Sidst opdateret: 7. maj 2026

Robotisk beholderopsamling af krumtapaksel med 3D-vision: Video om sortering og tilførsel af motordele

Robotbaseret sortering af krumtapaksler automatiserer et af de vanskeligere håndteringstrin i motorproduktion: udvælgelse af tunge, uregelmæssige krumtapaksler fra en dyb beholder, hvor hver del kan stables i en forskellig vinkel. Videoen nedenfor viser, hvordan en 6-akset robot, 3D-vision, poseestimering og en fleksibel griber kan forvandle tilfældig sortering af krumtapaksler til en gentagelig tilførselsproces til efterfølgende bearbejdnings-, mærknings- eller monteringsstationer.

Hvis den integrerede afspiller ikke indlæses, skal du åbne videoen direkte på YouTube: Robotisk beholderopsamling med krumtapaksel og 3D-vision.

Procesoversigt

Krumtapakslen er den centrale kraftoverføringskomponent i en motor. I bilproduktionen bevæger den sig gennem smedning, præcisionsdrejning, slibning, dynamisk afbalancering, mærkning og monteringsrelaterede processer. Mellem disse stationer skal sortering og tilførsel være pålidelig nok til at understøtte en stabil takttid uden tilførsel af forkerte dele eller gentagen operatørindgriben.

Traditionel manuel sortering er langsom og fejlbehæftet, fordi krumtapaksler har uregelmæssig geometri, forskudte modvægte, reflekterende bearbejdede overflader og tilfældigt stablede positioner. Operatører skal bedømme både emnemodellen og det bedste grebpunkt med det samme, hvilket gør det vanskeligt at kontrollere cyklustid og kvalitetsstabilitet.

Den nuværende tekniske løsning bruger 6-aksede robotter parret med 3D-visionssystemer. Laserstruktureret lysscanning genererer tætte punktskyer, mens deep learning understøtter emnegenkendelse og poseestimering til tilfældig bin-picking. En velafstemt celle kan nå omkring 48 sekunder pr. stykke, og en enkelt fleksibel griber kan håndtere 6 til 8 krumtapakselmodeller uden hardwareskift. For lignende anvendelsesscenarier til materialehåndtering, se EVSINTs håndteringsrobot kategori.

Almindelige faldgruber ved opsamling af krumtapakslens beholder

Utilstrækkeligt kamerasynsfelt og dybdeskarphed. Beholderdybder når ofte op på 800 mm. Hvis et projekt bruger et smalt FOV-kamera for at reducere omkostningerne, er det muligvis ikke helt dækket, hvilket holder antallet af genkendelsesfejl højt og forårsager hyppige linjealarmer.

Dårlig punktskykvalitet på reflekterende overflader. Præcisionsbearbejdede krumtapakslens overflader kan skabe spejlende refleksion under laserscanning. Resultatet er punktsky-hulrum og støj, hvilket direkte reducerer genkendelsesnøjagtigheden og pålideligheden af ​​poseestimering.

Utilstrækkelige data om træning i dybden. Nye krumtapaksmodeller kan komme i produktion uden tilstrækkelige prøvebilleder. Svag modelgeneralisering kan forlænge idriftsættelsen i felten fra forventede 3 dage til 2 uger.

Baneplanlægning uden kollisionsdetektion. Nogle systemer er afhængige af grundlæggende kinematisk simulering og tager ikke fuldt ud højde for beholdervægge, tilstødende dele og griberinterferens. Ved dyb beholderplukning kan dette skabe kollisionsudløst nedetid og gentagne manuelle nulstillinger.

Ingen sekundær orienteringsstation. Direkte placering i en nedstrøms fikstur kan muligvis ikke opfylde kravene til positionsnøjagtighed. En sekundær station kan korrigere orienteringen før bearbejdning, mærkning eller transportbåndsoverførsel. Dette er især vigtigt, når cellen føder en maskinpleje robot proces- eller CNC-relateret station.

Kernetekniske løsninger

3D-synsscanning. Laserstruktureret lys- eller laserlinjescanning anbefales. Synsfeltet skal dække hele beholderen, og dybdeskarpheden skal være mindst 800 mm. Aktiv laserprojektion hjælper med at undertrykke interferens fra omgivende lys, mens HDR på hardwareniveau forbedrer punktskykvaliteten på reflekterende overflader.

Dyb læringsgenkendelse. Opmærksomhedsbaseret punktskysegmentering kan identificere det øverste valgbare mål, selv under alvorlig okklusion og tilfældig stabling. Læring med få skuds overførsel hjælper med at forkorte idriftsættelsen af ​​nye modeller til 1 til 2 dage, når der er indsamlet tilstrækkeligt repræsentative prøver.

Intelligent baneplanlægning. Cellen skal bygge en 3D-forhindringsscene ud fra punktskygeometri i realtid og derefter kombinere den med robotkinematik for at generere kollisionsfri pick-and-place-stier. En øje-i-hånd-kameraarkitektur gør det muligt for robotten at justere scanningsvinklen og reducere blinde vinkler.

Fleksibelt griberdesign. En pneumatisk og elektrisk hybridgriber kan understøtte krumtapakslens balancevægt, mens de laterale positioneringsstifter tilpasser sig ændringer i akselafstanden. Griberen er den centrale mekaniske grænseflade, så den bør designes sammen med robot sluteffektor og nedstrømsarmatur i stedet for at blive behandlet som tilbehør.

Standardiseret teknisk layout

En robotbaseret beholderplukningscelle med krumtapaksel integrerer normalt en 6-akset robot, fleksibel griber, 3D-vision med struktureret lys, sekundær orienteringsstation, lasermarkør, sikkerhedssystem og elektrisk styreskab. Arbejdsgangen er ligetil: beholderen kommer ind i stationen, robotten scanner med et endemonteret kamera, deep learning identificerer modellen og poseringen, baneplanlægning styrer plukningen, den sekundære station korrigerer orienteringen, laseren graverer en 2D-kode om nødvendigt, og emnet placeres på transportbåndet eller fiksturen.

Til sorterings- og overførselsprocesser, hvor dele ikke er så tunge som krumtapaksler, en vælg og placer robot kan være nok. For krumtapaksler gør nyttelasten, rækkevidden, håndledsmomentet og griberens tyngdepunkt normalt en 6-akset industrirobot til det sikrere udgangspunkt.

Sikkerhedssystemet bør kombinere perimeterhegn, aflåste porte, lysgitre og sikkerheds-PLC-logik. Elskabet bør bruge industriel køling, så den indre temperatur forbliver under 40 grader C, hvilket reducerer risikoen for VFD-nedregulering og ustabil robot- eller transportbåndsreaktion.

Teknisk Sammenfatning

Automatisering af krumtapakselsortering afhænger af tre forbundne funktioner: synsstabilitet, kollisionsfri baneplanlægning og griberfleksibilitet. Synsstabilitet bestemmer genkendelsesloftet. Baneplanlægning bestemmer kollisionsrisikoloftet. Griberfleksibilitet bestemmer, hvor effektivt cellen kan skifte mellem krumtapakselmodeller.

Hardwarelaget er allerede modent. Den virkelige flaskehals er tilpasning i felten: finjustering af deep learning-modeller, håndtering af reflekterende overflader og hurtig migrering på tværs af flere krumtapakselmodeller. Når man vælger en integrator, betyder erfaring med bilprojekter mere end blot at sammenligne kameraopløsning eller robotmærke. Efter implementering bør fabrikker iterere visionsmodeller og banebiblioteker hver 3. til 6. måned for at presse OEE over 90 %.

Sidst opdateret: 7. maj 2026