EN
Зашто учење вукања мења економију заваривачких робота
A возио је наставни робот елиминише програмску баријеру која је традиционално ограничавала роботизовано заваривање на производње великих количина. Уместо да инжењеру за роботику треба да пише Г-код или да учи тачке кроз везу за учење, оператер физички држи роботску руку, помера је кроз пут заваривања, а систем снима трајекторију. То смањује време програмирања са сати на минуте и чини производњу у једној серији и малим серијама економски одржива за роботизовану аутоматизацију.
Измер ROI се фундаментално мења када се трошкови програмирања смањују. Конвенционални робот за заваривање који захтева четири сата инжењерског времена по новој конфигурацији делова на 75/час троши 300 у трошковима програмирања. Робот који учи да превлачи и завршава исти задатак за 15 минута по платама оператера троши око 5% трошкова програмирања. Разлика од 295 на промену брзо се акумулише када продавница месечно користи 1530 различитих конфигурација делова.
У продавници за производњу метала у југоисточној Азији која производи прилагођене конструктивне задржине усвојио је робот за заваривање који уче да се заварију, након што се борио са доступношћу квалификованих заваривача. У продавници су раније били запослени три сертификована заваривача. Након инсталирања робота поред два преостала заваривача, производња се повећала за 40%, док је прерада од неконзистентног ручног квалитета биљки опала за око 70%. 10 кг корисног оптерећења, 1.8 м распон руке управљао је опсегом величине заглавника без потребе за репозиционирањем радног комада.
Преузмите основне темеље технологије наставе
Како директно учење функционише
A возио је наставни робот користи сензоре сила и крутног момента интегрисане у сваки зглоб, који детектују величину и правцу силе коју примењује рука оператера. Када оператер држи руку и помера је, систем за управљање улази у режим управљања нултом силом мотори активно компензују гравитацију и тријање док прате вектор наметне силе оператера. Резултат се осећа као да се крећете кроз воду: постоји отпор, али усмерна намера се глатко претвара у покрет.
У наставном процесу се бележе точки путања позиције и оријентације кроз које свариони факел мора проћи заједно са параметрима процеса, укључујући брзину путовања, образац ткања и карактеристике лука. Робот интерполира између точака коришћењем истих алгоритама планирања кретања који извршавају програмиране путеве, тако да се снимљена трајекторија репродукује са инхерентном понављаемошћу робота од ±0.030.05 мм, а не ручном тачношћу позиционирања оператера од ±1
Колаборативне безбедносне карактеристике
Роботи за повући учење дизајнирани за сарадњу укључују безбедносно ретификовано праћење снаге и брзине које елиминише потребу за физичком заштитом у многим апликацијама. Рука робота зауставља се за милисекунде када контактна сила прелази програмирани праг, што оператору омогућава да ради уз робота без безбедносних ограда које троше простор на поду и ометају проток материјала.
Ова способност сарадње мења економију радног простора. За ограђену конвенционалну роботску ћелију потребно је око 3×3 метра посебне површине која се не може користити за друге операције. Колаборативна станица за учење за повлачење заузима отпечатак робота плус радни простор оператера обично 2×2 метра и може се преместити када се промене производних распореда.
Максимизирање РОИ-а кроз избор апликација
Карактеристике делова за висок повратак
Учење за повлачење даје највећи ОПИ на деловима који испуњавају три критеријума: чешће промене конфигурације које чине конвенционално програмирање трошковитим, захтеви за квалитет заваривања који прелазе ручну конзистенцију и геометрије делова у опсегу домета робота. Делови који остају непромењени за производњу више од 500 јединица могу постићи бољи ОИ од конвенционално програмираних робота оптимизованих за време циклуса, а не ефикасност програмирања.
