English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Wandlungsfähige Produktionssysteme werden oft im Kontext von Effizienzsteigerungen trotz sinkender Losgrößen und steigender Produktvariationen diskutiert. Aber auch derzeit noch manuell ausgeführte Prozesse können durch automatisierte Produktionssysteme realisiert werden, sofern sie sich an veränderliche Aufgaben und Randbedingungen autonom anpassen können. Nachgelagerte Prozesse bei der additiven Fertigung, wie das Reinigen der Bauteile, das Entfernen von Stützstrukturen und das Bearbeiten von Funktionsflächen sind hierfür Beispiele. Der vorliegende Artikel stellt ein Konzept der autonomen Nachbearbeitung additiv gefertigter Bauteile vor. Es werden die Integration von Lernverfahren in die Steuerung einer modularen, NC-roboterbasierten Fertigungszelle vorgestellt und zwei Aspekte des Lernens adressiert: Zum einen das initiale Training eines künstlichen neuronalen Netzes anhand von Simulationsdaten und zum anderen die Modifikation der Lernstrategie für das fortgesetzte, kontinuierliche Lernen im Betrieb des Roboters. Das Ziel des Lernens ist die Steigerung der Robotergenauigkeit. Hierzu wird eine, in die Roboterzelle integrierte, 3D-Laserlinienscanstation eingesetzt. Durch Analyse der erfassten Bauteilgeometrie werden unsichere Modellparameter des Roboters geschätzt und der Robotersteuerung mit dem Ziel einer genaueren Fertigung zugänglich gemacht.

Lernende Roboter für die spanende Bearbeitung leicht zerspanbarer Materialien: Situativ optimale Robotermodelle