Descrizione del progetto
Soluzioni robotizzate per colmare le lacune nell’efficienza della produzione
Nel cuore della produzione moderna esistono numerose fasi produttive che dipendono da risultati precedenti, da cui deriva la difficoltà di automatizzarle e conseguenti inefficienze, nonché spreco di risorse. Esempi tipici riguardano le fasi di ispezione e rilavorazione: la seconda dipende infatti dalle deviazioni riscontrate nella prima. In quest’ottica, il progetto SeConRob, finanziato dall’UE, affronterà la sfida delle fasi di produzione non automatizzabili basate su risultati precedenti. Il progetto, introducendo processi robotici autoconfiguranti e avvalendosi dell’analisi dei dati guidata dall’intelligenza artificiale, estrarrà informazioni dai dati di ispezione, generando programmi e parametri robotici per le attività a valle. Un circuito di retroazione alimentato dall’apprendimento per rinforzo perfezionerà il processo a lungo termine. I casi di prova comprenderanno processi a più fasi (ispezione, scriccatura, saldatura, rettifica e lucidatura) e le dimostrazioni saranno rivolte a settori specifici, quali l’automobilistico e l’aerospaziale.
Obiettivo
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€.
Campo scientifico
- 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
Parole chiave
Programma(i)
Invito a presentare proposte
HORIZON-CL4-2022-DIGITAL-EMERGING-02
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-IA - HORIZON Innovation ActionsCoordinatore
4407 STEYR GLEINK
Austria