen. A further step S3 then provides that temperature data of the axis drives of the robot are measured individually for the individual axis drives of the robot to be monitored. The temperature data measured reflects how the robot's axis drives heat up during operation.
Ein weiterer Schritt S4 sieht dann vor, dass der Maschinelles-Lernen-Algorithmus durch unüberwachtes maschinelles Lernen anhand der Bewegungsdaten, der Drehmomentdaten und der Temperaturdaten trainiert wird. Dieser Trainingsvorgang kann grundsätzlich mittels frei erhältlicher Software erfolgen, wie beispielsweise TensorFlow™, PyTorch™ oder SciKit-Learn™, um nur einige Beispiele zu nennen. A further step S4 then provides that the machine learning algorithm is trained by unsupervised machine learning using the movement data, the torque data and the temperature data. In principle, this training process can be carried out using freely available software, such as TensorFlow™, PyTorch™ or SciKit-Learn™, to name just a few examples.
Im nächsten Schritt S5 wird dann geprüft, ob derTrainingsvorgang beendet ist, wobei derTrainings- vorgang so lange fortgeführt wird, bis genügend Daten erfasst wurden. In the next step S5, it is then checked whether the training process has ended, with the training process being continued until sufficient data has been recorded.
Im Folgenden wird nun das Flussdiagramm gemäß Figur 2 beschrieben, das den eigentlichen Prognosebetrieb während des Roboterbetriebs erläutert. The flowchart according to FIG. 2, which explains the actual prognosis operation during robot operation, is now described below.
In den Schritten SI, S2 und S3 werden hierbei wieder Bewegungsdaten, Drehmomentdaten bzw. Temperaturdaten gemessen, wie vorstehend bereits für den Trainingsvorgang beschrieben wurde, so dass zur Vermeidung von Wiederholungen auf die vorstehende Beschreibung verwiesen wird. In einem weiteren Schritt S4 werden dann Betriebsstörungen prognostiziert, indem der zuvor trainierte Maschinelles-Lernen-Algorithmus auf die gemessenen Bewegungsdaten, Drehmomentdaten und die ebenfalls gemessenen Temperaturdaten angewendet wird. Hierbei ist zu erwähnen, dass der Maschinelles-Lernen-Algorithmus die drohenden Betriebsstörungen prognostisch ermittelt, d.h. im Voraus. Eine Betriebsstörung wird also vor ihrem eigentlichen Auftreten mit einem zeitlichen Vorlauf ermittelt, was vorauseilende Wartungsmaßnahmen („Predictive Maintenance") ermöglicht, um die eigentliche Betriebsstörung zu verhindern. Movement data, torque data and temperature data are again measured in steps S1, S2 and S3, as has already been described above for the training process, so that reference is made to the above description to avoid repetition. In a further step S4, malfunctions are then predicted by applying the previously trained machine learning algorithm to the measured movement data, torque data and the temperature data that are also measured. It should be mentioned here that the machine learning algorithm determines the impending operational disruptions prognostically, ie in advance. A malfunction is therefore determined before it actually occurs with a lead time, which enables maintenance measures to be taken in advance (“predictive maintenance”) in order to prevent the actual malfunction.
In einem Schritt S5 wird dann geprüft, ob eine Betriebsstörung vorliegt. In a step S5, it is then checked whether there is a malfunction.
Falls dies der Fall ist, so erfolgt in einem Schritt S6 eine Anzeige der Betriebsstörung für den Benutzer. If this is the case, the malfunction is displayed to the user in a step S6.
