Deelnemers: 9 In deze tijd zijn veel maakbedrijven, zowel nationaal als regionaal, aan het verkennen hoe ze hun productie verder kunnen automatiseren. Het vinden van de juiste plek in het productieproces voor robotoplossingen en het begrijpen van de implicaties hiervan blijkt een uitdaging voor veel bedrijven. Daarmee gaan we aan de slag in deze workshop. Om concurrerend te blijven, heeft de Nederlandse industrie behoefte aan meer flexibele en intelligente automatisering. Onze kracht ligt niet zozeer in massaproductie, maar juist in flexibiliteit, maatwerk en kleine seriegroottes. Tot nu toe zien we voornamelijk robotsystemen in fabrieken die slechts één specifieke taak kunnen uitvoeren. Dat past niet bij de flexibiliteit die gevraagd wordt. Het vinden van de juiste plek in het productieproces voor robotoplossingen en het begrijpen van de implicaties hiervan blijkt een uitdaging voor veel bedrijven. Het conceptualiseren van het productieproces kan hierbij helpen. Traditionele methoden zoals de Value Stream Map (VSM) zijn nuttig maar onvoldoende uitgerust voor de complexiteit van automatisering. Daarom hebben we binnen ons onderzoek "Integraal Robotiseren" in samenwerking met het bedrijfsleven twee nieuwe mapping methoden ontwikkeld die specifiek Om concurrerend te blijven, heeft de Nederlandse industrie behoefte aan meer flexibele en intelligente automatisering. Onze kracht ligt niet zozeer in massaproductie, maar juist in flexibiliteit, maatwerk en kleine seriegroottes. Tot nu toe zien we voornamelijk robotsystemen in fabrieken die slechts één specifieke taak kunnen uitvoeren. Dat past niet bij de flexibiliteit die gevraagd wordt. Het vinden van de juiste plek in het productieproces voor robotoplossingen en het begrijpen van de implicaties hiervan blijkt een uitdaging voor veel bedrijven. Het conceptualiseren van het productieproces kan hierbij helpen. Traditionele methoden zoals de Value Stream Map (VSM) zijn nuttig maar onvoldoende uitgerust voor de complexiteit van automatisering. Daarom hebben we binnen ons onderzoek "Integraal Robotiseren" in samenwerking met het bedrijfsleven twee nieuwe mapping methoden ontwikkeld die specifiek gericht zijn op de eisen van geavanceerde automatisering: De Smart Value Stream Map (SVSM): Deze methode biedt een holistisch beeld van het productieproces, waarbij de nadruk ligt op het identificeren van een gewenste toekomstige staat, met een focus op data- en informatiestromen. Het DAKAR-Model: Dit model richt zich gedetailleerd op een (manuele) processtap die geautomatiseerd gaat worden en neemt daarbij essentiële situationele/omgevingsgerelateerde aspecten mee. DAKAR staat voor Datastroom, Aanvoer, Kwaliteit, Afvoer en Randvoorwaarden. Het doel is om potentiële aandachtspunten en bottlenecks te identificeren voordat de robotoplossing wordt aangeschaft. Beide methoden hebben een andere focus, maar vullen elkaar aan in de uitvoering. Het doel van de workshop is om u bekend te maken met het gebruik van deze mapping methoden, zodat u zelfstandig kunt werken aan het in kaart brengen van potentiële aandachtspunten, bottlenecks in het huidige proces en inzicht kunt krijgen in een gewenste toekomstige staat. Gedurende de workshop staan we stil bij een door ons gegenereerde praktijkcasus, zodat u de methode zelfstandig kunt oefenen. Daarnaast willen we u ook de mogelijkheid geven om uw eigen casus in te brengen, zodat we u kunnen begeleiden in de uitwerking. Doelgroep: (Proces)managers, operators, en overige betrokkenen die gezamenlijk aan de slag gaan met een automatisering vraagstuk.
The number of applications in which industrial robots share their working environment with people is increasing. Robots appropriate for such applications are equipped with safety systems according to ISO/TS 15066:2016 and are often referred to as collaborative robots (cobots). Due to the nature of human-robot collaboration, the working environment of cobots is subjected to unforeseeable modifications caused by people. Vision systems are often used to increase the adaptability of cobots, but they usually require knowledge of the objects to be manipulated. The application of machine learning techniques can increase the flexibility by enabling the control system of a cobot to continuously learn and adapt to unexpected changes in the working environment. In this paper we address this issue by investigating the use of Reinforcement Learning (RL) to control a cobot to perform pick-and-place tasks. We present the implementation of a control system that can adapt to changes in position and enables a cobot to grasp objects which were not part of the training. Our proposed system uses deep Q-learning to process color and depth images and generates an (Formula presented.) -greedy policy to define robot actions. The Q-values are estimated using Convolution Neural Networks (CNNs) based on pre-trained models for feature extraction. To reduce training time, we implement a simulation environment to first train the RL agent, then we apply the resulting system on a real cobot. System performance is compared when using the pre-trained CNN models ResNext, DenseNet, MobileNet, and MNASNet. Simulation and experimental results validate the proposed approach and show that our system reaches a grasping success rate of 89.9% when manipulating a never-seen object operating with the pre-trained CNN model MobileNet.
