Adaptive Montageplanung für dynamische Entwicklungsumgebungen auf Basis einen Knowledge Graphen und PDDL

Kurzfassung

Die Planung robotergestützter Montageprozesse ist in variantenreichen und sich häufig ändernden Produktionsumgebungen nach wie vor mit erheblichem manuellem Aufwand verbunden. Dies gilt insbesondere für dynamische Anwendungsfelder wie die Drohnenfertigung, in denen Designanpassungen und wechselnde Anforderungen eine flexible Automatisierung erfordern. Zwar existieren Arbeiten zur automatischen Ableitung von Montagesequenzen aus CAD-Daten, zur semantischen Repräsentation von Wissen sowie zur symbolischen Planung mit PDDL . In der Praxis fehlen jedoch durchgängige Ansätze, die Produktinformationen direkt aus CAD-Baugruppen extrahieren, in einer formalen Planungsrepräsentation abbilden und mit den Fähigkeiten realer Roboter abgleichen, um unmittelbar ressourcenkompatible Montagepläne zu erzeugen. CAD-basierte Planung, wissensbasierte Fähigkeitsbeschreibung und Planungsverfahren werden oft isoliert betrachtet, obwohl ihre Kopplung entscheidend für adaptive Automatisierung ist. Der vorliegende Beitrag stellt einen ganzheitlichen Ansatz zur adaptiven robotisierten Montageplanung vor. Als Ausgangspunkt dienen 3D-CAD-Baugruppen, aus denen automatisch verbindungstechnische Informationen wie Partner, Art, Elemente und Constraints extrahiert werden. Diese Extraktion erfolgt auf Basis eines Knowledge Graphen, der geometrische, topologische und semantische Relationen modelliert und eine maschineninterpretierbare Repräsentation bereitstellt. Auf dieser Grundlage wird das Montageproblem formal in PDDL beschrieben und einem Solver zugänglich gemacht. Ergänzend zur Modellierung des Montageproblems (Zielzustand) wird der Systemzustand erfasst, inklusive verfügbarer Roboterfähigkeiten, Endeffektoren und der Lokalisierung von Bauteilen sowie Betriebszuständen der Aktoren. Technologische Basis hierfür ist die Asset Administration Shell (AAS) gemäß IEC 63278-1:2023 ein standardisiertes Digital-Twin-Modell. Das Capability-Description-Teilmodell der AAS ermöglicht die semantische Erfassung robotischer Skills (z. B. Greifen, Bewegen) und deren Bereitstellung über standardisierte REST-APIs. Diese AAS-basierten Capability-Modelle werden systematisch in PDDL-Aktionsbeschreibungen im Domainfile transformiert. Über eine zentrale AAS-Registry sind alle Ressourcen und Capabilities auffindbar. Somit können die semantisch beschriebenen produktseitigen Anforderungen mit der Wissensbasis über Roboterfähigkeiten abgeglichen werden. Das Matching erfolgt in zwei Ebenen: Erstens wird verknüpft, welche Endeffektoren benötigt werden („Was ist nötig?“). Zweitens wird verknüpft, welche Roboterfähigkeiten diese Anforderungen erfüllen können („Wie ist die Umsetzung realisierbar?“). Die Matchingergebnisse fließen in das PDDL-Problemfile ein, auf dessen Grundlage der Solver einen logisch gültigen und ressourcenkompatiblen Montageplan generiert. Der Gesamtansatz verbindet über einen durchgängigen Workflow CAD-Analyse, semantische Modellierung und ressourcenbewusste Planung. Die Validierung erfolgt an einer additiv gefertigten Starrflüglerdrohne, die mit zwei kooperierenden Roboterarmen montiert wird. Das System löst ein gemeinsames Montageproblem basierend auf den automatisch generierten Planungs- und Fähigkeitsmodellen. Der Beitrag demonstriert damit die technische Machbarkeit einer durchgängigen, solver-gestützten Montageplanung für adaptive Robotik. Die wesentliche Novität liegt in der integrierten Verknüpfung von CAD-basierter Informationsgewinnung, Knowledge-Graph-basierter Semantik, PDDL-Planung und fähigkeitsbasiertem Ressourcenmatching. Dieser belastbare Ansatz trägt maßgeblich zur Reduzierung manueller Planungsaufwände und zur Erhöhung der Adaptivität in der flexiblen Montageautomation bei.