Roboter BORUNTE BRTIRUS0707A
Wir haben zwei Dinge miteinander verbunden, die normalerweise in unterschiedlichen Welten existieren: ein System für maschinelles Sehen engiAI mit einer eigenen Lernplattform für neuronale Netze und einem sechsachsigen Industrieroboter BORUNTE BRTIRUS0707ADas Ergebnis ist ein Roboter, der nicht ein vorgegebenes Programm ausführt, sondern.. Es erkennt ein Detail und passt sich in Echtzeit daran an.
Das Testverfahren, bei dem die Kombination erfolgreich war: Die Kiste liegt auf dem Tisch in einer beliebigen Position. Der Bediener dreht sie beliebig – von 0 bis 360 Grad. Die Kamera schaut von oben, das neuronale Netzwerk bestimmt den Drehwinkel mit einer Genauigkeit von Grad, und der Roboterarm wiederholt die Position der Kiste – er greift die Kiste präzise auf. Es gibt keine Stützpunkte, Halterungen oder Sensoren zur Positionsbestimmung: nur die Kamera, das neuronale Netzwerk und der Roboter.
Aus welchen Teilen besteht das System?
engiAI – Maschinelles Sehen. Ein vollständiger Workflow für den Einsatz von KI: Anschluss von Industriekameras (SICK, Hikrobot, GigE Vision, USB), Definition von Inspektionsbereichen direkt im Live-Video, Generierung eines Trainingsdatensatzes aus wenigen Bildern, Training von YOLO-Modellen auf GPUs (CUDA) und Echtzeit-Inferenz mit der Geschwindigkeit des Kamerastroms. Das OUTPUT-Modul wandelt die Erkennungsergebnisse in Aktionen um: Senden von TCP-Paketen an Roboter oder SPS-Systeme sowie Steuerung von diskreten Ausgängen der Kameras.
Robot1 – Steuerung des Roboters. Direkte Kommunikation mit dem HC1-Controller über ein offenes JSON/TCP-Protokoll, ohne Bedienfeld und proprietäre Software: manuelle Steuerung jeder Achse, speicherbare Positionen, 3D-Modell des Roboters mit Positionsdatenbank. Das Hauptmerkmal ist der TCP-Empfänger für Befehle von KI: Eine Regel pro Achse, die den Befehlsnamen, die Geschwindigkeit, die Verschiebung, die Invertierung und die Anpassung des Winkels an den nächstgelegenen Weg (±180°) definiert.
Die Verbindung zwischen den Programmen erfolgt über das übliche TCP/IP-Protokoll. Dies ist ein grundlegendes Prinzip: In die Kommunikationskette können beliebige Geräte integriert werden, die in der Lage sind, einen Socket zu öffnen – SPS-Systeme, andere Roboter, SCADA-Systeme oder ERP-Systeme.
Wie es funktioniert: Von dem Bild bis zur Bewegung
- Bild. Die Kamera sendet ein Bild der zu prüfenden Zone (in unserem Ausstellungsstück: SICK, Matrix 2048 x 2048).
- Ausgezeichnet. Das YOLO-Modell klassifiziert die Position des Bauteils: Jeder Grad der Drehung entspricht einer eigenen Klasse (0…359 für einen vollständigen Kreis oder 0…180 für symmetrische Bauteile).
- Paket. Die OUTPUT-Regel erzeugt eine Befehl – zum Beispiel „J6 315“ – und sendet ihn über TCP. Die Regel wird für das gesamte Modell einmalig erstellt: Die Funktion {class} übermittelt automatisch den Namen der erkannten Klasse.
- Achsenregel. Robot1 wendet Achsen-Einstellungen an – Inversion, Versatz und Kurzbefehl – und gibt dem Controller den gewünschten Winkel mit der vorgegebenen Geschwindigkeit.
- Bewegung. Die Achse dreht sich – der Greifer positioniert sich präzise um das Bauteil herum.
Die Reaktionszeit von der Drehung der Kiste bis zum Start der Achse beträgt etwa eine Sekunde und ist steuerbar: Alle Verzögerungen sind in den Einstellungen festgelegt.
Training ohne Datensatz und ohne ML-Ingenieur
Ein klassisches Problem im Bereich des maschinellen Lernens in der Produktion ist das Sammeln und Beschriften von Tausenden von Bildern. In engiAI wird dies durch die Generierung synthetischer Daten gelöst: Der Bediener macht ein einzelnes Bild eines Bauteils in einem bestimmten Bereich, und das Programm erstellt automatisch einen Trainingsdatensatz:
- dreht das Fensterbereich über das gesamte Bild mit einem festgelegten Schritt (auch 0,1°), sodass der tatsächliche Hintergrund sichtbar ist und das Detail nicht durch den Bildrand abgeschnitten wird: das Bild wird automatisch zu einem Quadrat erweitert, wobei die Diagonale des Bereichs berücksichtigt wird.
