⚡ electrical engineering

Integrated Identification of Collaborative Robots for Robot Assisted 3D Printing Processes

Dit paper presenteert een vijfstaps, modelgebaseerde identificatiemethode voor de dynamische parameters van een collaboratieve robot, die de precisie en controle van robotondersteunde 3D-printprocessen aanzienlijk verbetert door fysieke consistentie te garanderen ondanks beperkingen in sensoren en programmering.

Oorspronkelijke auteurs: Alessandro Dimauro, Davide Tebaldi, Fabio Pini, Luigi Biagiotti, Francesco Leali

Gepubliceerd 2026-04-03

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Alessandro Dimauro, Davide Tebaldi, Fabio Pini, Luigi Biagiotti, Francesco Leali

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme, flexibele robotarm hebt die als een kunstenaar werkt. In plaats van een penseel vast te houden, houdt deze robot een hete extruder vast en print hij grote, complexe onderdelen in 3D. Dit is Robot-Assisted 3D Printing.

Het probleem? Robotarmen zijn niet zo stijf als de strakke, kartonnen dozen (Cartesiaanse systemen) die we gewend zijn. Ze zijn meer als een menselijke arm: flexibel, maar daardoor ook een beetje 'wankel' als ze snel bewegen. Als je te hard of te snel beweegt, trilt de arm een beetje, en dat maakt je print niet perfect.

De auteurs van dit paper (Alessandro, Davide en hun team) wilden een oplossing vinden. Ze wilden een digitaal spiegelbeeld (een 'Digital Twin') van deze robot maken. Een computermodel dat precies weet hoe de robot zich gedraagt, zodat je fouten kunt voorspellen en corrigeren voordat ze gebeuren.

Hier is hoe ze dat deden, vertaald in alledaagse taal:

1. Het probleem: De robot is een 'geheime'

Robotfabrikanten geven vaak niet alle technische details vrij. Je weet niet precies hoe zwaar elk stukje is, hoe wrijvingsrijk de tandwielen zijn, of hoe snel de elektronica reageert. Het is alsof je een auto moet repareren zonder dat je de handleiding mag zien.

2. De oplossing: De 5-stappen 'Detective'-methode

In plaats van alles in één keer te raden, hebben ze een slimme, stap-voor-stap aanpak bedacht om de robot te 'ontmaskeren'.

Stap 1: De blauwdruk (CAD-bestand)
Ze beginnen met wat ze al weten: de tekeningen van de robot. Ze kijken naar de vorm en berekenen een eerste schatting van het gewicht en de zwaartepunten.
- Analogie: Het is alsof je een poppenkastpop maakt. Je kijkt naar het ontwerp en zegt: "Dit stuk hout weegt waarschijnlijk zo'n 500 gram."
Stap 2: De weegschaal-test (Statische metingen)
Ze laten de robot stil staan in verschillende houdingen en meten hoe hard de motoren moeten duwen om de zwaartekracht te overwinnen.
- Analogie: Je houdt de pop in verschillende posities vast en voelt hoe zwaar hij aan je hand trekt. Als hij zwaarder aanvoelt dan op de tekening, pas je het gewicht in je computermodel aan.
Stap 3: De 'wrijvings'-test (Slijtage en soepelheid)
Ze laten de robot heen en weer bewegen met een constante snelheid. Hierdoor verdwijnen de zwaartekracht- en versnellingskrachten, en blijft alleen de wrijving over (zoals een deur die krampachtig opent).
- Analogie: Je schuift een stoel over de vloer. Als hij zwaar aanvoelt, is het de vloer (wrijving) en niet de stoel zelf. Ze meten precies hoe 'plakkerig' de robotarm is.
Stap 4: De 'brein'-test (De controller)
Robotarmen hebben een 'brein' (de controller) dat de bewegingen regelt. Omdat deze robots veilig moeten zijn en niet te snel mogen schokken, kunnen ze geen snelle tests doen. De auteurs hebben een slimme truc bedacht: ze duwen de robot zachtjes tegen een stop en kijken hoe het 'brein' reageert.
- Analogie: Je duwt iemand zachtjes tegen een muur en kijkt hoe snel en sterk hij terugduwt. Zo leer je hoe zijn reflexen werken zonder hem te laten rennen.
Stap 5: De 'onderdelen'-schatting
Voor de laatste, heel kleine onderdelen (zoals de exacte weerstand in de motor of de veerkracht van de tandwielkast) gebruiken ze kennis van andere robots.
- Analogie: Als je niet weet hoe zwaar de schroef in de motor is, kijk je naar een gelijkaardige motor van een buurman en neem je aan dat het ongeveer hetzelfde is.