Figur 3 zeigt schematisch ein Schaubild zur Verdeutlichung der Datenverarbeitung bei dem Maschi- nelles-Lernen-Algorithmus, der als Eingangsinformationen die Bewegungsdaten, die Drehmomentdaten und die Temperaturdaten der einzelnen Roboterachsen erhält und ausgangsseitig angibt, ob eine Anomalie (Betriebsstörung) in den einzelnen Roboterachsen vorliegt. Figure 3 shows a schematic diagram to clarify the data processing in the machine learning algorithm, which receives the movement data, the torque data and the temperature data of the individual robot axes as input information and indicates on the output side whether there is an anomaly (malfunction) in the individual robot axes .
Im Folgenden wird nun die schematische Darstellung gemäß Figur 4 erläutert, die eine erfindungsgemäße Roboteranlage zeigt. The schematic illustration according to FIG. 4, which shows a robot system according to the invention, will now be explained below.
So umfasst die Roboteranlage in diesem Ausführungsbeispiel vier Roboter 1-4, die von jeweils einer Robotersteuerung 5, 6, 7 bzw. 8 angesteuert werden, wie es an sich aus dem Stand der Technik bekannt ist. Die Robotersteuerungen 5-8 erfassen hierbei auch die Bewegungsdaten der einzelnen Roboterachsen der Roboter 1-4. Darüber hinaus erfassen die Robotersteuerung 5-8 auch die Drehmomentdaten der einzelnen Roboterantriebe der Roboter 1-4 und messen über Temperatursensoren Temperaturdaten der einzelnen Roboterachsen der Roboter 1-4. In this exemplary embodiment, the robot system comprises four robots 1-4, each of which is controlled by a robot controller 5, 6, 7 or 8, as is known per se from the prior art. The robot controllers 5-8 also record the movement data of the individual robot axes of the robots 1-4. In addition, the robot controller 5-8 also detects the torque data of the individual robot drives of the robots 1-4 and uses temperature sensors to measure temperature data of the individual robot axes of the robots 1-4.
Die Robotersteuerungen 5-8 sind mit einer Rechneranlage 9 verbunden, die zunächst einen Konnektivitätsrechner 10 enthält. Der Konnektivitätsrechner 10 stellt die Verbindung her zwischen den einzelnen Robotersteuerungen 5-8 und der Rechneranlage 9. The robot controllers 5-8 are connected to a computer system 9, which initially contains a connectivity computer 10. The connectivity computer 10 establishes the connection between the individual robot controllers 5-8 and the computer system 9.
Darüber hinaus umfasst die Rechneranlage 9 einen Datenbankrechner 11, der eine Datenbank enthält, in der die Bewegungsdaten, die Drehmomentdaten und die Temperaturdaten gespeichert werden. Weiterhin umfasst die Rechneranlage 9 einen Maschinelles-Lernen-Rechner 12, der mit dem Datenbankrechner 11 verbunden ist. Der Maschinelles-Lernen-Rechner 12 kann also auf die zuvor gemessenen Bewegungsdaten, Drehmomentdaten und Temperaturdaten zugreifen, die in der Datenbank in dem Datenbankrechner 11 gespeichert sind. Auf diese Weise kann der Maschinelles-Ler- nen-Algorithmus von dem Maschinelles-Lernen-Rechner 12 durch unüberwachtes Lernen trainiert werden. In addition, the computer system 9 includes a database computer 11, which contains a database in which the movement data, the torque data and the temperature data are stored. Furthermore, the computer system 9 includes a machine learning computer 12 which is connected to the database computer 11 . The machine learning computer 12 can therefore access the previously measured movement data, torque data and temperature data that are stored in the database in the database computer 11 . In this way, the machine learning algorithm can be trained by the machine learning computer 12 through unsupervised learning.