- fügt Variationen von Helligkeit und Kontrast innerhalb vorgegebener Grenzen und Spiegelbilder hinzu;
- ordnet die Bilder automatisch den Klassen-Graden (0…359) zu und teilt die Stichprobe in train und val auf.
Aus einem einzigen Bild lassen sich Hunderte von Trainingsdateien erstellen. Anschließend wird die Schaltfläche „KI-MODELL TRAINEN“ gedrückt, und nach einiger Zeit ist das Modell einsatzbereit. Der gesamte Zyklus „Detail zeigen → trainieren → Roboter arbeitet“ wird vom Bediener der Produktionslinie ausgeführt, nicht von einem externen ML-Ingenieur.
Der Datenstrom darf den Roboter nicht überlasten.
Das neuronale Netzwerk erzeugt Erkennungen dutzende Male pro Sekunde, und diese direkt in Bewegungen umzusetzen ist nicht möglich – die Servomotoren versagen aufgrund des hohen Anzahl der Umleitungen. In Kombination ist ein mehrstufiges Schutzsystem implementiert, das auf einem realen Roboter getestet wurde:
- Todeszone – Der Übergang zwischen den benachbarten Klassen (315 ↔ 312) führt nicht zu einer Verschiebung der Achse.
- Stabilität – die neue Klasse muss eine bestimmte Zeit lang stabil bleiben: Einzelne falsche Frames, die von dem neuronalen Netzwerk erzeugt werden, führen nicht dazu, dass die Achse in ferne Ziele gerichtet wird;
- Sanfter Kurswechsel – Wenn sich das Ziel während der Fahrt ändert, erreicht der Roboter nicht mehr den veralteten Punkt: kontrolliertes Bremsen, Bereinigung der Steuerungsqueue und sofortige Bewegung zum letzten Ziel. Zwischenbefehle werden verworfen – nur der aktuelle ist wichtig;
- Zeit zwischen Bewegungen – eine starre Begrenzung der Befehlshäufigkeit für den Controller;
- Automatische Wiederherstellung – Im Falle eines Fehlers wird die Kontrolle automatisch zurückgesetzt, und das Ziel wird neu festgelegt. Beide Programme führen kontinuierlich Protokolldateien.
Was macht dieses System besser als ein klassischer Manipulator-Roboter?
Ein klassischer industrieller Roboter wiederholt eine streng vorgegebene Trajektorie. Alle Informationen, die er über das Detail hat, werden durch die Mechanik um ihn herum bereitgestellt. Dies sind die Hauptkostenfaktoren und die größten Einschränkungen der Automatisierung. Die KI-gestützte Vision ermöglicht es, diese systematisch zu erfassen.
Kosten und Zeitrahmen
- Es ist keine mechanische Vorrichtung für die Positionierung erforderlich – beispielsweise Werkbänke, Stützvorrichtungen, Vibrationsbehälter und Zentrierstationen. Das Bauteil kann beliebig positioniert werden; der Roboter passt sich automatisch daran an. Eine Vorrichtung für ein einzelnes Bauteil ist oft genauso teuer wie der Roboter selbst – in diesem Fall ist sie überhaupt nicht erforderlich.
- Die Anpassung an ein neues Produkt – eine Uhr, nicht eine Woche – ist abgeschlossen. Die Details der Kamera wurden gezeigt, das Modell wurde trainiert, und eine Regel wurde festgelegt: Die Linie funktioniert. Es ist nicht erforderlich, dass ein Integrator vor Ort ist oder die Produktion gestoppt wird.
- Kleinere Produktionsmengen werden rentabel. Eine klassische Automatisierung lohnt sich nur bei großen Stückzahlen. Wenn die Anpassung nahezu kostenlos ist, ist es auch wirtschaftlich, eine kleine Charge pro Tag zu automatisieren.
- Ein Werkzeug anstelle von drei Systemen: Robotersteuerung, Qualitätskontrolle und Ausschuss werden in einem Programm mit einer einzigen Kamera durchgeführt.
Flexibilität und Qualität
- Anpassung an die Realität. Die Förderanlage ist verschoben, das Teil liegt schief, eine neue Charge mit einer anderen Farbe ist eingetroffen – die klassische Zelle funktioniert, und die KI-Zelle arbeitet weiterhin: Sie betrachtet das Teil, anstatt die Koordinaten.
