Weniger Fachkräfte, mehr Schwankungen im Auftragseingang und immer individuellere Kundenanforderungen: Diese Faktoren beeinflussen die Fertigungsplanung zunehmend. Gerade bei kleinen Fertigungschargen mit Losgrößen unter 100 macht in diesem Spannungsfeld die Automatisierung den Unterschied. Ein entscheidender Ansatzpunkt findet sich hierbei auch im Rüst- und Spannprozess.
Rubrik: Robotik (Kinematik-Greifer-Werkzeuge)
Automatisierung von biegeschlaffen Werkstücken
Bei der Handhabung biegeschlaffer Werkstücke treten am Produkt Verformungen auf, die die Automatisierung seit Jahrzehnten vor ein Problem stellen. Eine weitere Herausforderung, die das prozesssichere Greifen von Stoffen bisher nahezu unmöglich macht, ist das Vereinzeln von Stofflagen voneinander. So findet die Maschinenbestückung und -entnahme in der Textilindustrie meist manuell durch eine Person statt. Diese nicht wertschöpfenden Tätigkeiten und Blindprozesse können nun durch die Greiferlösungen von Robotextile automatisiert werden.
Wie gelingt die Roboterintegration?
Um Unternehmen gegen kurzfristige Veränderungen und Anforderungen abzusichern und ihre Wettbewerbsfähigkeit zu erhalten, sind neue, flexiblere Automatisierungslösungen mit Robotern gefragt. Damit roboterbasierte Lösungen aber zu Kosteneinsparung und Effizienzsteigerung führen, kommt es weniger nur auf die richtige Technik und Hardware als vielmehr auf strukturierte Vorüberlegungen und das Erarbeiten zeitgemäßer Automatisierungskonzepte an.
Hohe Leistungsdichte
In der Robotik finden Kleinstantriebe von Faulhaber durch ihre hohe
Leistungsdichte in zahlreichen Anwendungsbereichen Verwendung, z.B. bei Kleinteilegreifern oder elektrischen Werkzeugwechslern.
Sichere Robotersteuerung aus der Cloud
Die Steuerung von Robotersystemen wird bisher lokal mit proprietärer Software realisiert. Ein Grund dafür ist das fehlende Vertrauen in die Datensicherheit von Online-Diensten. Durch Smart Contracts könnte sich das ändern und künftig Robotersteuerungen auslagern lassen. Dazu werden die Algorithmen zur Bewegungsplanung per Blockchain ausgeführt – verschlüsselt übertragen und fälschungssicher dokumentiert. Erste Experimente zeigen die Machbarkeit einer solchen Architektur und zeigen Potenzial für robotergeführte Handhabungsaufgaben.
Wizard Easy Programming für ABB-Industrieroboter
ABB Robotics hat den Anwendungsbereich seiner No-Code-Programmierung erweitert. Ab jetzt lassen sich damit nicht mehr nur Cobots, sondern alle sechsachsigen Industrieroboter einrichten, die mit einer OmniCore-Steuerung laufen. Das soll die Automatisierungshürden für Erstanwender senken und Partnern sowie Integratoren ein effizientes Tool zur Verfügung stellen.
Leichter und schneller als der Vorgänger
Fruitcore Robotics erweitert sein Portfolio um das neue Modell Horst1500. Der neue Sechsachser verfügt über eine Reichweite von 1.485mm und eine Traglast bis 15kg. Im Vergleich zum Vorgänger wurden seine Taktzeiten um 75 Prozent verkürzt und die Kinematik um 50kg verschlankt.
Belohnung als Anreiz zum Lernen
KI-Entwickler Julian Eßer trainiert Roboter, sich intelligent zu verhalten. Denn das Entscheidende ist, dass die Maschinen nicht nur bei kalkulierbaren Ereignissen richtig handeln. Vor allem müssen sie auch in unvorhergesehen Situationen das Richtige tun. Dafür testet er als Mitglied des AI Grids, einer Initiative des Bundesforschungsministeriums, die vielversprechende Talente in künstlicher Intelligenz in Deutschland fördert, am Fraunhofer IML Hunderte Roboter in virtuellen Welten. Ziel ist, dass die Maschinen üben und lernen, mit Störungen und Varianten ähnlicher Situationen umzugehen – und dann selbst Varianten anbieten. Dafür kommt eine Art Belohnungssystem für Roboter zum Einsatz: So lernen sie leichter aus Fehlern und wählen den schnellsten und effektivsten Weg zum Ziel.
Kollisionsfrei unterwegs
Mit Hilfe von Reinforcement-Learning-Algorithmen können Roboter auch anspruchsvolle Bewegungen in einer unbekannten Umgebung und bei unbekannten Robotermodellen erlernen – doch wie kann man sicherstellen, dass sie Sicherheitsbeschränkungen respektieren, ohne dass sich ihre Performance verschlechtert?
Kollisionsfrei unterwegs
Mit Hilfe von Reinforcement-Learning-Algorithmen können Roboter auch anspruchsvolle Bewegungen in einer unbekannten Umgebung und bei unbekannten Robotermodellen erlernen – doch wie kann man sicherstellen, dass sie Sicherheitsbeschränkungen respektieren, ohne dass sich ihre Performance verschlechtert?