Darüber hinaus ist der Maschinelles-Lernen-Rechner 12 auch mit dem Konnektivitätsrechner 10 verbunden, um während des eigentlichen Roboterbetriebs die anfallenden Bewegungsdaten, Drehmomentdaten und Temperaturdaten durch den Maschinelles-Lernen-Algorithmus auswerten zu können. In addition, the machine learning computer 12 is also connected to the connectivity computer 10 in order to be able to use the machine learning algorithm to evaluate the movement data, torque data and temperature data occurring during actual robot operation.
Ferner umfasst die Rechneranlage 9 auch einen Darstellungsrechner 13, der es ermöglicht, die Ergebnisse des Überwachungverfahrens grafisch für einen Benutzer darzustellen. Furthermore, the computer system 9 also includes a display computer 13, which enables the results of the monitoring method to be displayed graphically for a user.
Schließlich umfasst die Rechneranlage 9 noch einen Zellensteuerungsrechner 14, der für eine Zelle (z.B. Lackierkabine) einer Roboteranlage zuständig ist und eine Koordination der verschiedenen Roboter 1-4 innerhalb der Zelle ermöglicht. Hierzu ist der Zellensteuerungsrechner 14 mit dem Konnektivitätsrechner 10 verbunden. Finally, the computer system 9 also includes a cell control computer 14, which is responsible for a cell (e.g. paint booth) of a robot system and enables coordination of the various robots 1-4 within the cell. The cell control computer 14 is connected to the connectivity computer 10 for this purpose.
Hierbei ist zu erwähnen, dass der Konnektivitätsrechner 10, der Datenbankrechner 11, der Maschinelles-Lernen-Rechner 12, der Darstellungsrechner 13 und der Zellensteuerungsrechner 14 nicht notwendigerweise als separate Rechner ausgebildet sein müssen. Beispielsweise ist es üblich, die technische Funktion des Konnektivitätsrechner 10, des Datenbankrechners 11 und des Maschinelles-Lernen-Rechner 12 auf einem gemeinsamen Rechner zu realisieren. It should be mentioned here that the connectivity computer 10, the database computer 11, the machine learning computer 12, the display computer 13 and the cell control computer 14 do not necessarily have to be in the form of separate computers. For example, it is usual to implement the technical function of the connectivity computer 10, the database computer 11 and the machine learning computer 12 on a shared computer.
Die Erfindung ist nicht auf das vorstehende beschriebene bevorzugte Ausführungsbeispiel beschränkt. Vielmehr ist eine Vielzahl von Varianten und Abwandlungen möglich, die ebenfalls von dem Erfindungsgedanken Gebrauch machen und deshalb in den Schutzbereich fallen. Insbesondere beansprucht die Erfindung auch Schutz für den Gegenstand und die Merkmale der Unteransprüche unabhängig von den jeweils in Bezug genommenen Ansprüchen und insbesondere auch ohne die Merkmale des Hauptanspruchs. Die Erfindung umfasst also verschiedene Erfindungsaspekte, die unabhängig voneinander Schutz genießen. Bezugszeichenliste: The invention is not limited to the preferred embodiment described above. Rather, a large number of variants and modifications are possible, which also make use of the idea of the invention and therefore fall within the scope of protection. In particular, the invention also claims protection for the subject matter and the features of the subclaims independently of the claims referred to in each case and in particular also without the features of the main claim. The invention thus comprises various aspects of the invention which are protected independently of one another. Reference list:
1-4 Roboter 1-4 robots
5-8 Robotersteuerungen 9 Rechneranlage 5-8 Robot controls 9 Computer system
10 Konnektivitätsrechner 10 connectivity calculators
11 Datenbankrechner 11 database calculator
12 Maschinelles-Lernen-Rechner12 Machine Learning Calculator
13 Darstellungsrechner 14 Zellensteuerungsrechner 13 presentation computer 14 cell control computer

