Vorausschauende Beurteilung von Robotern

Die vorliegende Erfindung betrifft ein Verfahren und System zur vorausschauenden Beurteilung wenigstens eines Roboters. Aufgabe der vorliegenden Erfindung ist es, den Betrieb von Robotern zu verbessern.

Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1 gelöst. Ansprüche 10, 1 1 stellen ein System bzw. Computerprogrammprodukt zur

Durchführung eines hier beschriebenen Verfahrens unter Schutz. Die Unteransprüche betreffen vorteilhafte Weiterbildungen. Nach einer Ausführung der vorliegenden Erfindung umfasst ein Verfahren zur vorausschauenden Beurteilung eines oder mehrerer Ziel-Roboter die Schritte:

- Ermitteln von anomalen Zustandswerten des bzw. der Ziel-Roboter und/oder eines oder mehrerer, insbesondere typgleicher, weiteren Roboter;

- Klassifizieren der anomalen Zustandswerte in eine von mehreren Klassen;

- überwachtes maschinelles Lernen („supervised (machine) learning“) einer

Zuordnung zwischen Zustandswerten und den Klassen auf Basis bzw. in

Abhängigkeit von den klassifizierten anomalen Zustandswerten;

- Erfassen von Zustandswerten des bzw. der Ziel-Roboter; und

- Prognostizieren eines Zustands des bzw. der Ziel-Roboter auf Basis bzw. in

Abhängigkeit von diesen erfassten Zustandswerten und der maschinell gelernten Zuordnung.

Durch das anfängliche Ermitteln von anomalen Zustandswerten und deren

Klassifizieren bzw. Labein in Klassen kann eine Zuordnung zwischen Zustandswerten und den Klassen vorteilhaft überwacht maschinell gelernt und anschließend zum Prognostizieren eines zukünftigen Zustands des bzw. der Ziel-Roboter genutzt werden. Insbesondere können durch das Ermitteln von anomalen Zustandswerten gezielt zunächst Zustandswerte, die auf Fehler des bzw. der Roboter hinweisen bzw. aus solchen Fehlern resultieren, ermittelt und so das maschinelle Lernen der

Zuordnung verbessert werden, das einerseits bessere Prognosen als eine reine Anomaliedetektion liefern kann, andererseits regelmäßig eine große Datenbasis unterschiedlicher Klassen benötigt.

Dabei werden in einer Ausführung anomale Zustandswerte des bzw. der Ziel-Roboter selber ermittelt. Diese kann in einer Ausführung eine roboterspezifische Zuordnung zwischen Zustandswerten und den Klassen ermöglichen und so die Prognose verbessern.

Zusätzlich oder alternativ werden in einer Ausführung anomale Zustandswerte des bzw. der, insbesondere typgleichen, weiteren Roboter ermittelt. Hierdurch kann in einer Ausführung die Datenbasis vergrößert und/oder wenigstens teilweise bereits vor Inbetriebnahme des bzw. der Zielroboter generiert werden.

In einer Ausführung kann eine vorausschauende Beurteilung im Sinne der

vorliegenden Erfindung eine vorausschauende Überwachung, insbesondere eine Prognose bzw. vorausschauende Diagnose, in einer Ausführung eine

vorausschauende Fehlererkennung umfassen, insbesondere sein.

In einer Ausführung werden nicht als anomal ermittelte Zustandswerte der

Zustandswertemenge bzw. Datenbasis, aus der die anomalen Zustandswerte ermittelt werden, wenigstens teilweise in eine zusätzliche Klasse klassifiziert. Mit anderen Worten können die mehreren Klassen auch eine Klasse enthalten, in die keine (als) anomal( ermittelten Zustandswerte, sondern nur (als) normal( ermittelt)e bzw. nicht (als) anomal( ermittelt)e Zustandswerte klassifiziert werden. Hierdurch kann in einer Ausführung das anschließende bzw. auf dieser Klassifizierung basierende überwachte maschinelle Lernen verbessert werden.

