Მაქსიმალური ROI-ს მისაღებად გადატვირთვის სწავლების რობოტის გამოყენების ოპტიმიზაცია

Რატომ იცვლებს გადაყვანის სწავლება შედუღების რობოტების ეკონომიკას

Ა გადაადგილებადი სწავლების რობოტი ამოაცლებს პროგრამირების ბარიერს, რომელიც ტრადიციულად შეზღუდავდა რობოტულ შედუღებას მაღალმოცულობის წარმოების ხაზებზე. ამის ნაცვლად რობოტიკის ინჟინერის გ-კოდის დაწერის ან სწავლების პანელის საშუალებით წერტილების სწავლების, ოპერატორი ფიზიკურად იჭერს რობოტის ხელს, აძრავს მას შედუღების ტრაექტორიით და სისტემა ჩაიწერს მოძრაობის ტრაექტორიას. ეს ამცირებს პროგრამირების დროს საათებიდან წუთებამდე და ხელს უწყობს ერთეულობრივი და მცირე სერიის წარმოების ეკონომიკურად გამართლებას რობოტული ავტომატიზაციის შემთხვევაში.

Როდესაც პროგრამირების ხარჯები კლებულობს, შემოწონების შედეგის (ROI) გამოთვლა ძირევანად იცვლება. ჩვეულებრივი ელექტროშველების რობოტი, რომელსაც ახალი ნაკეთობის კონფიგურაციაზე 4 საათი ინჟინერული დრო სჭირდება 75 დოლარის საათში, 300 დოლარს ხარჯავს პროგრამირებაზე. ხოლო გადაყვანით სწავლების რობოტი, რომელიც იგივე სწავლების ამოცანას 15 წუთში ასრულებს ოპერატორის საათობრივი ხელფასის დაფუძნებით, მხოლოდ 5 დოლარს ხარჯავს პროგრამირებაზე. თითო გადაყენებაზე 295 დოლარის სხვაობა სწრაფად იკრებება, როდესაც საწარმო თვეში 15–30 სხვადასხვა ნაკეთობის კონფიგურაციას წარმოებს.

Სამხრეთ-აღმოსავლეთ აზიაში მდებარე მეტალურგიული დამუშავების საწარმო, რომელიც მორგებულ სტრუქტურულ ბრაკეტებს აწარმოებს, კვალიფიცირებული შველების დეფიციტის გამო გადაყვანით სწავლების საერთო მუშაობის ელექტროშველების რობოტი მიიღო. საწარმოს ადრე სამი სერტიფიცირებული შველები ჰყავდა. რობოტის დაყენების შემდეგ, რომელიც ორ დარჩენილ შველებს ერთად მუშაობდა, წარმოების მოცულობა 40%-ით გაიზარდა, ხოლო ხელით შესრულებული შველვის ხარისხის არ ერთგვაროვნების გამო განხორციელებული ხელახლა დამუშავების მოცულობა დაეცა დაახლოებით 70%-ით. 10 კგ ტვირთის ტევადობის და 1,8 მ მანიპულატორის ხელის გასაშლელობის კონფიგურაცია ბრაკეტების ზომების დიაპაზონს მოიცავდა ნაკეთობის ხელახლა დასადგენად არ მოითხოვა.

Დრაგის სწავლების ტექნოლოგიის ძირეული პრინციპები

Როგორ მუშაობს პირდაპირი სწავლება

Ა გადაადგილებადი სწავლების რობოტი იყენებს ძალისა და ტორქის სენსორებს, რომლებიც ინტეგრირებულია თითოეულ საერთო კვანძში და აღიმოაჩენენ მომხმარებლის ხელით მოდებული ძალის სიდიდეს და მიმართულებას. როდესაც ოპერატორი ხელით იჭერს მანიპულატორს და აძრავს მას, კონტროლის სისტემა გადადის ნულოვანი ძალის კონტროლის რეჟიმში — მოძრავები აქტიურად კომპენსირებენ გრავიტაციას და ხახუნს, ხოლო მოძრავები მოსდევენ მომხმარებლის მიერ მოდებული ძალის ვექტორს. შედეგად, მოძრაობა გრძნობილება როგორც წყალში მოძრაობა: არსებობს წინააღმდეგობა, მაგრამ მიმართულების ინტენცია სიმართლედ ითარგმნება მოძრაობაში.