3. De proef: De robot aan het werk

Om te bewijzen dat hun model werkt, lieten ze de echte robot 19 keer een blokje printen. Ze varieerden de snelheid, de afstand en de versnelling.

Het resultaat: Het computermodel voorspelde bijna perfect hoe de robot zou bewegen en waar hij fouten zou maken.
De ontdekking: De snelheid waarmee de robot de 'inkt' (plastic) aanbrengt, was de belangrijkste factor voor de kwaliteit. Te snel? De print wordt rommelig. Te langzaam? Het kan ook misgaan.

Waarom is dit belangrijk?

Stel je voor dat je een auto bouwt die zelf kan leren hoe hij rijdt. Als je weet hoe de auto precies reageert op elke helling en bocht, kun je de bestuurder (de computer) helpen om soepeler te rijden.

Voor 3D-printen betekent dit:

Betere kwaliteit: Minder fouten in de print.
Sneller: Je kunt sneller printen zonder bang te zijn dat het mislukt.
Slimmer: De robot kan zelf zien: "Oh, als ik hier te snel ga, ga ik trillen. Ik ga mijn snelheid nu even aanpassen."

Kortom: De auteurs hebben een slimme manier bedacht om een robotarm volledig te doorgronden, zonder dat je de fabriek hoeft in te breken. Hierdoor kunnen robots in de toekomst niet alleen 3D-printen, maar dat ook perfect doen, zelfs als ze complexe, kromme vormen moeten maken.

Probleemstelling

De integratie van additieve productie (3D-printen) met industriële robotica biedt nieuwe mogelijkheden voor het vervaardigen van complexe componenten, vooral in de automotive sector. Robot-ondersteunde additieve productie (RAAM) overwint de dimensionale en kinematische beperkingen van traditionele Cartesische systemen door niet-planaire depositie en grotere geometrische flexibiliteit mogelijk te maken.

Echter, deze evolutie introduceert nieuwe kritieke uitdagingen:

Lagere stijfheid: Gekoppelde robotarmen hebben een lagere stijfheid dan Cartesische systemen.
Gekoppelde dynamica: Er is een sterke koppeling tussen de gewrichten, wat leidt tot significante positiesfouten tijdens trajecten met hoge snelheden.
Beperkingen van cobots: Collaboratieve robots (cobots) hebben vaak beperkingen in sensoren en programmering (bijv. geen toegang tot ruwe motorstromen of beperkte bewegingsprofielen om veiligheidsredenen), wat de precisie van dynamische modellen beïnvloedt.
Noodzaak van modellering: Om fouten te voorspellen en te compenseren, zijn geavanceerde dynamische modellen nodig, maar deze vereisen een nauwkeurige identificatie van parameters die vaak ontbreekt bij standaard cobots.

Methodologie

De auteurs stellen een modelgebaseerde aanpak voor met een geïntegreerde identificatieprocedure in vijf stappen. Het doel is om een betrouwbaar dynamisch model te verkrijgen dat de robot, de actuatoren en de controllers omvat, zelfs met de beperkingen van cobots.

Het dynamische model beschrijft het systeem als een keten van starre lichamen met ideale scharniergewrichten, aangedreven door elektrische motoren via veer-dempersystemen, geregeld door lineaire SISO-controllers. De vergelijkingen omvatten Euler-Lagrange dynamica, wrijvingsmodellen (Stribeck + viskeus), elektrische motor-dynamica en transmissie-dynamica.

De identificatieprocedure verloopt als volgt:

