Opis projektu
Roboty rozwiążą problem luk w wydajności produkcji
W nowoczesnych łańcuchach produkcyjnych kolejne procesy są często uzależnione od rezultatów poprzednich etapów prac, co utrudnia ich automatyzację, powodując niską efektywność i marnotrawienie zasobów. Typowe przykłady tego zjawiska obejmują kontrolę oraz przeróbki, które wynikają z wykrytych odchyleń od normy. Z tego powodu zespół finansowanego ze środków Unii Europejskiej projektu SeConRob zajmie się wyzwaniem związanym z występowaniem niezautomatyzowanych etapów procesów produkcyjnych, które opierają się na wcześniejszych wynikach. Ten nowatorski projekt dotyczący automatycznie konfigurujących się procesów robotycznych i wykorzystaniu analizy danych opartej na modelach sztucznej inteligencji pozwoli na uzyskanie wglądu w dane z kontroli, a także generowanie programów wykonywanych przez roboty oraz parametrów na potrzeby następnych etapów obróbki. Dopracowaniem procesu w dłużej perspektywie zajmą się algorytmy uczenia ze wzmocnieniem oparte na pętli sprzężenia zwrotnego. Przypadki testowe obejmą wieloetapowe procesy (inspekcję, skrawanie, spawanie, szlifowanie i polerowanie), a prototypowe rozwiązania będą powstawały z myślą o sektorach takich jak motoryzacja i lotnictwo.
Cel
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€.
Dziedzina nauki
- 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
Słowa kluczowe
Program(-y)
Zaproszenie do składania wniosków
HORIZON-CL4-2022-DIGITAL-EMERGING-02
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-IA - HORIZON Innovation ActionsKoordynator
4407 STEYR GLEINK
Austria