Სწავლების პროცესი არეგისტრირებს მიმართულების წერტილებს — პოზიციებსა და ორიენტაციებს, რომლებზეც საკვები საჭიროებს გადაადგილებას — ასევე პროცესის პარამეტრებს, მათ შორის მოძრაობის სიჩქარეს, სახელურის ნიმუშს და არკის მახასიათებლებს. რობოტი მიმართულების წერტილებს შორის ინტერპოლირებს იმ მოძრაობის გეგმვის ალგორითმების გამოყენებით, რომლებიც ასრულებენ პროგრამირებულ ტრაექტორიებს, ამიტომ ჩაწერილი ტრაექტორია აღდგება რობოტის დამახსოვრებული ხელმისაწვდომობით ±0,03–0,05 მმ, ხოლო არ აღდგება ოპერატორის ხელით დადგენილი სიზუსტით ±1–2 მმ.

Თანამშრომლობის უსაფრთხოების ფუნქციები

Თანამშრომლობის რეჟიმში გამოსაყენებლად შემუშავებული გადატანის სწავლების რობოტები შეიცავს უსაფრთხოების სერტიფიცირებულ ძალისა და სიჩქარის მონიტორინგს, რაც ბევრ აპლიკაციაში ფიზიკური დაცვის საჭიროებას აღარ არსებობს. რობოტის მანიპულატორი მილისეკუნდებში იწყებს გაჩერებას, როდესაც კონტაქტის ძალა აღემატება პროგრამირებულ ზღვარს, რაც საშუალებას აძლევს ოპერატორს რობოტთან ერთად მუშაობას უსაფრთხოების ღერძების გარეშე, რომლებიც იკავებენ სივრცეს და აფერხებენ მასალის მოძრაობას.

Ეს თანამშრომლობითი შესაძლებლობა ცვლის სამუშაო სივრცის ეკონომიკას. ჩაკეტილი ტრადიციული რობოტული უჯრედი მოითხოვს დაახლოებით 3×3 მეტრ განკუთვნილ სივრცეს, რომელიც სხვა ოპერაციებისთვის გამოყენება არ შეიძლება. თანამშრომლობითი გადაყვანით სწავლების სადგური იკავებს რობოტის ფართობს და მომხმარებლის სამუშაო სივრცეს — ჩვეულებრივ 2×2 მეტრს — და შეიძლება გადაადგილდეს წარმოების განლაგების ცვლილების შემთხვევაში.

Შედეგიანობის მაქსიმიზაცია გამოყენების არჩევანის საშუალებით

Ნაკლები ხარჯის მომავალი მიღებისთვის ნაკეთობის მახასიათებლები

Გადაყვანით სწავლება უმაღლეს შედეგიანობას იძლევა იმ ნაკეთობებზე, რომლებიც აკმაყოფილებენ სამ კრიტერიას: ხშირად მეორეგანებადი კონფიგურაციის ცვლილებები, რომლებიც ტრადიციული პროგრამირების ხარჯებს უარყოფითად აფერხებენ; შეერთების ხარისხის მოთხოვნები, რომლებიც აღემატება ხელით შესრულების სიზუსტეს; და ნაკეთობის გეომეტრია, რომელიც რობოტის მიღების სივრცეში მოთავსდება. იმ ნაკეთობებს, რომლებიც 500-ზე მეტი ერთეულის წარმოების განმავლობაში არ იცვლება, უკეთესი შედეგიანობა შეიძლება მიიღოს ტრადიციულად პროგრამირებული რობოტებიდან, რომლებიც ციკლის ხანგრძლივობის მაქსიმიზაციისთვის არის ოპტიმიზებული, არ არის პროგრამირების ეფექტურობის მიხედვით.