In einer Ausführung können die (ermittelten) anomalen Zustandswerte und/oder die (zur Prognose) erfassten Zustandswerte (jeweils) Zeitverläufe („traces“) von, insbesondere elektrischen, thermischen, kinematischen und/oder dynamischen, ein oder mehrdimensionalen Zustandsgrößen des bzw. der jeweiligen Roboter aufweisen, insbesondere sein, in einer Ausführung Motorströme und/oder -Spannungen von Antriebsmotoren des bzw. der jeweiligen Roboter, Bauteil- und/oder Fluid-,

insbesondere Motor-, Getriebe- und/oder ähnliche Temperaturen des bzw. der jeweiligen Roboter, Achskoordinaten, -geschwindigkeiten und/oder höhere Zeitableitungen, Kräfte und/oder (Dreh)Momente, insbesondere an Achsen bzw.

Antrieben des bzw. der jeweiligen Roboter, und/oder Regel-, insbesondere

Schleppfehler. Hierdurch kann in einer Ausführung die Klassifizierung verbessert werden.

Zusätzlich oder alternativ können die (ermittelten) anomalen Zustandswerte und/oder die (zur Prognose) erfassten Zustandswerte (jeweils) statistische Kennwerte solcher Zeitverläufe aufweisen, insbesondere sein, in einer Ausführung Maximal-, Minimal-, Durchschnitts- bzw. Mittelwerte oder dergleichen. Hierdurch kann in einer Ausführung die Klassifizierung vereinfacht werden.

In einer Weiterbildung können die Zeitverläufe Zeitverläufe bei gleichartigen, insbesondere identisch vorgegebenen, Referenzfahrten aufweisen, insbesondere sein, in einer Ausführung Zeitverläufe, die bei gleichartigen Referenzfahrten an

verschiedenen Tagen, insbesondere in verschiedenen Wochen, aufgenommen werden bzw. worden sind. Bei gleichartigen Referenzfahrten können Fehler des Roboters in einer Ausführung deutlicher erkannt werden.

Zusätzlich oder alternativ können in einer Weiterbildung die Zeitverläufe Zeitverläufe im regulären Arbeitsbetrieb des bzw. der Ziel- bzw. weiteren Roboter aufweisen, insbesondere sein, in einer Ausführung Zeitverläufe, die im regulären Arbeitsbetrieb an verschiedenen Tagen, insbesondere in verschiedenen Wochen, aufgenommen werden bzw. worden sind. Durch die Verwendung von Zeitverläufen, die im regulären Arbeitsbetrieb aufgenommen werden, können in einer Ausführung Anomalien frühzeitig und/oder ohne Störung des regulären Arbeitsbetriebs ermittelt werden. In einer Ausführung können hierfür die Zeitverläufe von einer oder mehreren

Robotersteuerungen zum Hersteller des bzw. der Ziel-Roboter übertragen werden, insbesondere mittels Internet oder dergleichen. Ein regulärer Arbeitsbetrieb eines Roboters umfasst in einer Ausführung die Handhabung wenigstens eines Werkstücks und/oder -zeugs durch den Roboter, insbesondere den Transport und/oder die

Bearbeitung eines Werkstücks.

In einer Ausführung werden die anomalen Zustandswerte mittels eines

Anomaliedetektionsalgorithmus („anomaly detection“,„outlier detection“),

insbesondere mittels unüberwachtem maschinellen Lernen („unsupervised (machine) learning“) ermittelt. Vorteilhafte Anomaliedetektionsalgorithmen sind insbesondere Autoregressive Integrated Moving Average (ARIMA), time series fare out, break-out detection, Autoencoder oder Energy-based methods. Hierdurch können die anomalen Zustandswerte besonders vorteilhaft ermittelt werden.

Das überwachte maschinelle Lernen kann besonders vorteilhaft ein sogenanntes tiefgehendes Lernen („Deep Learning“) sein und/oder durch bzw. mithilfe eines künstlichen neuronalen Netzes durchgeführt werden. Gleichermaßen kann es vorteilhaft mithilfe sogenannter Support Vector Machines, Decision-Trees

bzw. -Forests oder dergleichen durchgeführt werden.

