Assembly Sequence Planning Using Deep Learning Approaches

Eine der Visionen von Industrie 4.0 ist, kundenindividuelle Massenproduktion durch flexible Produktionssysteme zu ermöglichen. Eine zentrale Herausforderung bei der Verwirklichung dieser Vision ist die effiziente Planung von Montagesequenzen für kundenspezifische Produktvarianten. Traditionell wurde die Planung von Montagesequenzen von Experten manuell durchgeführt, was zeitaufwendig und schlecht skalierbar ist. Diese Arbeit trägt zur Automatisierung und Optimierung der Montagesequenzplanung bei.

Ein Ansatz zur Automatisierung der Planung von Montagesequenzen ist die Assembly-by-Disassembly-Simulation. ... mehrDiese Methode beginnt mit dem vollständig montierten Produkt und entfernt iterativ einen Teil nach dem anderen. Nach jeder Entfernung führt das System zwei Überprüfungen durch: Zunächst wird geprüft, ob das Teil kollisionsfrei entfernt werden konnte; anschließend wird überprüft, ob die verbleibende Baugruppe stabil ist. Dies wird fortgesetzt, bis alle Teile entfernt sind. Durch die Umkehrung der Demontagesequenz ergibt sich dann eine Montagesequenz. Diese Umkehrung ist möglich, wenn keine irreversiblen Verbindungstechniken wie Schweißen oder Kleben eingesetzt werden. Obwohl allgemeingültig, steht die Assembly-by-Disassembly-Methode vor einer kombinatorischen Explosion und kann für eine Baugruppe mit $N$ Teilen bis zu $N^2$ Tests erfordern.

Um die Effizienz der Planung durchführbarer Montagesequenzen zu verbessern, schlagen wir eine graphbasierte Darstellung der Baugruppe vor und nutzen ein Graph Neural Network, um die Entfernbarkeit der Teile vorherzusagen. Diese Vorhersagen werden dann in einen Graphsuchalgorithmus integriert, der das Testen von Teilen mit hoher vorhergesagter Entfernbarkeit priorisiert. Mit diesem Ansatz konnten wir die Anzahl der fehlgeschlagenen Entfernungstests im Vergleich zu traditionellen Assembly-by-Disassembly-Ansätzen deutlich reduzieren.

Hersteller benötigen oft nicht nur durchführbare Sequenzen, sondern wollen diese auch für spezifische Ziele optimiert haben. Die Suche nach optimalen Montagesequenzen steht jedoch vor einer noch größeren kombinatorischen Herausforderung, d.h. im schlimmsten Fall müssen $N!$ Sequenzen bewertet werden. Für diese Einzelzieloptimierung schlagen wir ein Framework vor, das Monte Carlo Tree Search (MCTS) mit Deep Q-learning kombiniert. Bei der Evaluierung auf Datensätzen von Aluminiumprofil-Baugruppen übertraf dieser Ansatz konsequent reines MCTS bei der Minimierung der Gesamtlänge des Entfernungspfads.

Darüber hinaus wollen Hersteller oft mehrere Ziele gleichzeitig optimieren. Typische Ansätze verwenden lineare Kombinationen von Zielen, was jedoch weniger Einblicke in die Kompromisse zwischen verschiedenen Zielen bietet und potenziell wertvolle Lösungen übersehen kann. Um diesen Einschränkungen zu begegnen, erweitern wir unser Framework auf Mehrzieloptimierung. Konkret verwenden wir mehrere Q-Funktionen, um eine mehrzielorientierte Variante von MCTS zu Pareto-optimalen Montagesequenzen zu führen. Dies bietet Herstellern eine Menge nicht-dominierter Lösungen, die klare Einblicke in die Kompromisse zwischen den verschiedenen Zielen ermöglichen. Experimente mit Soma-Würfeln zeigen die Effektivität des Ansatzes bei der gleichzeitigen Maximierung der geometrischen Zugänglichkeit und der Minimierung von Richtungswechseln.

Eine bedeutende Herausforderung bei der Durchführung dieser Forschung ist die Verfügbarkeit geeigneter Datensätze. Bestehende Datensätze für mechanische Baugruppen enthalten oft keine detaillierten Informationen über ihre Montage, z.B. welche Werkzeuge erforderlich sind oder wie viele Roboter-Manipulatoren benötigt werden. Im Gegensatz dazu bieten Montage-Benchmarks diese Informationen, weisen jedoch oft nur eine begrenzte Vielfalt auf. Um dies anzugehen, werden zwei Baugruppen-Generatoren entwickelt: einer für 3D-Aluminiumprofil-Baugruppen, die von einem einzelnen Roboter-Manipulator montiert werden können, und ein weiterer für Soma-Würfel beliebiger Größe.

One of the visions of Industry 4.0 is to enable mass customization through flexible production systems. A key challenge in realizing this vision is efficiently planning assembly sequences for customized product variants. Traditionally, assembly sequence planning (ASP) has been performed manually by experts, but this process is time-consuming and does not scale well. This work contributes to the automation and optimization of ASP.

One approach to automate ASP is through Assembly-by-Disassembly (AbD) simulation. This method starts with the fully assembled product and iteratively removes parts one by one. ... mehrAfter each part is removed, the system performs two checks: first, it tests whether the part could be removed without collisions; second, it verifies that the remaining assembly is stable. This continues until all parts have been removed. Inverting the disassembly sequence then provides an assembly sequence. This inversion is possible if no irreversible joining methods, such as welding or gluing, are used. While general, AbD faces a combinatorial explosion and may require up to $N^2$ tests for an assembly with $N$ parts.

To improve the efficiency of feasible ASP, we propose a graph-based assembly representation and use a Graph Neural Network to predict part removability. We then incorporate these predictions into a graph search algorithm that prioritizes testing parts with high predicted removability. With this approach, we could significantly reduce the number of unsuccessful removal tests compared to traditional AbD approaches.

Manufacturers often require not only feasible sequences but also want them to be optimized for specific objectives. However, searching for optimal assembly sequences faces an even greater combinatorial challenge, i.e., in the worst case, $N!$ sequences must be evaluated. We address single-objective optimization with a framework that combines Monte Carlo Tree Search (MCTS) with Deep Q-learning. When evaluated on datasets of aluminum profile assemblies, this approach consistently outperformed vanilla MCTS in minimizing total removal path length.

Additionally, manufacturers often want to optimize multiple objectives simultaneously. Typical approaches employ linear combinations of objectives, but this provides less insight into the trade-offs between different objectives and may overlook potentially valuable solutions. To address these limitations, we extend our framework to multi-objective optimization. Specifically, we use multiple Q-functions to guide a multi-objective variant of MCTS towards Pareto-optimal assembly sequences. This provides manufacturers with a set of non-dominated solutions that offer clear insights into trade-offs. Experiments on Soma cube assemblies demonstrated the effectiveness of our approach in simultaneously optimizing geometric accessibility and minimizing direction changes.

A significant challenge to conducting this research is the availability of suitable datasets. Existing mechanical assembly datasets often lack detailed information about their assemblies, i.e., what tools are required or how many robotic manipulators are needed. In contrast, assembly benchmarks provide this information but have limited variety. To address this, we present two assembly generators: one for 3D aluminum profile assemblies that can be assembled by a single robotic manipulator and another for Soma cubes of arbitrary size.