Bachelor/Masterarbeit zu datengetriebener Energiemodellierung von Industrierobotern zur energieeffizienten Trajektorienoptimierung

Datengetriebene Energiemodellierung von Industrierobotern zur energieeffizienten Trajektorienoptimierung
AnsprechpartnerName:  Dr.-Ing. Christoph Henke (IfU) Email: christoph.henke@ifu.rwth-aachen.de Art der Arbeit: Bachelor- & Masterarbeit

Der zunehmende Einsatz von Industrierobotersystemen in der Automobilproduktion geht mit einem erheblichen Energiebedarf einher. Konventionelle Trajektorienplanung optimiert primär Zykluszeiten und Bewegungspräzision, ohne den Energieverbrauch der Antriebe, Getriebe und Steuerungskomponenten explizit zu berücksichtigen. Dabei bietet insbesondere die Trajektoriengestaltung – durch Anpassung von Geschwindigkeits- und Beschleunigungsprofilen entlang vorgegebener Bewegungspfade – erhebliches Potenzial zur Reduktion des Gesamtenergieverbrauchs. Datengetriebene Ansätze zur Energiemodellierung ermöglichen es, das komplexe, nichtlineare Energieverhalten realer Robotersysteme durch Modelle auf Basis gemessener Betriebsdaten abzubilden. Solche Modelle fangen Effekte wie Reibung, Trägheit und temperaturabhängige Verluste ab, die in rein analytischen Modellen schwer zu parametrieren sind. Kombiniert mit einer leistungsfähigen Simulationsumgebung wie Drake – einem toolchain für rigoroses modellbasiertes Design und Optimierung dynamischer Systeme – lassen sich so energieoptimale Trajektorien systematisch planen und validieren.

Ziel der Arbeit ist es, ein datengetriebenes Energiemodell für industrielle Robotersysteme zu entwickeln, zu validieren und in den Trajektorienplanungsprozess der Drake Simulationsumgebung zu integrieren. Auf dieser Basis sollen energieeffiziente Trajektorien für typische Bewegungsaufgaben in der Automobilproduktion (z. B. Füge-, Handhabungs- und Schweißprozesse) berechnet und mit konventionellen Planungsansätzen verglichen werden. Konkret umfasst die Arbeit die systematische Erhebung von Energieverbrauchsdaten, die Entwicklung und den Vergleich datengetriebener Modellierungsansätze (z. B. Gaussian Process Regression) sowie deren Integration als Kostenfunktion in Drake zur Berechnung und Evaluation energieeffizienter Trajektorien – ergänzt durch eine Sensitivitätsanalyse zum Einfluss variierender Trajektorienparameter und Nutzlastkonfigurationen.

Voraussetzungen:

• Laufendes Bachelor- bzw. Masterstudiumstudium in Computer Engineering Sciences, Maschinenbau, Wirtschaftsingenieurwesen o. ä. Fachrichtungen
• Vorerfahrungen in der Robotik, Modellierung, Algorithmenentwicklung und dem maschinellen Lernen
• Eigenständige Arbeitsweise und Motivation
• Programmierkenntnisse (Python, C++) & erste Erfahrungen mit ROS und Linux von Vorteil

Wir bieten:

• Die Möglichkeit sich in ein hochrelevantes Themenfeld an der Schnittstelle zwischen Robotik und maschinellen Lernens einzuarbeiten und theoretische Grundlage an realen Robotersystemen umzusetzen
• Regelmäßige Betreuung & Relevanz der Arbeit durch die Anbindung an ein laufendes Forschungsprojekt
• Hervorragende Arbeitsatmosphäre in einem hochmotivierten Team