Тип публикации: статья из журнала
Год издания: 2023
Идентификатор DOI: 10.21285/1814-3520-2023-4-664-681
Ключевые слова: robotics, robotic assembly, grasp, strain gauge torque control, wireless data transmission, force-torque sensor, робототехника, роботизированная сборка, захват, тензометрический контроль момента, беспроводная передача данных, силомоментный датчик
Аннотация: Цель - разработать концепцию робототехнического комплекса, выполняющего установку деталей и их закрепление с использованием резьбовых соединений роботом-манипулятором. Экспериментальный стенд был реализован на базе промышленного робота-манипулятора KUKA KR6 R900. Управляющая программа для робота выполнена на языке Kuka Robot LanguaПоказать полностьюge, предлагаемые исполнительные механизмы являются авторской разработкой. Предложены два варианта исполнительного устройства с контролем затяжки винтов. Первое устройство использует вращательное движение фланца кисти робота-манипулятора для затягивания винтов. Второе с одной стороны имеет захват для установки деталей на изделии, с другой стороны - приводной инструмент с заданным предельным моментом затяжки. Показано, что оба исполнительных устройства обеспечивают выполнение полного цикла завинчивания крепежного элемента в деталь от наживления до затяжки с требуемым усилием. В первом устройстве для контроля усилия затяжки используется тензобалка, сигнал с которой обрабатывается микроконтроллером Arduino Mini, расположенным во вращающемся устройстве. Сигнал отправляется по беспроводному интерфейсу на стационарный контроллер, посылающий стоп-сигнал на робота. Экспериментальным путем установлено, что из-за наличия беспроводного интерфейса при передаче сигнала наблюдается некоторая задержка между достижением предельного значения момента и остановкой вращения робота, в результате чего значение фактически достигаемого момента может превышать установленное на 60%. Во втором приспособлении, где ограничение крутящего момента происходит по току в двигателе привода, выявлено, что абсолютная погрешность установки момента затяжки не превышает 0,8 Н·м в диапазоне от 0 до 25 Н·м или 3,03% (погрешность стандартных динамометрических ключей составляет около 4%). С целью более полного соответствия современным киберфизическим производственным системам планируется интеграция в данный комплекс интеллектуальных функций контроля процесса затяжки винтовых соединений на основе методов машинного обучения. In this work, we develop a conceptual scheme for a robotic complex to perform the installation of parts and their fastening using threaded joints by a robot manipulator. A test bench was created on the basis of a KUKA KR6 R900 industrial robot-manipulator. The robot control software was implemented using the KUKA Robot Language. The proposed actuators are the authors' original development. Two variants of the actuator with screw tightening control are proposed. The first actuating device uses the rotational motion of the robot hand flange to tighten the screws. The second actuating device is equipped, on one side, with a gripper for mounting parts on the product and, on the other side, with a drive tool with a predetermined tightening torque limit. It is shown that both actuating devices ensure a complete cycle of screwing a fastener into a workpiece, from engaging to tightening with the required torque. In the first device, the tightening force is controlled with a strain gauge, the signal from which is processed by an Arduino Mini microcontroller located in a rotating device. The signal is forwarded wirelessly to a stationary controller that sends a stop signal to the robot. It was experimentally established that, due to the presence of the wireless interface, some delay is observed between reaching the torque limit value and stopping the robot rotation during signal transmission. As a result, the value of the actually reached torque may exceed the set value by 60%. In the second device, where torque limitation is based on the current in the drive motor, the absolute error of the torque setting does not exceed 0.8 N·m in the range from 0 to 25 N·m or 3.03% (the error of standard torque wrenches is about 4%). In order to meet the requirements of state-of-the-art cyber-physical production systems, the proposed complex should be complemented with intelligent functions of controlling the process of tightening screw joints on the basis of machine learning methods.
Журнал: iPolytech Journal
Выпуск журнала: Т. 27, № 4
Номера страниц: 664-681
ISSN журнала: 27824004
Место издания: Иркутск
Издатель: Иркутский национальный исследовательский технический университет