Optimizing task placement in robotic cells

Résumé

Le but de la présente étude est d’améliorer l’efficacité des cellules robotisées dans divers domaines d’application en optimisant l’emplacement de la tâche. Le problème de placement de tâche est examiné pour quatre cas : (a) un robot sériel, (b) un robot sériel et un parallèle avec une table rotative, (c) un robot et un module externe redondant à un degré de liberté (ddl) avec planification des trajectoires et (d) un robot avec un placement discret des tâches. La premier cas est étudié comme un cas particulier du deuxième cas. Pour avoir une estimation approximative du meilleur emplacement possible, une approche créative basée sur la géométrie est tout d’abord utilisée pour trouver un emplacement suffisant pour la tâche afin de maximiser l’espace de travail accessible. Ensuite, des approches numériques pour une exécution optimale des tâches pour plusieurs fonctions objectives sont introduites. Pour le deuxième cas, une méthode d’optimisation utilisant le Particle Swarm Optimization (PSO) est introduite afin d’optimiser simultanément la planification de la trajectoire et le placement d’un chemin donné dans une cellule de travail robotique redondante pour une application de placement de fibre automatisé. La cellule de travail consiste en un manipulateur sériel à six ddl, un manipulateur parallèle à six ddl et une table rotative montée sur le manipulateur parallèle. Comme la cellule de travail dispose de treize ddl, il faut résoudre la redondance cinématique. La solution sera obtenue en tenant compte des singularités du manipulateur sériel et des limites de l’espace de travail de tous les manipulateurs. L’algorithme permettant d’obtenir le placement optimal du chemin est expliqué par un exemple simple et le résultat d’un chemin en hélice autour de la pièce est représenté. Pour le troisième cas, une nouvelle méthode est proposée pour identifier le nombre de paramètres indépendants afin d’optimiser l’emplacement d’un chemin de pose de la colle pour une cellule robotique redondante. La cellule robotique consiste en un manipulateur sériel à six ddl et à un module actioné à un ddl. La pièce est attachée au module, mais le module n’est pas attaché au manipulateur sériel. Deux cas de module sont étudiés, à savoir une table rotative et un guide linéaire. En général, six paramètres sont nécessaires pour placer un chemin sur le module et six paramètres pour placer le module dans l’espace de travail du manipulateur sériel. Cependant, en raison des symétries et du degré de redondance impliqués dans le problème, les douze paramètres ne peuvent pas tous affecter de manière indépendante la décision de placement. Par conséquent, il est important d’identifier le nombre de paramètres indépendants afin d’améliorer l’efficacité du processus d’optimisation du placement. Une méthode innovante utilisant le volume balayé est proposée pour déterminer le nombre de paramètres indépendants pour les deux cas étudiés, à savoir la table rotative et le guide linéaire, en tenant et en ne tenant pas compte les limites articulaires. Le processus d’optimisation est appliqué et les résultats de l’utilisation des douze paramètres, par opposition aux seuls paramètres indépendants, sont comparés. De plus, les performances de la table rotative sont comparées à celles du guide linéaire, pour l’application de colle sur un masque. Pour le quatrième cas, l’objectif est d’améliorer l’efficacité d’une cellule robotique utilisée pour l’inspection des aubes de turbine en optimisant l’emplacement de la caméra de contrôle et en optimisant la séquence des images. La cellule robotique contient un manipulateur sériel à six ddl qui tient l’aube et la montre à la caméra sous différents angles. La caméra prend des images d’inspection. Le problème à résoudre consiste en une optimisation continue à six ddl pour le placement de la caméra et en une optimisation combinatoire discrète de la séquence d’images. Une nouvelle approche combinée est introduite, appelée optimisation dynamique des essaims de Particle Swarm Optimization (BD-PSO), afin d’obtenir simultanément la conception optimale pour les deux domaines. L’objectif est de minimiser le temps de cycle, tout en évitant les collisions dans la cellule de travail lors de l’inspection. Bien que PSO soit largement utilisé dans les problèmes d’ingénierie, la méthode d’optimisation combinatoire proposée présente une nouveauté : sa capacité à être utilisée efficacement dans les problèmes des vendeurs itinérants, où les distances entre les villes sont inconnues (aveugle) et les distances sont variables (dynamique). Ce domaine hautement imprévisible est le cas de la cellule d’inspection où le temps de cycle entre les images changera pour différents emplacements de la caméra. Le temps de cycle est calculé sur la base du temps de parcours mixte pondéré du robot. Les huit configurations du robot sont prises en compte, par conséquent, la configuration du robot est également optimisée dans le résultat final.

Date	6 juin 2019
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Ilian Bonev (Directeur(-trice)) & Lionel Birglen (Codirecteur(-trice))