In einer Ausführung umfasst das Ermitteln von anomalen Zustandswerten die Schritte:

- Ermitteln von, insbesondere abgeschlossenen oder einseitig offenen,

Zeitintervallen anomaler Zustandswerte des bzw. der Ziel-Roboter und/oder weiteren Roboter auf Basis bzw. in Abhängigkeit von gleichartigen

Referenzfahrten; und

- Ermitteln von anomalen Zeitverläufen dieses bzw. dieser Roboter im regulären Arbeitsbetrieb auf Basis bzw. in Abhängigkeit von diesen, insbesondere innerhalb dieser, Zeitintervalle(n).

Durch die anfängliche Verwendung von gleichartigen Referenzfahrten zur Ermittlung von Zeitintervallen, in denen anomale Zustandswerte vorliegen, können diese

Zeitintervalle vorteilhaft, insbesondere einfach, zuverlässig und/oder schnell, ermittelt werden. Durch die anschließende Verwendung von Zeitverläufen des regulären Arbeitsbetriebs können dann darin Muster identifiziert werden, die in den Zeiträumen auftreten, in denen der bzw. die Roboter den bzw. die Fehler aufweisen, die zu den anomalen Zustandswerten bei den Referenzfahrten geführt haben. Hierdurch können einerseits die Anomalien bzw. Fehler einfach, zuverlässig und/oder schnell, ermittelt und andererseits dann auch im regulären Arbeitsbetrieb entsprechende Muster erkannt werden.

In einer Ausführung wird auf Basis ermittelter anomaler Zustandswerte ein Ermitteln weiterer anomaler Zustandswerte instruiert, die in eine von den Klassen klassifiziert und beim überwachten maschinellen Lernen berücksichtigt werden. Somit können in einer Ausführung bei Ermitteln anomaler Zustandswerte eine oder mehrere, insbesondere weitere, Referenzfahrten getriggert werden. Hierdurch kann bei Fehlern bzw. Anomalien eine breitere und/oder zuverlässigere Datenbasis genutzt werden.

In einer Ausführung werden die anomalen Zustandswerte auf Basis bzw. in

Abhängigkeit von einer Benutzereingabe und/oder auf Basis bzw. in Abhängigkeit von einer Inspektion des bzw. der Ziel- bzw. weiteren Roboter, klassifiziert, insbesondere auf Basis bzw. in Abhängigkeit von einer Inspektion durch Personal bzw. des

Ergebnisses einer solchen Inspektion bzw. einer entsprechenden Benutzereingabe. Somit werden in einer Ausführung die anomalen Zustandswerte manuell gelabelt bzw. klassifiziert. Hierdurch können in einer Ausführung die anomalen Zustandswerte bei einem überwachten maschinellen Lernen vorteilhaft genutzt werden.

In einer Weiterbildung wird diese Inspektion auf Basis ermittelter anomaler

Zustandswerte instruiert, insbesondere durch Ausgabe einer entsprechenden

Meldung bzw. Anweisung an Personal. Somit wird in einer Ausführung gezielt infolge ermittelter anomaler Zustandswerte eine Inspektion des bzw. der Roboter angestoßen und die ermittelten anomalen Zustandswerte anschließend auf Basis (des

Ergebnisses) dieser Inspektion bzw. einer entsprechenden Benutzereingabe klassifiziert bzw. gelabelt.

In einer Ausführung wird auf Basis bzw. in Abhängigkeit von dem prognostizierten Zustand des bzw. der Ziel-Roboter ein Wartungsintervall und/oder eine Wartung hierfür angepasst, insbesondere ein Wartungsintervall vorgegeben bzw. instruiert oder ein vorgegebenes Wartungsintervall verkürzt oder verlängert und/oder eine Wartung bestimmter der Ziel-Roboter bzw. eine Wartung bestimmter Teile des bzw. der Ziel- Roboter vorgegeben bzw. instruiert. Zusätzlich oder alternativ kann auf Basis bzw. in Abhängigkeit von dem prognostizierten Zustand des bzw. der Ziel-Roboter auch eine Restlebensdauer des bzw. der Ziel-Roboter bzw. bestimmter Teile hiervon

prognostiziert werden. Somit wird in einer Ausführung eine sogenannte Predictive Maintenance des bzw. der Ziel-Roboter durchgeführt.

