Riassunto analitico
Nel moderno contesto industriale, l’uso di robot industriali è in crescita grazie alla loro flessibilità operativa e alla capacità di gestire componenti complessi. Tuttavia, persistono limitazioni nelle applicazioni che richiedono un’elevata accuratezza di moto. I metodi tradizionali per compensare gli errori di posizionamento includono approcci “online”, che richiedono sensoristica attiva e algoritmi di controllo dedicati, e metodi “offline” basati su modelli cinematici o parametrici, spesso complessi e dispendiosi in termini di tempo.
Per superare queste criticità, questo lavoro di tesi adotta un approccio basato sul machine learning, che consente di creare e aggiornare modelli predittivi multi-parametro in modo efficiente, riducendo la necessità di interventi manuali. Seguendo la norma ISO 9283, è stata sviluppata una metodologia per misurare e compensare gli errori di posizionamento del robot KUKA KR210 R2700 Prime.
La metodologia proposta mira a ridurre il numero di esperimenti richiesti per modellare correttamente il comportamento del robot all’interno di un volume di lavoro di interesse, con l’obiettivo finale di snellire l’intero processo di sviluppo del modello di compensazione.
Una campagna sperimentale con laser tracker ha prodotto un dataset comprensivo di posizioni misurate, direzioni, velocità e payload. Questo dataset è stato utilizzato per addestrare un modello predittivo capace di stimare gli errori e correggere i punti target, generando programmi robotici ottimizzati.
La tesi descrive dettagliatamente gli strumenti hardware e software, oltre al processo di compensazione basato su algoritmi di machine learning. I risultati ottenuti confermano la validità del metodo, evidenziando miglioramenti significativi nell’accuratezza di posizionamento ed evidenziando il potenziale di questo approccio per le applicazioni industriali future.
|
Abstract
In the modern industrial context, the use of industrial robots is increasing due to their operational flexibility and ability to handle complex components. However, limitations persist in applications requiring high motion accuracy. Traditional methods for compensating positioning errors include "online" approaches, which require active sensors and dedicated control algorithms, and "offline" methods based on kinematic or parametric models, which are often complex and time-consuming.
To address these issues, this thesis adopts a machine learning-based approach that allows for the creation and updating of multi-parameter predictive models efficiently, reducing the need for manual intervention. Following the ISO 9283 standard, a methodology was developed to measure and compensate for the positioning errors of the KUKA KR210 R2700 Prime robot.
The proposed methodology aims to reduce the number of experiments needed to accurately model the robot’s behavior within a specific workspace, with the ultimate goal of streamlining the entire compensation model development process.
An experimental campaign using a laser tracker produced a comprehensive dataset of measured positions, directions, speeds, and payloads. This dataset was used to train a predictive model capable of estimating errors and correcting target points, generating optimized robot programs.
The thesis provides a detailed description of the hardware and software tools, as well as the compensation process based on machine learning algorithms. The results obtained confirm the validity of the method, demonstrating significant improvements in positioning accuracy and highlighting the potential of this approach for future industrial applications.
|