1–6 მმ-იანი მასალის სისქე წარმოადგენს კოლაბორატიული რობოტების საჭრელი შეერთების იდეალურ სფეროს, რადგან ხელოვნური რეგისტრაციის პარამეტრები დარჩება სტაბილური იმ მოძრაობის სიჩქარეებზე, რომლებსაც ხელის მოწყობილობაზე დამაგრებული ტორჩები აღწევენ. მეტად სქელი მასალები, რომლებსაც მრავალჯერადი შეერთების პროცესი სჭირდება, სარგებლობენ რობოტის მუდმივი ბედის განლაგებით პროცესებს შორის — ეს არის ამოცანა, რომელშიც ხელით შეერთების მომხმარებლები დაიწყებენ პოზიციონირების შეცდომების გაგროვებას, რომელიც თითოეული შემდგომი პროცესის განმავლობაში იზრდება.

Ოპერატორის უნარების გადასვლა

Ხელით შეერთებიდან რობოტის მომსახურებაზე გადასვლა მოითხოვს სხვაგვარ უნარების მიდგომას, ვიდრე ტრადიციული რობოტის პროგრამირება. გადატანის სწავლების ინტერფეისი გამოცდილ შეერთების მომხმარებლებს ინტუიციურ გასასვლელს აძლევს: ისინი აჩვენებენ ტექნიკას, რომელსაც რობოტს უნდა გამოიმეოროს, შემდეგ კი პარამეტრებს არეგულირებენ, არ ასწავლიან პროგრამირების ენას ნულიდან.

Რეიმან სიენსი დაამტკიცა ეს მიდგომა 2024 წლის დეკემბერში მსოფლიო ინტელექტუალური წარმოების კონფერენციაზე, სადაც წარადგენა ინტელექტუალური სველის სადგური, რომელიც ერთდროულად იყენებს თანამშრომლობის რობოტებს და ხელით სწავლების სისტემას. დემონსტრაცია მიმართული იყო იმ მომხმარებლების შესაძლებლობების გამოსაკვლევად, რომლებსაც აქვთ სველის გამოცდილობა, მაგრამ არ აქვთ პროგრამირების გამოცდილობა, რათა რამდენიმე წუთში სწავლონ რთული სველის ტრაექტორიები.

Წარმოების განაკვეთის ოპტიმიზაცია

Ხელით სწავლების სისტემა საშუალებას აძლევს განაკვეთის შედგენას, რომელიც ჩვეულებრივი რობოტების შემთხვევაში ეკონომიკურად არ იყოს გამართლებული. წარმოების საწარმო, რომელიც კვირაში 20 სხვადასხვა ნაკეთობას ამზადებს, თითოეულს 10–50 ეკземპლარის რაოდენობით, შეძლებს თითოეული კონფიგურაციის სწავლებას 10–20 წუთში, ხოლო ჩვეულებრივი რობოტების შემთხვევაში თითოეული ნაკეთობის პროგრამირება 2–4 საათს მოითხოვს. ჯამური პროგრამირების დაზოგვა ინვესტიციების აღდგენას უფრო სწრაფად ახდენს, ვიდრე წარმოების სიჩქარის გაუმჯობესება.

Სწრაფი შეკვეთებიც სარგებლობენ ამ სისტემით. როდესაც მომხმარებელს სჭირდება 30 მოკლე საყრდენი ხვალ დილით, 15 წუთიანი სწავლების დრო ნიშნავს, რომ რობოტი ერთ საათში უკვე სველავს — ხოლო ჩვეულებრივი რობოტის შემთხვევაში განაკვეთის შედგენა, პროგრამირება და შემოწმება ერთი დღე ან მეტი სჭირდება.

Ხშირად დასმული კითხვები

Რა არის ტიპური პროგრამირების დრო ძაბვით სწავლებად რობოტისთვის?

