CAD-prior-driven teaching-free robotic welding trajectory generation for complex structural components
Dit artikel stelt een door CAD-prior gestuurde methode voor voor het zonder instructies (teach-free) robotisch lassen van complexe structurele componenten, die actieve perceptie, coördinatendecoupling en op 2D-profielen gebaseerde kenmerkextractie integreert om assemblageafwijkingen te compenseren en hoogwaardige lasbanen te genereren, waarbij een puntenwolkdekking van 98,6% en submillimeterprecisie in fysieke proeven worden bereikt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
In de wereld van de zware industrie, waar het bouwen van enorme structuren zoals scheepsrompen, brugframes of mijnbouwequipment vaak het samenvoegen van dikke metalen platen vereist, is het decennialang de meest betrouwbare manier geweest om een menselijke lasser de toorts met de hand te laten begeleiden, of om een robot precies te leren waar hij heen moet bewegen door zijn arm één keer fysiek door het pad te bewegen. Deze "leer-en-herhaal"-methode werkt goed wanneer elk onderdeel identiek is en perfect past. Echter, echte metalen onderdelen zijn zelden perfect. Wanneer grote platen worden geassembleerd, ontstaan er kleine kieren en kan het metaal licht vervormen door hitte of druk. Als een robot blind een vooraf geprogrammeerd pad volgt op basis van een perfect digitale tekening, kan hij de werkelijke naad volledig missen, wat leidt tot een zwakke verbinding of een verspild onderdeel. Om dit op te lossen, hebben ingenieurs visiesystemen ontwikkend, waardoor robots "ogen" krijgen om de las tijdens het proces te zien. Toch is het hebben van een camera niet voldoende; als de camera de naad niet kan zien vanwege schaduwen, reflecties of omdat het lichaam van de robot het zicht blokkeert, faalt het systeem. De uitdaging ligt erin de robot niet alleen te leren kijken, maar ook precies te weten waar hij moet staan en hoe hij zijn camera moet kantelen om een helder, volledig beeld te krijgen van een complexe, draaiende naad voordat hij zelfs maar begint met lassen.
Onderzoekers aan de Hubei University of Arts and Science hebben een nieuwe aanpak ontwikkeld waarmee een robot de beste manier kan bepalen om een complexe metalen structuur te zien en te lassen zonder menselijke begeleiding. In plaats van te vertrouwen op een mens die de robot het pad laat tonen of op een camera die simpelweg alles scant wat zich voor zich bevindt, begint het systeem met een gedetailleerd 3D-digitaal model van het onderdeel, bekend als een CAD-model. De onderzoekers hebben de robot geleerd dit model als een kaart te lezen, waarbij hij exact identificeert waar de metalen platen elkaar raken en waar de las theoretisch zou moeten lopen. Met deze digitale kaart als gids plant de robot zijn eigen beweging. De robot berekent een vloeiend pad voor zijn camera, waarbij hij ervoor zorgt dat de lens op de perfecte afstand en onder de juiste hoek blijft om schaduwen en reflecties te vermijden, terwijl hij er ook voor zorgt dat de arm van de robot niet vastloopt of geblokkeerd wordt door het onderdeel zelf. Dit proces, dat het team "actieve perceptie" noemt, stelt de robot in staat om een compleet en helder 3D-beeld van de naad te verzamelen, zelfs in krappe hoeken waar traditionele methoden vaak gegevens missen.
Zodra de robot dit heldere beeld heeft vastgelegd, staat hij voor een ander probleem: het echte metalen onderdeel is nooit exact hetzelfde als de digitale kaart. Er zijn kleine kieren en krommingen die het computermodel niet kent. Om dit op te lossen, heeft het team een methode ontwikkeld om het werkelijke middelpunt van de laslijn te vinden door de gegevens op een slimme manier te analyseren. In plaats van te proberen de naad te vinden in de rommelige, driedimensionale puntenwolk die de camera vastlegt, snijdt het systeem de gegevens in platte, tweedimensionale dwarsdoorsneden. Stel je voor dat je naar een brood kij�elkt; in plaats van te proberen een curve door de hele snee brood te traceren, kijk je naar het platte vlak van een enkele plak. Door dit te doen, kan de robot gemakkelijk ontdekken waar de twee metalen platen elkaar ontmoeten, waarbij de ruis en fouten die computer vision gewoonlijk in de war brengen, wordt weggefilterd. Vervolgens bouwt het een vloeiende, continue lijn die de werkelijke, fysieke locatie van de las weergeeft, waardoor de oorspronkelijke digitale kaart wordt gecorrigeerd om overeen te komen met de realiteit.
Met deze gecorrigeerde kaart in handen genereert de robot zijn definitieve laspad. Hij vertaalt de vloeiende lijn van de werkelijke las naar een reeks instructies voor zijn eigen gewrichten, waardoor hij ervoor zorgt dat de lasbrander perfect uitgelijnd blijft met de naad terwijl hij beweegt. De onderzoekers testten dit systeem op een complexe metalen structuur met zowel rechte lijnen als draaiende, driedimensionale curven. Ze ontdekten dat hun methode 98,6% van het lasgebied vastlegde, wat een aanzienlijke verbetering is ten opzichte van traditionele scanning onder een vaste hoek, die door blind spots slechts ongeveer 72% van hetzelfde gebied kon zien. De metingen van de laslengte waren ongelooflijk nauwkeurig, met een gemiddelde fout van slechts 0,19 millimeter. Wanneer de robot daadwerkelijk het lassen uitvoerde, creëerde hij succesvol continue, sterke naden langs zowel de rechte secties als de moeilijke gebogen kruispunten, zonder te stoppen of fouten te maken.
De studie toont aan dat door een digitale blauwdruk te combineren met slimme, zelfcorrigerende visie, robots de chaotische realiteit van industriële productie kunnen aanpakken zonder dat ze door een mens bij elke stap hoeven te worden onderwezen. Het systeem bewees dat het kan aanpassen aan de onvermijdelijke imperfecties van de echte assemblage, waarbij het het werkelijke pad van de las vindt en het met hoge nauwkeurigheid uitvoert. Deze aanpak gaat verder dan eenvoudige automatisering en biedt een manier waarop machines complexe fysieke omgevingen zelfstandig kunnen begrijpen en navigeren, wat ervoor zorgt dat de zware structuren die onze wereld omhoog houden, worden gebouwd met een niveau van precisie dat voorheen moeilijk te bereiken was zonder constant menselijk toezicht.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.