In einer Ausführung kann ein prognostizierter Zustand des bzw. der Ziel-Roboter(s) dessen bzw. deren Zugehörigkeit zu einer oder mehreren der Klassen, in die die anomalen Zustandswerte klassifiziert worden sind, insbesondere einschließlich der zusätzlichen Klasse, die einem fehlerfreien Roboter entsprechen kann, bzw. die Wahrscheinlichkeit einer solchen Zugehörigkeit umfassen, insbesondere sein, insbesondere die (jeweilige) Wahrscheinlichkeit der Zugehörigkeit zu dieser bzw.

diesen Klassen. In einer Ausführung ist wenigstens eine dieser Klassen (jeweils) einer Funktions- bzw. Baugruppe, insbesondere einem Bauteil oder einer Funktion, des bzw. der Ziel-Roboter zugeordnet, beispielsweise jedem Antrieb oder verschiedenen

Antriebsgruppen jeweils eine Klasse oder dergleichen. Entsprechend umfassen in einer Ausführung die Klassen wenigstens zwei, vorzugsweise mehr als zwei, Klassen. Hierdurch kann die Prognose, insbesondere Predictive Maintenance, verbessert, insbesondere präzisiert, werden.

Nach einer Ausführung der vorliegenden Erfindung ist ein System, insbesondere hard- und/oder Software-, insbesondere programmtechnisch, zur Durchführung eines hier beschriebenen Verfahrens eingerichtet und/oder weist auf:

- Mittel zum Ermitteln von anomalen Zustandswerten des bzw. der Ziel-Roboter(s) und/oder eines oder mehrerer weiteren Roboter(s);

- Mittel zum Klassifizieren der anomalen Zustandswerte in eine von mehreren

Klassen;

- Mittel zum überwachten maschinellen Lernen einer Zuordnung zwischen

Zustandswerten und den Klassen auf Basis bzw. in Abhängigkeit von den klassifizierten anomalen Zustandswerten;

- Mittel zum Erfassen von Zustandswerten des bzw. der Ziel-Roboter; und

- Mittel zum Prognostizieren eines Zustands des bzw. der Ziel-Roboter auf Basis bzw. in Abhängigkeit von diesen erfassten Zustandswerten und der maschinell gelernten Zuordnung.

In einer Ausführung weist das System bzw. sein(e) Mittel auf:

- Mittel zum Ermitteln von Zeitintervallen anomaler Zustandswerte des wenigstens einen Ziel- und/oder weiteren Roboters auf Basis gleichartiger Referenzfahrten und Mittel zum Ermitteln von anomalen Zeitverläufen des wenigstens einen Ziel- bzw. weiteren Roboters im regulären Arbeitsbetrieb auf Basis dieser Zeitintervalle; und/oder

- Mittel zum Instruieren eines Ermittelns weiterer anomaler Zustandswerte, die in eine von den Klassen klassifiziert und beim überwachten maschinellen Lernen berücksichtigt werden, auf Basis ermittelter anomaler Zustandswerte; und/oder - Mittel zum Klassifizieren der anomalen Zustandswerte auf Basis einer

Benutzereingabe und/oder Inspektion des wenigstens einen Ziel- bzw. weiteren Roboters, insbesondere durch Personal; und/oder

- Mittel zum Instruieren der Inspektion auf Basis ermittelter anomaler Zustandswerte; und/oder

- Mittel zum Anpassen und/oder Instruieren eines Wartungsintervalls und/oder einer Wartung auf Basis des prognostizierten Zustands des wenigstens einen Ziel- Roboters und/oder zum Prognostizieren einer Restlebensdauer auf Basis des prognostizierten Zustands des wenigstens einen Ziel-Roboters.

