Smart Assembly

01.10.2021 - 31.05.2024

Entwicklung eines neuartigen selbstlernenden Greifarmsystems durch Adaption von Reinforcement Learning Algorithmen zur Ergänzung bestehender Leichtbauroboter zur flexiblen Bestückung von Leiterplatten mit der Through Hole Technology (THT)

Problemstellung und Motivation

Bei der Bestückung von Leiterplatten in der Elektronikfertigung bestehen im Wesentlichen zwei Verfahren: die Oberflächenmontage (Surface Mount Technology – SMT) und die Durchsteckmontage (Through Hole Technology – THT). Die Oberflächenmontage lässt sich effizient automatisieren, ist kostengünstiger als die Durchsteckmontage und findet deswegen immer mehr Anwendung in der Industrie. Allerdings kann die Oberflächenmontage nicht für mechanisch beanspruchte Bauteile oder für Bauteile, durch die hohe Ströme fließen, angewandt werden. Außerdem halten THT-bestückte Leiterplatten höheren Temperaturen stand. Zuletzt lohnt sich die Oberflächenmontage erst bei hohen Stückzahlen, sodass bei kleineren Serien fast ausschließlich die Durchsteckmontage verwendet wird.

Bei der Durchsteckmontage ist oft keine automatische Bestückung möglich, weil die Bauteile, die eingebaut werden müssen, stark variierende geometrische und elastostatische Eigenschaften aufweisen und im Fügeprozess für Prozessabweichungen sehr empfindlich sind. Diese Haupthindernisse für eine Automatisierung der Durchsteckmontage können mit konventionellen Programmierverfahren wegen der Komplexität des Problems nicht mehr überwunden werden. Eine Nachprogrammierung und manuelle Anpassung der Steuerungssoftware für neue Produktlinien ist in der Praxis wegen hohem Aufwand und entsprechenden Kosten meist nicht realisierbar.

Diagramm, das verschiedene Typen von elektronischen Bauteilen und deren Montagearten zeigt. Oben links ist ein SMT-Bauteil (Surface Mount Technology) auf einer Platine montiert. Daneben rechts ein THT-Bauteil (Through-Hole Technology), ebenfalls auf einer Platine montiert. In der Mitte unten ist ein axiales Bauteil dargestellt, darunter eine Reihe von radialen Bauteilen. Rechts unten ist ein DIP-Bauteil (Dual In-line Package) abgebildet. — Abbildung 1 - Elektronische Bauteile für verschiedene Bestückungstechnologien (Auswahl)

Zielsetzung

Ziel des Projekts ist die Entwicklung eines flexiblen und lernenden Greifarmsystems, das auf bestehende Roboter aufgesetzt werden kann. Das Greifarmsystem wird für die Durchsteckmontage verschiedener Bauteilformen geeignet und auf mehreren verschiedenen Robotern montierbar sein. Die auf Reinforcement Learning basierende Steuerung wird den Programmierprozess durch einen Lernprozess ersetzen, sodass das System flexibel bei unterschiedlichen Bauteiltypen und Produktlinien ohne Nachprogrammierung einsetzbar ist.

Foto von zwei Roboterarmen, die über einer unscharfen elektronischen Platine arbeiten. Die Roboterarme sind weiß und haben präzise Werkzeuge an ihren Enden. Einer der Arme hat ein blaues Werkzeug, während der andere ein weißes Werkzeug mit einer Kamera oder einem Sensor besitzt. Die Platine liegt in einer schwarzen Halterung auf einer weißen Arbeitsfläche. Die Szene deutet auf einen automatisierten Montage- oder Inspektionsprozess in einer hochmodernen Produktionsumgebung hin. — Abbildung 2 - Robotergestützte Durchsteckmontage einer Leiterplatte

Vorgehensweise und Arbeitsteilung

Zum Anfang des Forschungsvorhabens Smart Assembly werden geeignete Reinforcement Learning Algorithmen und Lernansätze ermittelt, die zum Erlernen der Manipulation von THT-Bauteilen anhand von optischen und taktilen Daten erforderlich sind. Die entsprechende Sensorik wird unter Berücksichtigung der messtechnischen und der wirtschaftlichen Anforderungen zum Zweck der Validierung in einem realen Robotersystem ausgewählt.

Im Laufe des Projektes wird das Greifarmsystem mechanisch gestaltet und die dazugehörigen Hardwareschnittstellen und die Steuerung entwickelt. Auf die Universalität und die Übertragbarkeit der entwickelten Hardware und Software wird besonderer Wert gelegt.

Das von Robotermodellen und Standorten unabhängige verteilte Lernen wird erforscht und implementiert, um die Datensammlung zu beschleunigen. Somit wird eine hohe Übertragbarkeit der anonymisierten Lernerfahrungen zwischen den Systemanwendern und die Flexibilisierung der robotergestützten Durchsteckmontage für die gesamte Anwender-Community angestrebt.