Jonas Benjamin Weigand

• Industrial robots are vital in automation technology, but their limitations become evident in applications requiring high path accuracy. This research focuses on improving the dynamic path accuracy of industrial robots by integrating additional sensor technology and employing intelligent feed-forward control. Specifically, the inclusion of secondary encoder sensors enables explicit measurement and compensation of robot gear deformations. Three types of model-based feed-forward controllers, namely physics-based, data-based, and hybrid, are developed to effectively counteract dynamic effects. Firstly, a physics-based feed-forward control method is proposed, explicitly modeling joint deformations, hydraulic weight compensation, and other relevant features. Nonlinear friction parameters are accurately identified using a globally optimized design of experiments. The resulting physics-based model is fully continuously differentiable, facilitating its transformation into a code-optimized flatness-based feed-forward control. Secondly, a data-based feed-forward control approach is introduced, leveraging a continuous-time neural network. The continuous-time approach demonstrates enhanced model generalization capabilities even with limited data. Furthermore, a time domain normalization method is introduced, significantly improving numerical properties by concurrently normalizing measurement timelines, robot states, and state derivatives. Based on previous work, a method ensuring input-to-state and global-asymptotic stability is presented, employing a Lyapunov function. Model stability is enforced already during training using constrained optimization techniques. Moreover, the data-based methods are evaluated on public benchmarks, extending its applicability beyond the field of robotics. Both the physics-based and data-based models are combined into a hybrid model. Comparative analysis of the three models reveals that the continuous-time neural network yields the highest model accuracy, while the physics-based model delivers the best safety properties. The effectiveness of all three models is experimentally validated using an industrial robot.
• Industrieroboter sind in der Automatisierungstechnik weit verbreitet. Für Anwendungen, welche eine hohe Präzision erfordern, stoßen Industrieroboter jedoch an ihre Grenzen. Diese Arbeit verfolgt den Ansatz, die dynamische Bahngenauigkeit von Industrierobotern durch zusätzliche Sensorik und eine intelligente Vorsteuerung zu verbessern. Dabei wird eine abtriebsseitige Sensorik integriert, welche die Verformung von Robotergetrieben explizit messen und kompensieren kann. Um darüber hinaus dynamischen Effekten entgegen zu wirken, wird eine physikbasierte, eine datenbasierte und eine hybride Vorsteuerung entwickelt und evaluiert. Erstens wird eine physikbasierte Vorsteuerung entwickelt, welche explizit die Gelenkverformungen, den hydraulischen Gewichtsausgleich und andere relevante Eigenschaften modelliert. Nicht lineare Reibungsparameter werden durch eine global optimierte Versuchsplanung präzise identifiziert. Das nicht lineare physikbasierte Modell ist vollständig stetig differenzierbar und kann dadurch in eine codeoptimierte flachheitsbasierte Vorsteuerung überführt werden. Zweitens wird eine datenbasierte Vorsteuerung entwickelt, welche auf einem zeitkontinuierlichen neuronalen Netz basiert. Der zeitkontinuierliche Ansatz zeigt eine Verbesserung der Generalisierungsfähigkeit, selbst bei einer begrenzten Datenmenge. Erweitert wird der Ansatz um eine Normalisierungsmethode im Zeitbereich, welche die numerischen Eigenschaften deutlich verbessert, in dem die Zeitpunkte der Messungen, die Zustände des Roboters sowie deren Abteilungen gemeinsam normalisiert werden. Aufbauend auf Vorarbeiten wird zudem eine Methode zur Garantie von Input-To-State und Global-Asympotischer-Stabilität vorgestellt, welche auf einer Lyapunov Funktion basiert. Mittels beschränkter Optimierungsverfahren kann die Stabilität bereits während des Trainings garantiert werden. Die Arbeiten zur datenbasierten Modellierung werden zusätzlich auf Anwendungen getestet, welche über den Bereich der Robotik hinaus gehen. Das physikbasierte und datenbasierte Modell werden zu einem hybriden Modell kombiniert. Der Vergleich der drei Modelle zeigt, dass das zeitkontinuierliche neuronale Netzwerk eine überlegene Modellgenauigkeit liefert, während das physikbasierte Modell hervorragende Sicherheitseigenschaften aufweist. Die Effektivität aller drei Modelle wird anhand eines Industrieroboters experimentell nachgewiesen.