Ein Mittel im Sinne der vorliegenden Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein, insbesondere eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU) und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die CPU kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind,

abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder

Ausgangssignale an einen Datenbus abzugeben. Bei der CPU kann es sich

insbesondere um eine Recheneinheit einer Grafikkarte („GPU“) handeln. Ein

Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, sodass die CPU die Schritte solcher Verfahren ausführen kann und damit insbesondere den bzw. die Ziel-Roboter vorausschauend überwachen kann. Ein Computerprogrammprodukt kann in einer Ausführung ein, insbesondere nicht-flüchtiges, Speichermedium zum Speichern eines Programms bzw. mit einem darauf gespeicherten Programm aufweisen, insbesondere sein, wobei ein Ausführen dieses Programms ein System bzw. eine Steuerung, insbesondere einen Computer, dazu veranlasst, ein hier beschriebenes Verfahren bzw. einen oder mehrere seiner Schritte auszuführen.

In einer Ausführung werden ein oder mehrere, insbesondere alle, Schritte des

Verfahrens vollständig oder teilweise automatisiert durchgeführt, insbesondere durch das System bzw. sein(e) Mittel. In einer Ausführung umfasst das System den bzw. die Ziel- und/oder weiteren

Roboter.

In einer Ausführung wird das Verfahrens vollständig oder teilweise durch eine

Robotersteuerung zum Steuern des bzw. eines oder mehrerer der Roboter

durchgeführt, in einer Weiterbildung durch dasselbe physische System und/oder logisch getrennt von dem Verfahren zum Steuern des bzw. der Roboter. In einer Ausführung wird das Verfahrens vollständig oder teilweise durch ein bzw. das von einer Robotersteuerung zum Steuern des bzw. eines oder mehrerer der Roboter separate(s) System durchgeführt.

Weitere Vorteile und Merkmale ergeben sich aus den Unteransprüchen und den Ausführungsbeispielen. Hierzu zeigt, teilweise schematisiert:

Fig. 1 : ein System zur vorausschauenden Beurteilung eines Ziel-Roboters

nach einer Ausführung der vorliegenden Erfindung; und

Fig. 2: ein Verfahren zur vorausschauenden Beurteilung des Ziel-Roboters

nach einer Ausführung der vorliegenden Erfindung.

Fig. 1 zeigt ein System zur vorausschauenden Beurteilung eines durch eine

Robotersteuerung 2 gesteuerten Ziel-Roboters 1 nach einer Ausführung der vorliegenden Erfindung mit einem Rechner 3, der mit der Robotersteuerung 2 kommuniziert und ein nachfolgend mit Bezug auf Fig. 2 erläutertes Verfahren zur vorausschauenden Beurteilung des Ziel-Roboters nach einer Ausführung der vorliegenden Erfindung durchführt bzw. hierzu eingerichtet ist. In einer nicht

dargestellten Abwandlung kann das Verfahren nach Fig. 2 auch auf der

Robotersteuerung 2 ablaufen.

In einem Schritt S10 werden in Zeitverläufen von Zustandsgrößen des Ziel-Roboters 1 , die bei gleichartigen Referenzfahrten an mehreren Tagen aufgenommen wurden, oder statistischen Kennwerten dieser Zeitverläufe mithilfe eines

Anomaliedetektionsalgorithmus anomale Zustandswerte des Ziel-Roboters 1 ermittelt. Rein exemplarisch sind hier die Maximalwerte von Motorströmen einer zweiten Achse des Roboters 1 über der Zeit t aufgetragen, wobei jeder Datenpunkt einem Tag bzw. einer Referenzfahrt entspricht. Gleichermaßen können in nicht dargestellten

Abwandlungen auch mehrdimensionale Zustandswerte, beispielsweise die

Motorströme mehrerer, insbesondere aller, Achsen des Roboters 1 und/oder anstelle statistischer Kennwerte direkt aufgenommene Zeitverläufe (sogenannte„traces“) verwendet werden.

Dabei wird ein Zeitintervall D anomaler Zustandswerte ermittelt, wie in Fig. 2 schraffiert angedeutet. In einem Schritt S15 werden dann die Zeitverläufe bzw. statistischen Kennwerte des regulären Arbeitsbetriebs des Roboters 1 in diesen Zeitintervallen D als anomale Zustandswerte ermittelt.

