Anbieter zum Thema
Grundlage des Verfahrens sind mathematische Algorithmen zur Beschreibung eines funktionalen Zusammenhangs zwischen zwei Größen. Angewendet auf den speziellen Fall der Bahnoptimierung beim Roboter-Rollfalzen wird eine Beschreibung der Abhängigkeit von Bahnversatz und erreichtem Falzergebnis gesucht. Durch anfänglich zufällige oder vorgegebene Variationen des Bahnversatzes können Wertepaare, jeweils bestehend aus Versatz und Falzergebnis, generiert werden. Diese Wertepaare dienen als „Trainingsdaten“. Die „Trainingsdaten“ werden als Basis zum Aufbau eines Optimierungsmodells genutzt. Für ein vorgegebenes oder angestrebtes Falzergebnis soll dieses Modell die näherungsweise Berechnung des dazu nötigen Bahnversatzes ermöglichen.
Der dem Modell zugrunde liegende Algorithmus erlaubt die rechnerische, automatische Optimierung der Prozessparameter. Die so erzeugten Parameter und Bahnanpassungen werden gemeinsam mit dem zugehörigen Falzergebnis dokumentiert und bilden die Datenbasis für eine sukzessive Verbesserung des Modells. In einem iterativen Prozess konvergiert schließlich das erzielte Falzergebnis gegen das angestrebte Resultat.
Archivierung von Datensätzen
Die Automatisierung dieses Prozesses führt zu einer signifikanten Zeitersparnis gegenüber dem manuellen Verfahren. Zudem liefert es eine nachvollziehbare Optimierungshistorie, die zum Aufbau einer Knowhow-Datenbank dient. Die Archivierung von Datensätzen der einzelnen Verbesserungsschritte wird darüber hinaus zur Generierung von Materialprofilen genutzt, anhand derer eine verbesserte Konvergenz des Verfahrens und damit eine Verringerung der benötigten Einarbeitungsbauteile möglich ist.
Thyssenkrupp System Engineering hat dieses Verfahren entwickelt, indem langjährige Erfahrungen aus den Bereichen Falztechnik, Robotik und Simulationstechnik zusammengeführt wurden. Erste Anwendungen in Modellprojekten bestätigen die damit verknüpften Erwartungen. Künftig soll die Technologie standardmäßig bei allen Rollfalzprojekten eingesetzt werden.
(ID:43796289)