Het RAAK-MKB project "(G)een Moer Aan" heeft zich gericht op het ontwerpen van een veilige en effectieve ondersteuning van een cobot in een productieomgeving. De focus is hierbij gelegd op productiehandelingen die in veel sectoren voorkomen en die relatief veel arbeidstijd kosten, zoals het indraaien van moeren en bouten in een object. Binnen het project is veel kennis opgedaan dit heeft geresulteerd in gripperontwerpen die in staat zijn een bout in een flens te draaien. Daarnaast is kennis gegeneerd van vision technieken om gaten e.d. te detecteren, en het meenemen van (beleefde) veiligheid in het ontwerp van een cobot systeem. Deze nieuw opgedane kennis is erg bruikbaar voor zowel de beroepspraktijk als voor de studenten in het onderwijs. Dat maakt het relevant voor (her)gebruik middels het nieuwe open-acces e-learning platform van Fontys: Open Learning Labs. Door trainingsmateriaal te ontwikkelen dat betrekking heeft op onder andere het aspect veilig ontwerpen, worden toekomstige engineers (de studenten) en zittend personeel bij bedrijven bekend met nieuwe technieken die toepasbaar zijn in diverse sectoren waar met robots gewerkt wordt. Het doel van deze Top-up aanvraag is tweeledig: 1) Het vergroten van de zichtbaarheid van de resultaten uit het initiële RAAK-project, zowel richting onderwijs, onderzoek en beroepspraktijk. 2) Het realiseren van trainingsmateriaal t.b.v. het rekening houden met en veilig ontwerpen van cobotsystemen. Door o.a. kennis aan te dragen omtrent het doen van een correcte risico analyse van het proces. Dit zal bij toekenning stapsgewijs uitgevoerd worden: 1. Definiëren inhoud lesmodules en bijbehorende didactische werkvormen 2. Realisatie PR- & instructievideo's en onderwijsopdrachten 3. Realisatie E-learning lesmodule Dit alles gekoppeld aan het open-acces e-learning platform Open Learning Labs van Fontys.
Robots kennen een toenemende toepassing in de industrie. We kennen ze als de zware industriële lasrobots tot cobots. Ze worden ingezet om verschillende bedrijfsdoelen te realiseren: 24/7 kunnen opereren, zwaar werk overnemen, tekort aan arbeidskracht opvangen, kwaliteit verhogen, enz. Er zijn overduidelijke redenen waarom Robotiseren voor een bedrijf meerwaarde brengt. Bij de invoering en in de bedrijfsvoering komen we tal van uitdagingen tegen. De kennis de medewerkers hebben is vaak ten dele expliciet gemaakt, maar zit voor een cruciaal deel in de hoofden van de medewerkers. Die kennis is wel nodig om een robot goed te instrueren en te programmeren. Daarnaast functioneert een robot altijd in een groter proces. Capaciteit en kwaliteit van een robot moeten zijn afgestemd op de rest van het proces anders levert de robot niet de juiste hoeveelheid en/of kwaliteit. Met de tijd verandert de vraag uit de markt. Nieuwe (varianten van) producten vragen een andere instructie of programma. De aanpassing daarvan is lastig en vergt veel tijd. Om succesvol met robotoplossingen aan de slag te kunnen is het belangrijk de robotoplossing niet te kiezen en ontwerpen gebaseerd op een kleine fysieke handeling productie of assemblage. Het is beter het gehele proces inclusief informatiestromen mee te nemen, samen met kennisinfrastructuur, en het onderhouden en continu verbeteren. Deze integrale aanpak staat nog in de kinderschoenen. Anders dan bij bijvoorbeeld procesinrichting en -verbetering is er geen raamwerk (zoals Lean). Het gevolg is suboptimale en soms stilstaande robots. In dit project worden tests uitgevoerd om knelpunten bij de integrale benadering van robotoplossingen in kaart te brengen. Dit vormt de basis voor een vervolgproject waarbij een raamwerk voor integraal robotiseren wordt ontwikkeld.
Mkb’ers in de maakindustrie willen stappen zetten in het produceren van kleine productseries met behulp van collaboratieve robots. Zij weten echter niet waar ze moeten beginnen. Tien mkb’ers en zes kennisinstellingen hebben daarom hun krachten gebundeld om robotisering voor flexibele productie te realiseren in de dagelijkse mkb praktijk. De huidige praktijk bij de deelnemende mkb’ers wordt gekenmerkt door robotsystemen die één kunstje kunnen doen en daarmee geschikt zijn voor massa productie. Deze bedrijven moeten het echter niet hebben van massaproductie, maar zijn vooral sterk in kleine series van op maat gemaakte producten. Dat vraagt om een uiterst flexibel productiesysteem en stelt specifieke eisen aan de implementatie van robottechnologie. In een uitgebreid proces van vraagarticulatie zijn de behoeften en eisen van de tien mkb’ers opgehaald en geconcretiseerd: (1) snel kunnen omstellen; (2) optimaal benutten van de kwaliteiten van robot en productiemedewerkers (3) inrichting van een mens-robot samenwerking voor de productie van kleine series (4) het voorbereiden van productiemedewerkers voor de mens cobot samenwerking. De bedrijven hebben samen met kennisinstellingen de afgelopen jaren samengewerkt aan een kennisagenda om robotiseren voor flexibele productie te realiseren. In het voorliggende project focussen we op het ontwerpen en implementeren van een robuuste, interdependente mens-robot samenwerking voor flexibele productie waarin optimaal gebruik wordt gemaakt van zowel de robottechnologie als de productiemedewerkers (joint optimization). We beantwoorden de volgende hoofdvraag: hoe kunnen mkb’ers een interdependente mens-robot samenwerking realiseren waarmee zij in staat zijn om kleine series producten te produceren? Evident is namelijk geworden dat flexibele productie een nauwe afstemming vereist van de kwaliteiten van de robot (zoals betrouwbaarheid, snelheid) en de kwaliteiten van de productiemedewerker (zoals flexibiliteit en snel kunnen omschakelen). In dit project zetten we concrete stappen in het ontwerpen, proefdraaien, implementeren en monitoren van een mens-robot samenwerking voor flexibele productie.