Claims

ANSPRÜCHE EXPECTATIONS
1. Überwachungsverfahren für einen Roboter (1-4), insbesondere für einen Beschichtungsroboter (1-4) in einer Beschichtungsanlage zur Beschichtung von Bauteilen, insbesondere für einen Lackierroboter (1-4) in einer Lackieranlage zur Lackierung von Kraftfahrzeugkarosseriebauteilen, mit den folgenden Schritten: a) Ermitteln von Bewegungsdaten des Roboters (1-4), wobei die Bewegungsdaten die Bewegung des Roboters (1-4) wiedergeben, b) Erfassen von Drehmomentdaten, wobei die Drehmomentdaten das Drehmoment des Achsantriebs mindestens einer Roboterachse des Roboters (1-4) wiedergeben, und c) Ermitteln einer Betriebsstörung durch eine Auswertung der Drehmomentdaten und der Bewegungsdaten, gekennzeichnet durch folgenden Schritt: d) Ermitteln des Zusammenhangs zwischen den Bewegungsdaten und den Drehmomentdaten in einem Trainingsvorgang durch unüberwachtes maschinelles Lernen eines Maschinelles- Lernen-Algorithmus. 1. Monitoring method for a robot (1-4), in particular for a coating robot (1-4) in a coating system for coating components, in particular for a painting robot (1-4) in a painting system for painting motor vehicle body components, with the following steps : a) determining movement data of the robot (1-4), the movement data reflecting the movement of the robot (1-4), b) acquiring torque data, the torque data representing the torque of the axis drive of at least one robot axis of the robot (1-4 ) reproduce, and c) determining a malfunction by evaluating the torque data and the movement data, characterized by the following step: d) determining the connection between the movement data and the torque data in a training process by unsupervised machine learning of a machine learning algorithm.
2. Überwachungsverfahren nach Anspruch 1, gekennzeichnet durch folgenden Schritt nach dem Trainingsvorgang: 2. Monitoring method according to claim 1, characterized by the following step after the training process:
Ermitteln der Betriebsstörung durch eine Auswertung der Bewegungsdaten und der Drehmomentdaten durch den trainierten Maschinelles-Lernen-Algorithmus. Determining the malfunction by evaluating the movement data and the torque data using the trained machine learning algorithm.
3. Überwachungsverfahren nach Anspruch 2, dadurch gekennzeichnet, dass der Maschinelles- Lernen-Algorithmus die Betriebsstörung als binären Indikator oder als quantitative Größe anzeigt. 3. Monitoring method according to claim 2, characterized in that the machine learning algorithm displays the malfunction as a binary indicator or as a quantitative variable.
4. Überwachungsverfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass der Maschi- nelles-Lernen-Algorithmus die Betriebsstörung prognostisch ermittelt. 4. Monitoring method according to claim 2 or 3, characterized in that the machine learning algorithm prognostically determines the malfunction.
5. Überwachungsverfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Bewegungsdaten auf folgenden Daten bei mindestens einer oder allen Roboterachsen des Roboters (1-4) beruhen: a) Position der einzelnen Roboterachsen, b) Geschwindigkeit der einzelnen Roboterachsen, und/oder c) Beschleunigung der einzelnen Roboterachsen, und/oder 5. Monitoring method according to one of the preceding claims, characterized in that the movement data are based on the following data for at least one or all robot axes of the robot (1-4): a) position of the individual robot axes, b) speed of the individual robot axes, and/or c) acceleration of the individual robot axes, and/or
6. Überwachungsverfahren nach Anspruch 5, dadurch gekennzeichnet, a) dass die Bewegungsdaten statistische Kenngrößen der Daten der Roboterachsen sind, insbesondere Mittelwerte, b) dass die statistischen Kenngrößen über einen bestimmten Zeitraum ermittelt werden, insbesondere über mindestens einen Tag, eine Woche oder einen Monat. 6. Monitoring method according to claim 5, characterized in that a) the movement data are statistical parameters of the data of the robot axes, in particular mean values, b) the statistical parameters are determined over a specific period of time, in particular over at least one day, one week or one month .
7. Überwachungsverfahren nach Anspruch 5 oder 6, dadurch gekennzeichnet, a) dass die Positionsdaten gemessen werden, b) dass die Geschwindigkeitsdaten aus den gemessenen Positionsdaten abgeleitet werfen, insbesondere durch Interpolation, insbesondere mittels Spline-Interpolation, und c) dass die Beschleunigungsdaten aus den gemessenen Positionsdaten abgeleitet werfen, insbesondere durch Interpolation, insbesondere mittels Spline-Interpolation. 7. Monitoring method according to Claim 5 or 6, characterized in that a) the position data are measured, b) the speed data are derived from the measured position data, in particular by interpolation, in particular by means of spline interpolation, and c) the acceleration data are derived from the throw measured position data derived, in particular by interpolation, in particular by means of spline interpolation.
8. Überwachungsverfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die die Betriebsstörung eine der folgenden Störungen ist: a) eine zeitliche Drift der Drehmomentdaten über einen längeren Zeitraum, insbesondere über mehrere Tage, Wochen, Monate oder Jahre, b) ein Ausreißer als starke Abweichung vom prognostizierten Drehmomentwert, insbesondere mit einer Abweichung von mindestens ±10%, ±20%, ±30% oder ±40% von dem prognostizierten Drehmomentwert. 8. Monitoring method according to one of the preceding claims, characterized in that the operational disturbance is one of the following disturbances: a) a temporal drift of the torque data over a longer period of time, in particular over several days, weeks, months or years, b) an outlier than strong deviation from the predicted torque value, in particular with a deviation of at least ±10%, ±20%, ±30% or ±40% from the predicted torque value.
9. Überwachungsverfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, a) dass Temperaturdaten ermittelt werden, die die Temperatur von Achsantrieben der einzelnen Roboterachsen des Roboters (1-4) wiedergeben, b) dass der Maschinelles-Lernen-Algorithmus die Temperaturdaten bei dem Trainingsvorgang und/oder bei der Ermittlung der Betriebsstörung berücksichtigt. 9. Monitoring method according to one of the preceding claims, characterized in that a) temperature data are determined which reflect the temperature of axis drives of the individual robot axes of the robot (1-4), b) that the machine learning algorithm uses the temperature data during the training process and/or taken into account when determining the operational disruption.
10. Roboteranlage mit a) mindestens einem Roboter (1-4) mit mehreren Roboterachsen und b) mindestens einer Robotersteuerung (5-8) zur Ansteuerung des Roboters (1-4), gekennzeichnet durch c) einer Rechneranlage (9), die mit der mindestens einen Robotersteuerung (5-8) verbunden ist und einen Programmspeicher aufweist, in dem ein Programm gespeichert ist, das bei einer Ausführung das Überwachungsverfahren nach einem der vorhergehenden Ansprüche ausführt. 10. Robot system with a) at least one robot (1-4) with several robot axes and b) at least one robot controller (5-8) for controlling the robot (1-4), characterized by c) a computer system (9) which is connected to the at least one robot controller (5-8) and has a program memory in which a program is stored which, in one embodiment, executes the monitoring method according to one of the preceding claims.
11. Roboteranlage nach Anspruch 10, dadurch gekennzeichnet, dass die Roboteranlage folgende Komponenten aufweist: a) einen Konnektivitätsrechner (10), der mit der mindestens einen Robotersteuerung (5-8) verbunden ist und von der mindestens einen Robotersteuerung (5-8) die Bewegungsdaten des Roboters (1-4) und/oder die Drehmomentdaten des Roboters (1-4) und/oder die Temperaturdaten des Roboters (1-4) erhält, und/oder b) einen Datenbankrechner (11) mit einer Datenbank, wobei der Datenbankrechner (11) mit dem Konnektivitätsrechner (10) verbunden ist und die Bewegungsdaten des Roboters (1-4) und/oder die Drehmomentdaten des Roboters (1-4) und/oder die Temperaturdaten des Roboters (1-4) in der Datenbank speichert, und/oder c) einen Maschinelles-Lernen-Rechner (12), der direkt oder indirekt über den Konnektivitätsrechner (10) mit dem Datenbankrechner (11) verbunden ist und den Maschinelles-Lernen- Algorithmus anhand Bewegungsdaten und/oder der Drehmomentdaten und/oder der Temperaturdaten ausführt, die in der Datenbank gespeichert sind, und/oder d) einen Darstellungsrechner (13) zur Darstellung von Ergebnissen des Überwachungverfahrens und/oder zur Aufnahme von Benutzereingaben, und/oder e) einen Zellensteuerungsrechner (14) zur Steuerung einer Beschichtungszelle der Beschichtungsanlage mit mehreren Robotern (1-4) in der Beschichtungszelle. 11. Robot system according to claim 10, characterized in that the robot system has the following components: a) a connectivity computer (10), which is connected to the at least one robot controller (5-8) and from the at least one robot controller (5-8) the Movement data of the robot (1-4) and/or the torque data of the robot (1-4) and/or the temperature data of the robot (1-4), and/or b) a database computer (11) with a database, wherein the Database computer (11) is connected to the connectivity computer (10) and stores the movement data of the robot (1-4) and/or the torque data of the robot (1-4) and/or the temperature data of the robot (1-4) in the database , and/or c) a machine learning computer (12), which is connected directly or indirectly via the connectivity computer (10) to the database computer (11) and uses the machine learning algorithm on the basis of movement data and/or the torque data and/or or which executes temperature data stored in the database, and/or d) a display computer (13) for displaying results of the monitoring process and/or for receiving user inputs, and/or e) a cell control computer (14) for controlling a coating cell the coating system with several robots (1-4) in the coating cell.
14 14
PCT/EP2022/077851 2021-10-08 2022-10-06 Monitoring method for a robot and associated robot system WO2023057591A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021126188.0A DE102021126188A1 (en) 2021-10-08 2021-10-08 Monitoring method for a robot and associated robotic system
DE102021126188.0 2021-10-08

