Viimeksi päivitetty: toukokuu 7, 2026
Kampiakselin robottikäyttöinen säiliöiden keräily 3D-näöllä: Moottorin osien lajittelu- ja syöttövideo
Kampiakselin robottipohjainen laatikonpoiminta automatisoi yhden moottorinvalmistuksen vaikeimmista käsittelyvaiheista: raskaiden, epäsäännöllisten kampiakselien valitsemisen syvästä laatikosta, jossa jokainen osa voidaan pinota eri kulmaan. Alla oleva video näyttää, kuinka 6-akselinen robotti, 3D-näkö, asennon arviointi ja joustava tarttuja voivat muuttaa satunnaisen kampiakselin lajittelun toistettavaksi syöttöprosessiksi jatkokäsittelyä, merkintää tai kokoonpanoasemia varten.
Jos upotettu soitin ei lataudu, avaa video suoraan YouTubessa: Kampiakselilla toimiva robottiroskien keräily 3D-näöllä.
Prosessin yleiskatsaus
Kampiakseli on moottorin keskeinen voimansiirtokomponentti. Autoteollisuudessa se liikkuu taonta-, tarkkuussorvaus-, hionta-, dynaaminen tasapainotus-, merkintä- ja kokoonpanoprosessien läpi. Näiden asemien välillä lajittelun ja syötön on oltava riittävän luotettavaa, jotta tahtiaika pysyy vakaana ilman väärien osien syöttöä tai toistuvia käyttäjän toimenpiteitä.
Perinteinen manuaalinen lajittelu on hidasta ja virhealtista, koska kampiakseleilla on epäsäännöllinen geometria, epätasaiset vastapainot, heijastavat koneistetut pinnat ja satunnaiset pinotut asennot. Käyttäjän on arvioitava sekä osamalli että paras otepiste silmämääräisesti, mikä vaikeuttaa sykliajan ja laadun vakauden hallintaa.
Nykyinen tekninen ratkaisu käyttää 6-akseliset robotit yhdistettynä 3D-konenäköjärjestelmiin. Laserstrukturoituun valoon perustuva skannaus tuottaa tiheitä pistepilviä, kun taas syväoppiminen tukee osien tunnistusta ja asennon arviointia satunnaista laatikoiden poimintaa varten. Hyvin viritetty solu voi saavuttaa noin 48 sekuntia kappaletta kohden, ja yksi joustava tarttuja voi käsitellä 6–8 kampiakselimallia ilman laitteiston vaihtoa. Samanlaisia materiaalinkäsittelyn käyttötapauksia on EVSINT:n ... käsittely robotti luokka.
Yleisiä sudenkuoppia kampiakselin roskasäiliöiden poiminnassa
Kameran kuva-ala ja syväterävyysalue ovat riittämättömät. Laatikoiden syvyys on usein jopa 800 mm. Jos projektissa käytetään kapea-alaista kameraa kustannusten vähentämiseksi, pohjakerros ei välttämättä peity kokonaan, mikä pitää tunnistuksen epäonnistumisprosentin korkeana ja aiheuttaa usein linjahälytyksiä.
Huono pistepilven laatu heijastavilla pinnoilla. Tarkkuuskoneistetut kampiakselin pinnat voivat aiheuttaa heijastusta laserskannauksen aikana. Tuloksena on pistepilvien tyhjiä kohtia ja kohinaa, jotka heikentävät suoraan tunnistustarkkuutta ja asennon arvioinnin luotettavuutta.
Riittämättömästi syväoppimisen koulutusdataa. Uusia kampiakselimalleja saatetaan ottaa tuotantoon ilman riittävästi näytekuvia. Heikko mallin yleistys voi pidentää kenttäkäyttöönottoaikaa odotetusta kolmesta päivästä kahteen viikkoon.
Lentoradan suunnittelu ilman törmäyksen havaitsemista. Jotkin järjestelmät perustuvat kinemaattiseen perussimulointiin eivätkä ota täysin huomioon laatikon seiniä, viereisiä osia ja tarttujien välistä häiriötä. Syväkeräilyssä tämä voi aiheuttaa törmäyksen laukaisemaa seisokkiaikaa ja toistuvia manuaalisia nollauksia.
Ei toissijaista suuntausasemaa. Suora sijoittaminen alavirran kiinnittimeen ei välttämättä täytä asennon tarkkuusvaatimuksia. Toissijainen asema voi korjata suuntauksen ennen koneistusta, merkkausta tai kuljettimelle siirtymistä. Tämä on erityisen tärkeää, kun kenno syöttää koneenhoitorobotti prosessiin tai CNC-koneisiin liittyvään asemaan.
Keskeiset tekniset ratkaisut
3D-näköskannaus. Laserstrukturoitua valoa tai laserviivaskannausta suositellaan. Näkökentän tulisi kattaa koko säiliö ja syväterävyyden tulisi olla vähintään 800 mm. Aktiivinen laserprojektio auttaa vaimentamaan ympäröivän valon häiriöitä, kun taas laitteistotason HDR parantaa pistepilven laatua heijastavilla pinnoilla.
Syväoppimisen tunnistaminen. Huomioon perustuva pistepilven segmentointi voi tunnistaa ylimmäksi valittavan kohteen jopa voimakkaan peiton ja satunnaisen pinoamisen olosuhteissa. Muutaman otoksen siirto-oppiminen auttaa lyhentämään uuden mallin käyttöönottoa 1–2 päivään, kun riittävästi edustavia näytteitä on kerätty.
