Controllo Ottimo per Macchine Modulati

Abstract

Il progetto si propone come oggetto lo sviluppo di tecniche di controllo e pianificazione del moto basate su ottimizzazione numerica in combinazione con i più recenti algoritmi di Machine Learning (ML) per massimizzare le prestazioni di macchine industriali modulari in ambito Industry 4.0 garantendo, laddove richiesto, la sicurezza degli operatori.
Il progetto si pone i seguenti obiettivi:
1. sfruttare appieno la potenzialità, in termini di minimizzazione tempo ciclo e/o massimizzazione efficienza energetica, delle macchine industriali attualmente largamente sovradimensionate per garantire livelli di accelerazioni compatibili con pianificazioni del moto e algoritmi di controllo non ottimali.
2. garantire la sicurezza degli operatori penalizzando al minimo le prestazioni di macchine e robot collaborativi che attualmente assolvono tale compito riducendo drasticamente la velocità risultando cosí frequentemente non economicamente convenienti e rallentando l’impatto della robotica collaborativa in Industry 4.0.
3. sviluppare algoritmi che siano compatibili con macchine modulari, ovvero caratterizzate da diverse geometrie e cinematiche, e possibilità di riconfigurazione dei propri giunti. Per raggiungere tali obiettivi sarà prima selezionato un set di task rilevanti dal punto di vista economico e rappresentativi delle attività di un settore industriale sufficientemente importante coordinandosi con il soggetto sostenitore esterno. Successivamente saranno definiti Key Performance Indicators e metriche per fare una valutazione quantitativa e continua dei progressi dell’attività.
Le sfide teoriche e tecnologiche saranno affrontate attraverso lo sviluppo di nuovi approcci per la pianificazione e il controllo concentrandosi sull’esplorazione di algoritmi di ottimizzazione deterministici per fornire garanzie sul rispetto dei vincoli in combinazione con tecniche basate su model predictive control e ML per ottenere un’esecuzione del processo a run-time. I risultati saranno validati dapprima in simulazione e successivamente attraverso una estensiva campagna sperimentale.