Description du projet
Des solutions robotiques pour combler les lacunes en matière d’efficacité dans l’industrie manufacturière
Au cœur de la fabrication moderne, de nombreuses étapes de production dépendent de résultats antérieurs, ce qui rend leur automatisation difficile et entraîne des inefficacités et un gaspillage de ressources. Parmi les exemples typiques, on peut citer les étapes d’inspection et de reprise, où la reprise dépend des écarts constatés. Dans cette optique, le projet SeConRob, financé par l’UE, s’attaquera au problème des étapes de fabrication non automatisables qui reposent sur des résultats antérieurs. Pionnier des processus robotiques auto-configurables et s’appuyant sur l’analyse de données pilotée par l’IA, le projet extraira des informations des données d’inspection, générant des programmes et des paramètres robotiques pour les tâches en aval. Une boucle de rétroaction, alimentée par l’apprentissage par renforcement, permettra d’affiner le processus à long terme. Les cas d’essai engloberont des processus en plusieurs étapes (inspection, gougeage, soudage, meulage et polissage), et les démonstrations cibleront des secteurs tels que l’automobile et l’aérospatiale.
Objectif
The SeConRob project aims at developing methods for the self-configuration of robotic processes, where each manufacturing step depends on the results of the previous step. In this case a lot of productivity, energy and resources are lost, because the processes currently cannot be automated for technical and economic reasons. Such situations typically occur during inspection and re-work, where the (downstream) re-work process depends on the results of the (upstream) inspection process of each individual part. SeConRob will develop technologies that enable the automation of such processes, by creating robotic processes that can be automatically configured for each individual part. This will build upon AI-based data analysis that extracts information from the inspection data, that used in turn to automatically generate a robot program and process parameters for the downstream re-work process. Physical process models will the basis for the initial planning and a long-term feedback loop based on reinforcement learning will be established to optimize the process and account for properties that are not included in the initial model.
Two use cases with multi-stage manufacturing processes including inspection, gouging, welding, grinding and polishing will provide test cases for the developments. Demonstrations are planned on a real-world production line to raise interest in sectors such as automotive and aerospace, where safety-critical parts are manufactured. The estimated market potential for such multi-stage self-configuring robotic process is about 2000 robotic workcells, corresponding to a market of 600 M€.
Champ scientifique
- natural sciencescomputer and information sciencesdata science
- engineering and technologymechanical engineeringmanufacturing engineering
- natural sciencescomputer and information sciencesartificial intelligencemachine learningreinforcement learning
- social scienceseconomics and businesseconomicsproduction economicsproductivity
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectronic engineeringrobotics
Programme(s)
Régime de financement
HORIZON-IA - HORIZON Innovation ActionsCoordinateur
4407 STEYR GLEINK
Autriche