Მარტივი წრფივი შეერთება ბრტყელ ფილაზე სწავლებას 2–5 წუთს სჭირდება. რთული მრავალხაზიანი შეკრება მდებარეობის ცვლილებებით 10–20 წუთს სჭირდება. იგივე ამოცანები ჩვეულებრივი სწავლების პენდანტის მქონე რობოტზე 30 წუთიდან 4 საათამდე სჭირდება, რაც პროგრამისტის გამოცდილობაზე არის დამოკიდებული.

Აკლის თუ არა ძაბვით სწავლება შეერთების სიზუსტეს?

Არ აკლის. რობოტი ჩაიწერებს სწავლებულ ტრაექტორიას და აღადგენს მას რობოტის მექანიკური განმეორებადობით (±0,03–0,05 მმ), რაც აღემატება ხელით დადგენილი მდებარეობის სიზუსტეს. სწავლების დემონსტრაცია განსაზღვრავს ტრაექტორიის ფორმას; რობოტის სიზუსტე განსაზღვრავს შესრულებას.

Რა ტვირთის ტევადობა და ხელმისაწვდომობა აქვს ძაბვით სწავლებად შეერთების რობოტებს?

Საერთო კოლაბორაციული დაკავშირების კონფიგურაციები მოიცავს 10 კგ ტვირთის ტევადობას და 1,8 მ მანიპულატორის ხელის სიგრძეს, რაც უმეტესად მოსახერხებელია პატარა-საშუალო ზომის წარმოების დავალებებისთვის. უფრო დიდი ტვირთის ტევადობა საშუალებას აძლევს მძიმე გამალექვებისა და კაბელების მართვის გამოყენებას. Rayman CNC სთავაზობს მრავალი ტვირთის ტევადობის კლასის გასწევის სწავლების რობოტებს აპლიკაციის მოთხოვნების შესატანად.

Როგორ შეიძლება შედარება გასწევის სწავლებისა და ჩვეულებრივი რობოტული პროგრამირების მოგების შედარებითი რენტაბელობა?

Გასწევის სწავლების მოგების შედარებითი რენტაბელობის უპირატესობები ყველაზე გამოხატულია მაღალი რაოდენობის და დაბალი მოცულობის წარმოებაში. ერთი ნაკეთობის შეცვლის პროგრამირების ხარჯი შემცირდება 150–400-დან (ჩვეულებრივი) 3–10-მდე (გასწევის სწავლება). მეწარმულეობები, რომლებიც თვეში 100-ზე მეტჯერ ცვლის კონფიგურაციას, რობოტის ინვესტიციას მხოლოდ პროგრამირების დაზოგვის საფუძველზე 12–18 თვეში აღადგენენ.

Რომელი უსაფრთხოების სერტიფიკატები მოქმედებენ კოლაბორაციული გასწევის სწავლების რობოტებზე?

ISO 10218-1 და ISO/TS 15066 განსაზღვრავს კოლაბორაციული რობოტების უსაფრთხოების მოთребებს, რომლებშიც შედის ძალისა და სიჩქარის ზღვარი ადამიანისა და რობოტის შეხების დროს. ამ სტანდარტებს შემდეგ შესაბამისი დრაგ-ტიჩინგის რობოტები შეიძლება მუშაოს ფიზიკური დაცვის გარეშე, როდესაც რისკების შეფასება ადასტურებს უსაფრთხო ინტერაქციის პარამეტრებს.

Შეიძლება თუ არა არსებული მომხმარებლები გადავიდნენ დრაგ-ტიჩინგის რობოტების მომხმარებლობაზე?

Კი. ფიზიკური დემონსტრაციის ინტერფეისი შეესაბამება მომხმარებლის არსებულ უნარებს — ის რობოტს აჩვენებს ტექნიკას, არ უნდა ისწავლოს კოდი. Rayman CNC ამოწყობის დროს ამოწყობის ტექნიკების, პარამეტრების მორგების და ძირითადი მომსახურების შესახებ მომხმარებლის სწავლებას აწარმოებს.