Intuitive Roboterprogrammierung

Die global verteilte Herstellung von Gütern führt zu einem wachsenden, die Welt umspannenden logistischen Netz. Um den Herausforderungen gerecht zu werden gilt es, die Effizienz der Logistikkette und der Teilprozesse innerhalb der logistischen Kette stetig zu verbessern. Der Einsatz von Automatisierungstechnologien wie Industrierobotern gilt hierfür als ein möglicher Ansatz. Besonders die Entwicklung von Systemen, die sich auf wandelbare Rahmenbedingungen anpassen können, ist mit hohen Aufwänden verbunden. Dazu wurde eine Strategie zur intuitiven und flexiblen Roboterprogrammierung und -steuerung entwickelt.

Industrieroboter, wie exemplarisch in Bild 1 dargestellt, werden in der Produktion bereits seit den siebziger Jahren erfolgreich zur Automatisierung verschiedenster Produktions- und Fertigungsschritte eingesetzt [1]. Besonders in der Automobilproduktion konnte ein hoher Automatisierungsgrad erreicht werden. Die durch die Roboter automatisierten Prozessschritte dienen der Produktion von Massengütern und zeichnen sich durch stetig wiederkehrende Bewegungsabläufe aus, so dass die große Wiederholgenauigkeit der Roboter an dieser Stelle besonders vorteilig ist [2]. Durch die stetige Weiterentwicklung der Systeme, hier ist besonders die Erhöhung der Traglasten und Arbeitsgeschwindigkeiten bei gleichzeitiger Reduktion der Kosten zu nennen, wurden große Optimierungspotenziale ausgeschöpft [3].

Im Gegensatz zu den obengenannten automatisierten Aufgabenstellungen in der Produktion sind in der Logistik viele Prozessparameter von einer hohen Varianz gekennzeichnet. Diese kann sich u.a. auf die Vielzahl unterschiedlicher, zu handhabender Güter, auf die äußeren Rahmenbedingungen oder die zu erwartende Gesamtauslastung der Anlage beziehen. Aus diesem Grund konnten Automatisierungsstrategien, die sich in der Produktion bereits bewährt haben, bisher nur bedingt auf logistische Aufgabenstellungen übertragen werden [4, 5]. Typische Anwendungen der Robotik im Bereich „Intralogistik“ sind Palettier-, Depalettier-, Kommissionier- und Sortieraufgaben, die sich durch eine hohe Wiederholrate und standardisierte Stückgüter auszeichnen [6].

Logistische Aufgaben mit hoher Varianz in den Prozessparametern, wie unter anderem die Be- und Entladung von Containern, können nur durch hochkomplexe Erkennungs- und Handhabungssysteme zufriedenstellend automatisiert werden [7]. Die Einsatzmöglichkeiten von Standard-Industrierobotern wurden durch stetige Weiterentwicklung der Technologie im Bereich der Antriebstechnik und Schnittstellen sowie roboterspezifischer Subkomponenten, wie beispielsweise zur Objekterkennung, immer vielfältiger [8]. Dennoch erfordert die Entwicklung derart hochtechnisierter Anlagen einen hohen monetären Einsatz und führt besonders vor dem Hintergrund einer schwankenden Anlagenauslastung zu einer nicht eindeutig kalkulierbaren, risikobehafteten Wirtschaftlichkeit der Investition.

Hier weiterlesen

Das könnte Sie auch interessieren

R-Grading in Factory-X: Infrastruktur für Zirkularität Daten als Schlüssel für langlebige Maschinen und Komponenten

Gebrauchte Maschinenkomponenten werden heute oft noch nach Erfahrung statt auf Basis valider Daten weiterverwendet, repariert, aufgearbeitet oder recycelt. Der sichere Austausch von Nutzungs- und Zustandsdaten entlang der gesamten Wertschöpfungskette ermöglicht fundierte R-Entscheidungen, schafft Transparenz entlang der Wertschöpfungskette und unterstützt eine ressourcenschonende Kreislaufwirtschaft mit mehr Effizienz und weniger Materialverlust.

Plug&Play für Produktionsmodule – geht das? MTP als Potential für die Produktion

MTP verspricht mehr als eine vereinfachte Maschinenintegration: Produktionsmodule sollen ihre Funktionen und Schnittstellen standardisiert und maschinenlesbar bereitstellen – ähnlich wie Plug & Play in der Bürowelt. Doch wie schnell lässt sich die Technologie erlernen und praktisch einsetzen? Ein Bildungsexperiment an der Hochschule Pforzheim liefert überraschende Erkenntnisse und zeigt das Potenzial von MTP für den Maschinen- und Anlagenbau.

Die Fabrik als Ökosystem Von digitalen Ideen zur industriellen Anwendung

Die Produktion der Zukunft ereignet sich nicht auf einem starren Fließband, sondern in einem dynamischen, resilienten Netzwerk. Doch wie gelingt Unternehmen der Sprung von der Theorie Digitaler Zwillinge, Verwaltungsschalen und Künstlicher Intelligenz (KI) in die industrielle Praxis? Die SmartFactory-KL demonstriert mit ihrer Modellfabrik ein herstellerübergreifendes Demonstratorökosystem, das als reale Lernfabrik fungiert.

Universität Potsdam gewinnt Silber in Kategorie KI Factory Innovation Award 2026 | Forschung | Die selbstlernende Fabrik: KI entscheidet mit

Die selbstlernende KI-Fabrik der Universität Potsdam verbindet Maschinen, Prozesse und Unternehmensplanung zu einem durchgängigen Entscheidungssystem. Statt lediglich Daten auszuwerten, erkennt die KI Zusammenhänge über Systemgrenzen hinweg, simuliert Handlungsoptionen und optimiert Abläufe autonom. So entsteht eine neue Ebene der Entscheidungsunterstützung für die industrielle Produktion.

Agil planen, flexibel fertigen Effiziente Prozesse bei hoher Variantenvielfalt

In der Serienmontage bestimmt die Austaktung, welcher Arbeitsvorgang an welchem Arbeitsplatz erfolgt. Doch moderne Montagelinien werden immer komplexer: Mehrere Modelle und zahlreiche Varianten laufen parallel auf derselben Linie. Dadurch steigt die Zahl der Arbeitsvorgänge und möglichen Zuordnungen stark an. Schon kleine Änderungen bei Variantenmix, Arbeitsinhalten oder Taktzeiten können die Belastung einzelner Stationen deutlich verschieben.

Der neue Kollege im Shopfloor KI-Assistenzsysteme stärken Fachkräfte im Mittelstand

Viele mittelständische Produktionsunternehmen können ihre Fertigung noch nicht vollständig automatisieren. Gleichzeitig eröffnen Fortschritte in Robotik und KI neue Möglichkeiten, Prozesse schrittweise intelligenter und flexibler zu gestalten. Intelligente Mensch-Technik-Systeme verbinden die Erfahrung und Kompetenz der Mitarbeitenden mit digitalen Assistenzsystemen direkt am Shopfloor. Sie unterstützen bei komplexen Aufgaben, erleichtern den schnellen Zugang zu Wissen und helfen dabei, Fehler zu vermeiden. So lassen sich Produktivität und Qualität steigern – auch in gewachsenen Produktionsumgebungen, in denen eine vollständige Automatisierung nicht wirtschaftlich oder technisch sinnvoll ist.