Wird beispielsweise festgestellt, dass die Motorströme bzw. statistischen Kennwerte bei Referenzfahrten seit einem bestimmten Datum bis zum aktuellen Zeitpunkt anomal sind, so werden die Motorströme bzw. statistischen Kennwerte des regulären Arbeitsbetriebs in dem Zeitintervall seit diesem Datum als anomale Zustandswerte ermittelt.

In einer Abwandlung kann Schritt S15 auch entfallen, wie in Fig. 2 gestrichelt angedeutet. Mit anderen Worten können auch die entsprechenden Zeitverläufe bzw. statistischen Kennwerte der Referenzfahrten selber als anomale Zustandswerte ermittelt werden

In einem Schritt S20 wird der Ziel-Roboter durch Personal inspiziert. Diese Inspektion kann insbesondere durch das Ermitteln anomaler Zustandswerte angestoßen werden.

Auf Basis des Ergebnisses der Inspektion werden die zuvor ermittelten anomalen Zustandswerte in Schritt S20 in eine von mehreren Klassen klassifiziert bzw. gelabelt.

Stellt beispielsweise ein Techniker fest, dass der Antrieb der zweiten Achse einen Fehler aufweist, beispielsweise sein Getriebe abgenutzt ist oder dergleichen, können die entsprechenden anomalen Zustandswerte in eine Klasse„Fehler Antrieb Achse 2“, „Fehler Getriebe Antrieb Achse 2“oder dergleichen klassifiziert werden.

In einem Schritt S30 lernt ein künstliches neuronales Netz eine Zuordnung zwischen Zustandswerten und den Klassen auf Basis der klassifizierten anomalen

Zustandswerte. In Abwandlungen können auch andere Verfahren des überwachten maschinellen Lernens („supervised (machine) learning“) verwendet werden. Nicht als anomale Zustandswerte ermittelte, d.h. normale Zustandswerte können dabei einer zusätzlichen Klasse als fehlerfrei zugeordnet werden.

In einem Schritt S40 werden weitere Zustandswerte des Ziel-Roboters 1 erfasst, exemplarisch wiederum die Motorströme bzw. statistischen Kennwerte bei

Referenzfahrten bzw. im regulären Arbeitsbetrieb.

In einem Schritt S50 wird dann auf Basis dieser erfassten Zustandswerte und der maschinell gelernten Zuordnung ein Zustand des Ziel-Roboters 1 prognostiziert, der die Wahrscheinlichkeiten der Zugehörigkeit zu einer der mehreren Klassen beschreibt, beispielsweise eine 82%ige Wahrscheinlichkeiten einer Zugehörigkeit zu einer Klasse K0, die einem fehlerfreien Roboter entspricht, eine 12%ige Wahrscheinlichkeiten einer Zugehörigkeit zu einer Klasse K1 , die einem fehlerhaften Antrieb der zweiten Achse bzw. dessen Getriebe entspricht, und so weiter, wie in Fig. 2 angedeutet.

Überschreitet die Wahrscheinlichkeit einer Zugehörigkeit zu einer fehlerhaften Klasse einen vorgegebenen Grenzwert, so wird in Schritt S60 eine Inspektion des Roboters 1 , insbesondere des entsprechend als wahrscheinlich fehlerhaft prognostizierten

Bauteils, instruiert.

Obwohl in der vorhergehenden Beschreibung exemplarische Ausführungen erläutert wurden, sei darauf hingewiesen, dass eine Vielzahl von Abwandlungen möglich ist. So wurde vorliegend die Zuordnung auf Basis anomaler Zustandswerte des zu überwachenden Ziel-Roboters 1 selber maschinell gelernt. In einer Abwandlung können hierzu zusätzlich oder alternativ auch anomale Zustandswerte weiterer

Roboter (nicht dargestellt) verwendet werden. Außerdem sei darauf hingewiesen, dass es sich bei den exemplarischen

Ausführungen lediglich um Beispiele handelt, die den Schutzbereich, die

Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die

Umsetzung von mindestens einer exemplarischen Ausführung gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten

Merkmalskombinationen ergibt.

Bezuqszeichenliste

1 Roboter

2 Robotersteuerung

Rechner

KO,..., Kn Klasse

D Zeitintervall