- Qualitätskontrolle ist kostenlos. Das gleiche Modell, das zur Erkennung von Defekten verwendet wird, erkennt auch: beschädigete Kartons, falsch angebrachte Etiketten, fehlerhafte Montage – und sendet diese Artikel automatisch zur Zurücksetzung, wobei die gleichen Qualitätsrichtlinien angewendet werden.
- Jeder Achsen – durch KI gesteuert. Die Regeln werden für jede der sechs Achsen unabhängig voneinander festgelegt: heute wird ein Greifer einmalig gesteuert, morgen erfolgt eine vollständige Positionierung über mehrere Achsen gleichzeitig.
- Kontinuierliche Rückmeldung. Der Roboter ist kein "blinder Ausführender": Jede Bewegung ist eine Reaktion auf das, was tatsächlich im Bild sichtbar ist, unter Berücksichtigung aller relevanten Informationen.
Offenheit und Skalierbarkeit
- Unabhängigkeit vom Roboter-Hersteller. Die Kommunikation erfolgt über offene TCP/IP-Verbindungen: derzeit über BORUNTE, aber in Zukunft kann dasselbe Prinzip auch für andere Greifer, Tischmaschinen oder SPS-Systeme verwendet werden.
- Schulung vor Ort. Das Modell ist keine "Software-Aktualisierung": Wenn eine neue Bauteilart oder Ausschuss auftritt, wurde das Modell innerhalb weniger Stunden, direkt an der Produktionslinie und mit realen Bildern und Beleuchtung, angepasst.
- Kopieren der Zellen – das Kopieren von Programmen und der Modelfile, nicht die erneute Erstellung der Integrationsplanung.
- Transparenz. Die Protokolldateien beider Programme und die Datenbank mit den Ausführungsdaten: Hier ist die gesamte Historie – von Einzelbild bis zur Bewegung der Achse – einsehbar. Dies ist die Grundlage für Statistiken, Qualitätsmetriken und vorausschauende Wartung.
Wo ist dies anwendbar?
- Verpackung und Logistik: Ausrichtung der Kartons vor dem Stapeln, Palettierung und Entpalettierung von gemischten Paletten, Förderband-Picking von zufällig liegenden Gegenständen.
- Qualitätskontrolle mit Ausschuss: Eine Kamera überwacht und steuert gleichzeitig die Ausführungsprozesse.
- Maschinenlieferung (CNC, Pressen): Rohmaterial in großen Mengen oder auf Paletten, ohne Schwingungsbehälter.
- Montage: Positionierung der Teile, Überprüfung der korrekten Ausrichtung in jedem Schritt.
- Lebensmittelproduktion und Landwirtschaft: Dies sind flexible Bereiche, in denen eine mechanisierte Ausführung grundsätzlich nicht möglich ist.
- Recycling und Sortierung: Objekte, die nicht im Katalog enthalten sind, stellen einen Bereich dar, in dem die klassische Automatisierung nicht wirksam ist.
Was kommt als Nächstes?
- Phasen und externe Auslöser: Technologiestruktur in Schritten (Koordinaten aller Achsen und Geschwindigkeit in jedem Schritt), Hinzufügen und Entfernen von Phasen aus der Benutzeroberfläche, Auslösen von Phasen durch TCP-Signale von der Vision, SPS oder dem Bediener;
- Greifer in der Vollständigen Position: vom Ende einer Achse – zur Position und Ausrichtung des Teils entlang mehrerer Achsen gleichzeitig;
- Mehrkammer-Zellen und die Synchronisation mehrerer Roboter;
- Automatisiertes Lernen in Echtzeit: Das System sammelt automatisch komplexe Bildsequenzen und stellt sie für das neue Trainingsdatensatz zur Verfügung.
Technologie-Stack
.NET 9 (WinForms) · YOLO-Klassifizierung, ONNX, CUDA · Kameras von SICK / Hikrobot / GigE Vision / DirectShow · Roboter BORUNTE BRTIRUS0707A (HC1-Controller, offener JSON/TCP-Protokoll) · SQLite · TCP/IP-Integration mit jeder Art von Hardware.
Das Projekt zeigt deutlich: Die Eintrittsbarriere in die "billige" Robotik ist gefallen. Es sind keine ML-Ingenieure und Monate Integration mehr erforderlich – stattdessen reicht ein Foto des Bauteils, eine Lernfunktion und ein offener Protokoll. Der Roboter wird nicht mehr die teuerste und unbeweglichste Maschine in der Werkstatt – er wird stattdessen zu einer vielseitigen Arbeitsmaschine, die man innerhalb weniger Stunden neu trainieren kann.
