Optimalizace spotřeby energie robotických buněk využitím metod strojového učení

Abstract

Energy efficiency in industry is an increasingly important topic, especially in the context of higher electricity costs and the drive for environmentally sustainable production. As industrial robots are a large consumer of energy, it is essential to find ways to make their operation more efficient. This thesis extends the use of the Process Simulate eRobot plugin, which currently only supports power optimization for robots made by KUKA, due to the way energy profiles are obtained. We propose a new method for obtaining these profiles using machine learning. These profiles can then be used in the eRobot plugin for energy optimization. Experimental results show that the new approach is comparable to the existing one in terms of energy savings, suggesting wider applicability to other robotic systems.

Energetická účinnost v průmyslu je stále důležitější téma, zejména v souvislosti s vyššími náklady na elektřinu a snahou o ekologicky udržitelnou výrobu. Protože jsou průmysloví roboti velkým spotřebitelem energie, je nezbytné najít způsoby, jak jejich provoz zefektivnit. Tato práce se zabývá rozšířením využití Process Simulate eRobot pluginu, který v současné době podporuje optimalizaci spotřeby pouze pro roboty od výrobce KUKA, a to kvůli způsobu získávání energetických profilů. Navrhujeme novou metodu získávání těchto profilů využívající strojového učení. Tyto profily mohou být následně využity v eRobot pluginu pro energetickou optimalizaci. Experimentální výsledky ukazují, že nový přístup je srovnatelný se stávajícím v míře energetické úspory, což naznačuje širší použitelnost pro jiné robotické systémy.