Älykäs lentoradan suunnittelu. Solun tulisi rakentaa 3D-estekohtaus reaaliaikaisesta pistepilvegeometriasta ja yhdistää se sitten robotin kinematiikkaan törmäysvapaiden poiminta- ja sijoitusreittien luomiseksi. Silmä kädessä -kamera-arkkitehtuuri mahdollistaa robotin skannauskulman säätämisen ja katvealueiden vähentämisen.
Joustava tarttujan muotoilu. Pneumaattinen ja sähköinen hybriditarrain voi tukea kampiakselin vastapainoa, kun taas sivuttaisasennustapit mukautuvat laakerivälin muutoksiin. Tarrain on keskeinen mekaaninen rajapinta, joten se tulisi suunnitella yhdessä robotin pääteefektori ja alavirran kiinnityslaite sen sijaan, että sitä käsiteltäisiin lisävarusteena.
Standardoitu tekninen asettelu
Kampiakselilla toimiva robottipohjainen laatikonpoimintasolu sisältää yleensä 6-akselisen robotin, joustavan tarttujan, strukturoidun valon 3D-näköjärjestelmän, toissijaisen suuntausaseman, lasermerkinnän, turvajärjestelmän ja sähköisen ohjauskaapin. Työnkulku on suoraviivainen: laatikko saapuu asemaan, robotti skannaa päätyyn asennetulla kameralla, syväoppiminen tunnistaa mallin ja asennon, liikeradan suunnittelu ohjaa poimintaa, toissijainen asema korjaa suuntauksen, laser kaivertaa tarvittaessa 2D-koodin ja osa asetetaan kuljettimelle tai kiinnittimelle.
Lajittelu- ja siirtoprosesseissa, joissa osat eivät ole yhtä painavia kuin kampiakselit, a valitse ja aseta robotti saattaa riittää. Kampiakseleiden kohdalla hyötykuorma, ulottuvuus, ranteen vääntömomentti ja tarttujan painopiste tekevät yleensä 6-akselisesta teollisuusrobotista turvallisemman lähtökohdan.
Turvajärjestelmän tulisi yhdistää aitaus, lukitut portit, valoverhot ja turva-PLC-logiikka. Sähkökaapin tulisi käyttää teollisuusjäähdytystä, jotta sisälämpötila pysyy alle 40 celsiusasteessa, mikä vähentää taajuusmuuttajan tehon alenemisen ja robotin tai kuljettimen epävakaan vasteen riskiä.
Tekninen yhteenveto
Kampiakselin lajittelun automatisointi perustuu kolmeen toisiinsa liittyvään ominaisuuteen: näkövakauteen, törmäyksettömään liikeradan suunnitteluun ja tarttujan joustavuuteen. Näön vakaus määrittää tunnistuskaton. Liikeradan suunnittelu määrittää törmäysriskin katon. Tarttujan joustavuus määrittää, kuinka tehokkaasti kenno voi vaihtaa kampiakselimallien välillä.
Laitteistokerros on jo kypsä. Todellinen pullonkaula on kenttäsovitus: syväoppimismallin viritys, heijastavien pintojen käsittely ja nopea migraatio useiden kampiakselimallien välillä. Integraattoria valittaessa autoteollisuuden projektikokemus on tärkeämpää kuin pelkän kameran resoluution tai robottimerkin vertailu. Käyttöönoton jälkeen tehtaiden tulisi iteroida konenäkömalleja ja liikeratakirjastoja 3–6 kuukauden välein nostaakseen kokonaistuotantotehokkuuden (OEE) yli 90 %:n.
Usein Kysytyt Kysymykset
Mitä kampiakselin robottikäyttöinen roskienkeruusolu sisältää?
Se sisältää yleensä 6-akselisen robotin, 3D-konenäköanturin, asennonmääritysohjelmiston, joustavan tarttujan, toissijaisen suuntausaseman, turvajärjestelmän ja ohjauskaapin. Joissakin soluissa on myös lasermerkintä ja kuljetinsiirto.
Miksi kampiakselit ovat vaikeita robottipohjaisessa laatikoiden keräilyssä?
Kampiakselit ovat painavia, epäsäännöllisiä, heijastavia ja satunnaisesti pinottuja. Robotin on tunnistettava ylin saavutettava osa, arvioitava sen asento, vältettävä viereisiä osia ja säiliön seiniä sekä tartuttava siihen menettämättä tasapainoa.
Voiko yksi tarttuja käsitellä useita kampiakselimalleja?
Kyllä. Joustava tarttuja, jossa on säädettävä tuki ja sivuttaisasento, voi usein kattaa 6–8 kampiakselimallia. Projekti vaatii vielä validoinnin hyötykuorman, painopisteen, laakeritappien välistyksen ja kiinnitysten tarkkuuden osalta.
Mitä ostajien tulisi arvioida ennen kampiakselin keräilyjärjestelmän valitsemista?
Ostajien tulisi arvioida heijastavien osien pistepilven laatua, syväoppimismallin siirtonopeutta, törmäyksetöntä reitin suunnittelua, tarttujan joustavuutta, toissijaisen suunnan tarkkuutta ja integraattorin autoteollisuuden projektihistoriaa.
Viimeksi päivitetty: toukokuu 7, 2026