CAD-prior-driven teaching-free robotic welding trajectory generation for complex structural components
Dieses Paper schlägt eine CAD-prior-gesteuerte Methode für das lehrfreie robotergestützte Schweißen komplexer Strukturbauteile vor, die aktive Wahrnehmung, Koordinatentrennung und 2D-profilbasierte Merkmalsextraktion integriert, um Montageabweichungen zu kompensieren und hochpräzise Schweißbahnen zu generieren, wobei in physischen Versuchen eine Punktwolkenabdeckungsrate von 98,6 % und eine Genauigkeit im Submillimeterbereich erreicht wurden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der Schwerindustrie, in der massive Strukturen wie Schiffsrümpfe, Brückenrahmen oder Bergbaugeräte gebaut werden, besteht das Zusammenfügen dicker Metallplatten oft darin, diese durch Schweißen fest miteinander zu verbinden. Jahrzehntelang war der zuverlässigste Weg, um sicherzustellen, dass diese Platten fest verbunden bleiben, ein menschlicher Schweißer, der die Flamme von Hand führte, oder das Einprogrammieren eines Roboters, indem man seinen Arm einmal physisch den Pfad entlangbewegte. Diese „Teach-and-Repeat“-Methode funktioniert gut, wenn jedes Teil identisch ist und perfekt zusammenpasst. In der Realität sind große Metallteile jedoch selten perfekt. Wenn große Platten montiert werden, entstehen winzige Spalten, und das Metall kann sich durch Hitze oder Druck leicht verformen. Wenn ein Roboter blind einem vorprogrammierten Pfad folgt, der auf einer perfekten digitalen Zeichnung basiert, könnte er die eigentliche Naht komplett verpassen, was zu einer schwachen Verbindung oder einem Ausschuss führt. Um dies zu lösen, haben Ingenieure Visionssysteme eingesetzt, die Robotern „Augen“ geben, damit sie die Schweißnaht während des Vorgangs sehen können. Doch eine Kamera allein reicht nicht aus; wenn die Kamera die Naht aufgrund von Schatten, Blendungen oder dem eigenen Körper des Roboters nicht sehen kann, versagt das System. Die Herausforderung besteht darin, dem Roboter nicht nur beizubringen, wie er schaut, sondern auch genau zu wissen, wo er stehen muss und wie er seine Kamera winkeln muss, um vor Beginn des Schweißens ein klares, vollständiges Bild einer komplexen, gewundenen Naht zu erhalten.
Forscher der Hubei University of Arts and Science haben einen neuen Ansatz entwickelt, der es einem Roboter ermöglicht, den besten Weg zu finden, um eine komplexe Metallstruktur zu sehen und zu schweißen, ohne dass eine menschliche Anleitung erforderlich ist. Anstatt sich auf einen Menschen zu verlassen, der dem Roboter den Pfad zeigt, oder auf eine Kamera, die einfach alles scannt, was sich vor ihr befindet, beginnt das System mit einem detaillierten 3D-Digitalmodell des Teils, bekannt als CAD-Modell. Die Forscher brachten dem Roboter bei, dieses Modell wie eine Karte zu lesen, indem er exakt identifiziert, wo die Metallplatten aufeinandertreffen und wo die Schweißnaht theoretisch verlaufen sollte. Unter Verwendung dieser digitalen Karte als Leitfaden plant der Roboter seine eigene Bewegung. Er berechnet einen glatten Pfad für seine Kamera und stellt sicher, dass die Linse den perfekten Abstand und den idealen Winkel einhält, um Schatten und Reflexionen zu vermeiden, während er gleichzeitig sicherstellt, dass der Roboterarm nicht stecken bleibt oder durch das Bauteil blockiert wird. Dieser Prozess, den das Team als „aktive Wahrnehmung“ bezeichnet, ermöglicht es dem Roboter, ein vollständiges und klares 3D-Bild der Naht zu erfassen, selbst in engen Ecken, in denen traditionelle Methoden oft Daten verlieren.
Sob falls der Roboter dieses klare Bild erfasst hat, steht er vor einem weiteren Problem: Das reale Metallteil ist niemals exakt dasselbe wie die digitale Karte. Es gibt kleine Spalten und Biegungen, die das Computermodell nicht kennt. Um dies zu beheben, entwickelte das Team eine Methode, um die wahre Mitte der Schweißlinie zu finden, indem die Daten auf eine clevere Weise analysiert werden. Anstatt zu versuchen, die Naht in der unordentlichen, dreidimensionalen Punktwolke zu finden, die die Kamera erfasst, schneidet das System die Daten in flache, zweidimensionale Querschnitte. Stellen Sie sich vor, Sie betrachten einen Laib Brot: Anstatt zu versuchen, eine Kurve durch den ganzen Laib zu verfolgen, betrachten Sie die flache Seite einer einzelnen Scheibe. Durch dieses Vorgehen kann der Roboter leicht erkennen, wo die beiden Metallplatten aufeinandertreffen, wodurch Rauschen und Fehler herausgefiltert werden, die die Computervision normalerweise verwirren. Er erstellt daraufhin eine glatte, kontinuierliche Linie, die den tatsächlichen, physischen Ort der Schweißnaht darstellt, und korrigiert so die ursprüngliche digitale Karte an die Realität an.
Mit dieser korrigierten Karte in der Hand generiert der Roboter seinen endgültigen Schweißpfad. Er übersetzt die glatte Linie der tatsächlichen Schweißnaht in einen Satz von Anweisungen für seine eigenen Gelenke und stellt sicher, dass der Schweißbrenner während der Bewegung perfekt an der Naht ausgerichtet bleibt. Die Forscher testeten dieses System an einer komplexen Metallstruktur, die sowohl gerade Linien als auch gewundene, dreidimensionale Kurven aufwies. Sie fanden heraus, dass ihre Methode 98,6 % des Schweißbereichs erfasste, was eine signifikante Verbesserung gegenüber dem traditionellen Scannen mit festem Winkel darstellt, das aufgrund von toten Winkeln nur etwa 72 % desselben Bereichs erfassen konnte. Die Messungen der Schweißnahtlänge waren unglaublich präzise, mit einem durchschnittlichen Fehler von nur 0,19 Millimetern. Als der Roboter den Schweißvorgang tatsächlich durchführte, erzeugte er erfolgreich kontinuierliche, starke Nähte sowohl entlang der geraden Abschnitte als auch der schwierigen gekrümmten Schnittstellen, ohne anzuhalten oder Fehler zu machen.
Die Studie zeigt, dass Roboter durch die Kombination eines digitalen Entwurfs mit intelligenter, selbstkorrigierender Vision komplexe Aufgaben in der industriellen Fertigung bewältigen können, ohne dass ein Mensch jeden Schritt lehren muss. Das System bewies, dass es in der Lage ist, sich an die unvermeidlichen Unvollkommenheiten der realen Montage anzupassen, indem es den wahren Pfad der Schweißnaht findet und diesen mit hoher Genauigkeit ausführt. Dieser Ansatz geht über die einfache Automatisierung hinaus und bietet einen Weg, wie Maschinen komplexe physische Umgebungen eigenständig verstehen und navigieren können, um sicherzustellen, dass die schweren Strukturen, die unsere Welt tragen, mit einer Präzision gebaut werden, die zuvor ohne ständige menschliche Aufsicht schwer zu erreichen war.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.