Publications (1)

Publication Number Publication Date
WO2023057591A1 true WO2023057591A1 (en) 2023-04-13

Family

ID=84053226

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/077851 WO2023057591A1 (en) 2021-10-08 2022-10-06 Monitoring method for a robot and associated robot system

Country Status (2)

Country Link
DE (1) DE102021126188A1 (en)
WO (1) WO2023057591A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117086864A (en) * 2023-08-02 2023-11-21 上海迪成智能科技有限公司 Inspection robot safety fault accurate positioning method for monorail crane operation

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4311290A1 (en) 1992-04-06 1993-10-14 Siemens Ag Regulating path control of industrial robot - computes torque by multiple layered forward aligned neuronal network from parameter variables of regulating system for controlling three axes industrial robot
DE102017003165A1 (en) * 2016-04-08 2017-10-12 Fanuc Corporation A machine learning device and a machine learning method for learning the error prediction of a main shaft or a motor that drives the main shaft, and an error prediction device and an error prediction system comprising a machine learning device
DE102018006946A1 (en) 2017-06-07 2018-12-13 Fanuc Corporation CONTROL AND MECHANICAL LEARNING DEVICE
DE102019003382A1 (en) * 2018-05-21 2019-11-21 Fanuc Corporation anomaly detector
WO2020194597A1 (en) * 2019-03-27 2020-10-01 日産自動車株式会社 Abnormality detection apparatus, and abnormality detection method
US20200376666A1 (en) * 2018-02-23 2020-12-03 Abb Schweiz Ag Robot system and operation method
WO2021001312A1 (en) 2019-07-01 2021-01-07 Kuka Deutschland Gmbh Carrying out an application using at least one robot
DE112019002310T5 (en) 2018-07-19 2021-02-18 International Business Machines Corporation PERFORMING A PEG IN HOLE TASK WITH AN UNKNOWN SLOPE
DE102020205265A1 (en) 2020-04-27 2021-10-28 Kuka Deutschland Gmbh Detecting faults in robot arrangements
DE112019006789T5 (en) 2019-02-01 2021-10-28 Mitsubishi Electric Corporation WORK DETERMINATION DEVICE AND WORK DETERMINATION PROCEDURE