Stap 1: Geometrische en eerste inertieparameters (uit CAD):
- Gebruik van bestaande CAD-modellen om volumes en massa's te berekenen.
- Afleiding van gemiddelde dichtheid en toepassing op individuele onderdelen.
- Bepaling van geometrische parameters (afstanden, rotatieassen) en eerste schattingen van traagheidsparameters (massamiddelpunt, traagheidstensor).
Stap 2: Verfijning inertieparameters (statische metingen):
- Uitvoeren van statische metingen in strategische posities om de massa's en massamiddelpunten te verfijnen.
- Het gebruik van correctiefactoren ( $\lambda_k$ ) om de CAD-massa's aan te passen aan gemeten koppelwaarden, zonder iteratieve procedures.
Stap 3: Wrijvingsparameters (lage snelheid):
- Identificatie zonder kracht/draaimoment-sensoren aan de basis.
- Gebruik van symmetrische periodieke trajecten met constante snelheid in beide richtingen.
- Door aftrekken van de vergelijkingen voor positieve en negatieve snelheden worden traagheids-, Coriolis- en zwaartekrachteffecten geëlimineerd, waardoor alleen de wrijvingskoppel overblijft.
Stap 4: Controllerparameters (statische metingen met verstoringen):
- Om de beperkingen van cobots (geen snelle bewegingen) te omzeilen, wordt een externe verstoring ( $\tau_{ext}$ ) aangebracht terwijl de robot stilstaat.
- Iteratieve zoektocht (met MATLAB System Identification Toolbox) om de PI-controllerparameters ( $K_p, T_z$ ) te bepalen op basis van de relatie tussen positiesfout en regelactie.
Stap 5: Identificatie van resterende parameters:
- Schatting van parameters die moeilijk direct te meten zijn (transmissieverhouding, motorconstantes, elektrische tijdconstanten, stijfheid en demping van de transmissie).
- Deze worden gebaseerd op typische waarden uit de literatuur voor vergelijkbare robots, waarbij de fysieke consistentie wordt gewaarborgd door de eerdere stappen.

Belangrijkste Bijdragen

Geïntegreerde aanpak: In tegenstelling tot veel bestaande methoden die alleen de manipulatordynamica identificeren, omvat deze methode ook de dynamica van de actuatoren en de controllers.
Fysieke consistentie: Door de identificatie in stappen op te bouwen (beginnen met CAD-geometrie en statische metingen), wordt intrinsiek gegarandeerd dat de geïdentificeerde parameters fysiek consistent zijn, zonder dat er zware optimalisatiebeperkingen (zoals semidefinite programming) nodig zijn.
Oplossing voor cobot-beperkingen: De methode is specifiek ontworpen om te werken binnen de veiligheids- en sensorbeperkingen van collaborative robots, waarbij gebruik wordt gemaakt van statische verstoringen en lage-snelheidstrajecten in plaats van agressieve dynamische testen.
Validatie in de praktijk: De methode is gevalideerd op een reële 6-DoF cobot (ABB GoFa CRB15000) die wordt gebruikt voor thermoplastische extrusie (3D-printen).

Resultaten

De methode is getoetst aan een Design of Experiments (DoE) met 19 verschillende testcondities, variërend in snelheid, versnelling en werkafstand.

Modelnauwkeurigheid: Er is een sterke overeenkomst gevonden tussen de experimentele resultaten van de echte robot en de simulaties van het geïdentificeerde model. De foutmetrieken (RMSE en MAE) voor de Tool Center Point (TCP) posities waren zeer laag.
Invloed van parameters:
- De printsnelheid ( $v_{slow}$ ) bleek de dominante factor voor de kwaliteit van het gedrukte product en de grootte van de fouten.
- De werkafstand ( $d$ ) had een negatief effect op de nauwkeurigheid bij uitgestrekte configuraties.
- De versnelling ( $a$ ) en snelle overgangssnelheid ( $v_{fast}$ ) hadden een beperkte invloed.
Printkwaliteit: De analyse van gedrukte kubussen toonde aan dat de fouten toenamen met de printsnelheid. Het model slaagde erin om deze trends nauwkeurig te voorspellen.

Betekenis en Conclusie

Dit werk demonstreert dat het mogelijk is om een hoogwaardig dynamisch model te ontwikkelen voor collaborative robots in 3D-printtoepassingen, ondanks de inherente beperkingen van deze systemen. De voorgestelde vijf-staps identificatiemethode biedt een robuuste manier om fysiek consistente parameters te verkrijgen.

De significante verbetering in precisie, procescontrole en foutvoorspelling die uit dit model voortvloeit, opent de deur voor:

Betere compensatie van dynamische fouten tijdens de print.
Hogere printsnelheden zonder kwaliteitsverlies.
Toepassing van digitale tweelingen voor realtime kwaliteitscontrole in robot-ondersteunde additieve productie.

De auteurs concluderen dat deze aanpak een solide basis legt voor verdere verfijning en verbetering van de prestaties van robot-ondersteunde 3D-printprocessen.