Дебљина материјала између 16 мм представља сладку тачку за колаборативно заваривање робота јер параметри лука остају стабилни на брзинама путовања које могу постићи факеле постављене на руци. Дебљи материјали који захтевају сварење више пута имају користи од конзистентног постављања биљке од стране робота између пролаза задатак у којем ручни заваривачи акумулишу грешке позиционирања које се повећавају са сваком следећом пролазом.
Прелазак на вештине оператера
Прелазак од ручног заваривања на рад са роботом захтева другачији приступ вештина од конвенционалног програмирања робота. Интерфејс за учење превлачења даје искусним заваривачима интуитивни мост: они показују технику коју желе да робот репродукује, а затим фино подешавају параметре уместо да уче програмски језик од нуле.
Рајман ЦНЦ је демонстрирао овај приступ на Светској конференцији за интелигентну производњу у децембру 2024. године, приказујући интелигентну радну станицу за заваривање која интегрише колаборативне роботе са учењем за повлачење. Демонстрација се фокусирала на то како оператери са стручношћу за заваривање, али без програмске позадине, могу научити сложене путеве заваривања за неколико минута.
Оптимизација распореда производње
Учење одвлачењем омогућава распоређивање времена које би било неекономно са конвенционалним роботима. Трговачка кућа која ради са 20 различитих бројева делова недељно, свака у количинама од 1050 јединица, може научити сваку конфигурацију за 1020 минута уместо да троши 24 сата програмирања по делу. Кумулативна штедња програмирања враћају инвестиције брже од побољшања прометности.
И брзе наредбе су корисне. Када купцу треба 30 заграда до сутра ујутру, 15 минута времена за обуку значи да робот завари у року од сат времена, у поређењу са даном или више потребном за планирање, програмирање и верификацију конвенционалног робота.
Често постављана питања
Колико је типично времена за програмирање за робота који учи да се обучава?
Једноставни линеарни заваривање на равном плочи траје 25 минута да се научи. Комплексна вишешивна монтажа са променама положаја траје 1020 минута. Исти задатци на конвенционалном роботу који учи везу трају од 30 минута до 4 сата у зависности од искуства програмера.
Да ли учење одвојања компромитује тачност заваривања?
Не, не, не. Робот снима научену трајекторију и репродукује је са механичком понављаемошћу робота (± 0.030.05 мм), која превазилази тачност ручног позиционирања. Учење демонстрације одређује облик пута; прецизност робота одређује извршење.
Који је оптерећење и домет доступни за обучавање заваривача за обуку?
Уобичајене конфигурације заваривања са сарадњом укључују 10 кг корисне оптерећења са дометним дометом руку од 1,8 м, погодан за већину малих и средњих задатака за израду. Веће корисни оптерећења могу да се приме у теже факеле и управљање кабелима. Рејман ЦНЦ нуди роботе за учење превлачења преко више класа корисних оптерећења како би се уједначили са захтевима апликације.
Како се РОИ упоређује између учења у обуци и конвенционалног програмирања робота?
Предности РОИ-а за повући учење изгледају најјаче у производњи са високом мешавином и малим запремином. Трошкови програмирања по делу за промену падају са 150400 (конвенционално) на 310 (преводње). Подијело које мења конфигурације 100+ пута месечно повратава инвестиције робота од самог програмског штедње у року од 1218 месеци.
Које се безбедносне сертификације односе на роботе који уче да се коолаборативно померају?
ИСО 10218-1 и ИСО/ТС 15066 дефинишу захтеве за безбедност колаборативних робота, укључујући ограничења снаге и брзине за контакт човека и робота. Роботи за повући учење који испуњавају ове стандарде могу радити без физичке заштите када процене ризика потврде сигурне параметре интеракције.
Да ли постојећи заваривачи могу да пређу на обуку за управљање роботом?
Да, ја сам. Физички демонстрациони интерфејс се усклађује са постојећим вештинама заваривача они показују роботи технику уместо да уче код. Рајман ЦНЦ пружа обуку оператера која обухвата технике наставе, подешавање параметара и основно одржавање током пуштања у рад опреме.