Für Anwender, die wenig Erfahrung mit der Roboterprogrammierung haben, hat sich in den vergangenen Jahren Teach-in über Teach-Punkte am Werkstück als einfache und effiziente Herangehensweise erwiesen. Bei schwer erreichbaren Teach-Punkten kommt diese Methode aber an ihre Grenzen, ebenso bei komplexen Bauteilgeometrien, denn dann müssen sehr viele Teach-Punkte angelegt werden. Hier ist diese Herangehensweise nur dann wirtschaftlich, wenn anschließend eine große Anzahl der gleichen Werkstücke mit dem Roboter bearbeitet werden soll. Für Kleinserien dagegen ist der Einsatz von Robotern nicht attraktiv. Das ist schade, denn gerade dort bleibt bei der Oberflächenbearbeitung für den Menschen oft belastende Handarbeit, deren Zeitaufwand und Qualität nur bedingt planbar sind. ArtiMinds geht mit der Robot Programming Suite (RPS) einen alternativen Weg. Mit der grafischen Bedienoberfläche und fertigen Programmbausteinen lassen sich Roboter einfacher und effizienter programmieren. Außerdem sorgt die RPS für eine reibungslose Integration von Sensoren und Werkzeugen, ohne dass Fachwissen für diese Tools oder Kenntnisse in der jeweiligen Robotersprache vorhanden sein müssen.
In drei Schritten zum Ziel
Die RPS arbeitet beim Programmieren von Pfaden für die Oberflächenbearbeitung mit ohnehin vorhandenen CAD-Modellen. Diese lädt der Anwender im ersten Schritt in die RPS und definiert dann Referenzbahnen, z.B. über Kantenauswahl des CAD-Modells, durch Generierung von Mäandern auf der ausgewählten Fläche oder über den Import von Pfaden, die bereits in der CAD-Software vorbereitet wurden. Referenzbahnen lassen sich weiter editieren, um z.B. eine zusätzliche An- oder Abrückbewegung zu realisieren. Im zweiten Schritt wählt der Anwender dann für jede Referenzbahn aus verschiedenen Vorschlägen aus, wie ein bestimmtes Werkzeug entlang dieser Bahn bewegt werden soll. Klassische Anwendungsszenarien im Zusammenhang mit der Oberflächenbearbeitung sind z.B. Entgraten, Schleifen, Bürsten, Polieren oder zerstörungsfreies Prüfen. Im dritten Schritt übersetzt die RPS im Hintergrund die erstellte Software in ein natives Roboterprogramm, das dann ohne zusätzliche Hardware auf der Robotersteuerung des Anwenders ausgeführt werden kann.
Roboter ohne Vorerfahrung programmieren
Mit dieser Methode wird der Einsatz von Robotern nun auch für Unternehmen nutzbar, die bislang keinerlei oder kaum Erfahrung mit Robotern hatten. Das Roboterprogramm bietet gängige Standardmethoden zum Vermessen von Werkzeugen oder dem Kalibrieren von Referenzpunkten, wodurch eine zielgerichtete Inbetriebnahme möglich wird. Eine aufwendige Roboterprogrammierung via Zeilencode ist nicht notwendig. Im Gegensatz zum Teach-in-Verfahren legt der Nutzer wichtige Prozessparameter, wie z.B. Anstellwinkel oder die aufzubringende Kraft des Werkzeugs explizit fest und kann diese jederzeit ändern, wodurch der Prozess leichter eingefahren werden kann.
In der Software ist bereits jede Menge Prozess-Knowhow integriert. Damit werden Bearbeitungsprozesse unabhängiger von der Expertise einzelner Mitarbeiter. In Zeiten des Fachkräftemangels ein schlagkräftiges Argument. Ein Beispiel: Beim Entgraten wird automatisch ausgenutzt, dass das Werkzeug bei gleichbleibendem Anstellwinkel um die Drehachse beliebig positioniert werden kann. Bei einer zerstörungsfreien Prüfung ist es notwendig, dass der Sensor plan auf der zu prüfenden Fläche aufliegt, er muss aber nicht in Richtung der Bewegung ausgerichtet werden. Die automatische Berechnung optimierter Roboterbahnen ermöglicht, dass der Arbeitsbereich ausgenutzt wird, um auch schwer zugängliche Stellen an einem Werkstück zu bearbeiten.
Programme einfach anpassen
Ein Vorteil ist auch, dass die RPS übergreifend von der Planung über die Programmierung bis hin zum Betrieb eingesetzt wird. Dadurch ist eine Rückkopplung direkt aus dem Prozess und eine entsprechende Prozessverbesserung möglich. Zudem erlaubt die Verknüpfung mit der automatischen Datenerfassung in ArtiMinds Learning and Analytics for Robots (kurz: LAR) dem Nutzer, Testreihen mit unterschiedlichen Prozessparametern zu vergleichen und zielgerichtet Verbesserungspotential abzuleiten. Man muss also nicht mehr allein anhand des Ergebnisses Rückschlüsse auf den Prozess ziehen. Diese Methode kann insbesondere dann ausgesprochen nützlich sein, wenn Testreihen teuer sind oder der Prozess schwer einsehbar ist.