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4311290A1 (en) 1992-04-06 1993-10-14 Siemens Ag Regulating path control of industrial robot - computes torque by multiple layered forward aligned neuronal network from parameter variables of regulating system for controlling three axes industrial robot
DE102017003165A1 (en) * 2016-04-08 2017-10-12 Fanuc Corporation A machine learning device and a machine learning method for learning the error prediction of a main shaft or a motor that drives the main shaft, and an error prediction device and an error prediction system comprising a machine learning device
DE102018006946A1 (en) 2017-06-07 2018-12-13 Fanuc Corporation CONTROL AND MECHANICAL LEARNING DEVICE
US20200376666A1 (en) * 2018-02-23 2020-12-03 Abb Schweiz Ag Robot system and operation method
DE102019003382A1 (en) * 2018-05-21 2019-11-21 Fanuc Corporation anomaly detector
DE112019002310T5 (en) 2018-07-19 2021-02-18 International Business Machines Corporation PERFORMING A PEG IN HOLE TASK WITH AN UNKNOWN SLOPE
DE112019006789T5 (en) 2019-02-01 2021-10-28 Mitsubishi Electric Corporation WORK DETERMINATION DEVICE AND WORK DETERMINATION PROCEDURE
WO2020194597A1 (en) * 2019-03-27 2020-10-01 日産自動車株式会社 Abnormality detection apparatus, and abnormality detection method
US20220126461A1 (en) * 2019-03-27 2022-04-28 Nissan Motor Co., Ltd. Abnormality detection device and abnormality detection method
WO2021001312A1 (en) 2019-07-01 2021-01-07 Kuka Deutschland Gmbh Carrying out an application using at least one robot
DE102020205265A1 (en) 2020-04-27 2021-10-28 Kuka Deutschland Gmbh Detecting faults in robot arrangements

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHO CHANG NHO ET AL: "Neural Network Based Adaptive Actuator Fault Detection Algorithm for Robot Manipulators", JOURNAL OF INTELLIGENT, SPRINGER NETHERLANDS, DORDRECHT, vol. 95, no. 1, 31 January 2018 (2018-01-31), pages 137 - 147, XP036833546, ISSN: 0921-0296, [retrieved on 20180131], DOI: 10.1007/S10846-018-0781-0 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117086864A (en) * 2023-08-02 2023-11-21 上海迪成智能科技有限公司 Inspection robot safety fault accurate positioning method for monorail crane operation
CN117086864B (en) * 2023-08-02 2024-02-27 上海迪成智能科技有限公司 Inspection robot safety fault accurate positioning method for monorail crane operation

Also Published As

Publication number Publication date
DE102021126188A1 (en) 2023-04-13

Similar Documents

Publication Publication Date Title
DE102019001948B4 (en) Control and machine learning device
DE102017000536B4 (en) Cell controller for detecting a cause of an abnormality in a manufacturing machine
EP1607192B1 (en) Method and system for estimating the wear of robot arm joints
DE102019219332A1 (en) Learning data checking support device, machine learning device and failure prediction device
EP2146825B1 (en) Movement controller for elastic robot structures
EP1163532B1 (en) Method for identifying the condition of an energy accumulator
DE112019001512T5 (en) INJECTION MACHINE SYSTEM
DE102017005349A1 (en) MACHINE LEARNING DEVICE, NUMERICAL CONTROL DEVICE AND MACHINE LEARNING METHOD FOR LEARNING A THRESHOLD VALUE FOR DETECTING AN ANOMALAL LOAD
DE112019006789B4 (en) WORK DETERMINATION DEVICE AND WORK DETERMINATION PROCEDURE
EP3479178B1 (en) Simulation-based control of a manufacturing system
DE102017002372B4 (en) Test system for carrying out a machine test
WO2023057591A1 (en) Monitoring method for a robot and associated robot system
DE102016014989B4 (en) Collision monitoring of a robot
EP1305677B1 (en) Method for the remote diagnosis of a technological process
DE102019205651B3 (en) Method and system for carrying out robot applications
EP1607894A1 (en) Method and system for the determination of maintenance requirements
DE102017007909A1 (en) Production control equipped with a function for identifying the cause after an operation stop of a production facility comprising manufacturing facilities
DE112019007222T5 (en) ENGINE CONTROL DEVICE
WO2021219389A1 (en) Detecting disturbances in robot assemblies
DE102019112099B3 (en) Monitoring method for an application system and corresponding application system
AT522639B1 (en) Device and method for visualizing or assessing a process status
EP2452234B1 (en) Control method for a milling system with adaptation of an additional model that differs from a milling model using a milling size
EP3361341A1 (en) Method for monitoring the conditions of the devices of an automation system and operator system
DE102018216456A1 (en) Integration of functional components of a technical system
DE102017004591A1 (en) Numerical control

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: 22799945

Country of ref document: EP

Kind code of ref document: A1