နောက်ဆုံးပြုပြင်မွမ်းမံခြင်း - မေလ ၁၃ ရက်၊ ၂၀၂၁

3D Vision ဖြင့် Crankshaft Robotic Bin Picking: အင်ဂျင်အစိတ်အပိုင်းများ စီစစ်ခြင်းနှင့် အစာကျွေးခြင်း ဗီဒီယို

Crankshaft robotic bin picking သည် အင်ဂျင်ထုတ်လုပ်ရာတွင် ခက်ခဲသောကိုင်တွယ်မှုအဆင့်များထဲမှတစ်ခုကို အလိုအလျောက်လုပ်ဆောင်ပေးသည်- အစိတ်အပိုင်းတိုင်းကို မတူညီသောထောင့်တွင် စီထားသည့် bin နက်တစ်ခုမှ လေးလံပြီး မမှန်သော crankshaft များကို ရွေးချယ်ခြင်း။ အောက်ပါဗီဒီယိုတွင် 6-axis robot၊ 3D vision၊ pose estimation နှင့် flexible gripper တို့သည် random crankshaft sorting ကို downstream machining၊ marking သို့မဟုတ် assembly station များအတွက် ထပ်ခါတလဲလဲလုပ်ဆောင်နိုင်သော feeding လုပ်ငန်းစဉ်အဖြစ်သို့ မည်သို့ပြောင်းလဲနိုင်သည်ကို ပြသထားသည်။

embedded player မဖွင့်နိုင်ရင် YouTube မှာ ဗီဒီယိုကို တိုက်ရိုက်ဖွင့်ပါ- 3D Vision ဖြင့် Crankshaft Robotic Bin Picking.

လုပ်ငန်းစဉ် ခြုံငုံသုံးသပ်ချက်

ခရက်ရှပ်သည် အင်ဂျင်တစ်ခု၏ အဓိက ပါဝါထုတ်လွှင့်မှု အစိတ်အပိုင်းဖြစ်သည်။ မော်တော်ကား ထုတ်လုပ်ရေးတွင်၊ ၎င်းသည် ပုံသွင်းခြင်း၊ တိကျစွာ လှည့်ခြင်း၊ ကြိတ်ခြင်း၊ ဒိုင်းနမစ် ချိန်ခွင်လျှာညှိခြင်း၊ အမှတ်အသားပြုခြင်းနှင့် တပ်ဆင်ခြင်းနှင့် ဆက်စပ်သော လုပ်ငန်းစဉ်များမှတစ်ဆင့် ရွေ့လျားသည်။ ဤဘူတာများအကြားတွင်၊ စီခြင်းနှင့် အစာကျွေးခြင်းသည် မှားယွင်းသော အစိတ်အပိုင်း အစာကျွေးခြင်း သို့မဟုတ် အော်ပရေတာ၏ ထပ်ခါတလဲလဲ ဝင်ရောက်စွက်ဖက်ခြင်းမရှိဘဲ တည်ငြိမ်သော အချိန်ကို ပံ့ပိုးပေးနိုင်လောက်အောင် ယုံကြည်စိတ်ချရရမည်။

ရိုးရာလက်ဖြင့်စီခြင်းသည် နှေးကွေးပြီး အမှားအယွင်းများတတ်သည်၊ အဘယ်ကြောင့်ဆိုသော် ခရက်ရှပ်များတွင် မညီမညာဂျီသြမေတြီ၊ အော့ဖ်ဆက်တန်ပြန်အလေးချိန်များ၊ ရောင်ပြန်စက်မျက်နှာပြင်များနှင့် ကျပန်းစီထားသောပုံစံများရှိနေသောကြောင့်ဖြစ်သည်။ အော်ပရေတာများသည် အစိတ်အပိုင်းမော်ဒယ်နှင့် အကောင်းဆုံးဆုပ်ကိုင်သည့်အချက် နှစ်ခုလုံးကို မျက်စိဖြင့် ဆုံးဖြတ်ရမည်ဖြစ်ပြီး၊ ၎င်းသည် လည်ပတ်မှုအချိန်နှင့် အရည်အသွေးတည်ငြိမ်မှုကို ထိန်းချုပ်ရန် ခက်ခဲစေသည်။

လက်ရှိအင်ဂျင်နီယာဖြေရှင်းချက်ကိုအသုံးပြုသည် ဝင်ရိုး 6 စက်ရုပ်များ 3D ရူပါရုံစနစ်များနှင့် တွဲဖက်ထားသည်။ လေဆာဖွဲ့စည်းပုံရှိသော အလင်းစကင်န်ဖတ်ခြင်းသည် သိပ်သည်းသော အစက်အပြောက်တိမ်များကို ထုတ်ပေးပြီး deep learning သည် ကျပန်း bin picking အတွက် အစိတ်အပိုင်းမှတ်မိခြင်းနှင့် pose estimation ကို ပံ့ပိုးပေးသည်။ ကောင်းမွန်စွာ ချိန်ညှိထားသော cell တစ်ခုသည် အပိုင်းတစ်ခုလျှင် ၄၈ စက္ကန့်ခန့်အထိ ရောက်ရှိနိုင်ပြီး ပျော့ပျောင်းသော gripper တစ်ခုတည်းသည် hardware changeover မပါဘဲ crankshaft မော်ဒယ် ၆ ခုမှ ၈ ခုအထိ ကိုင်တွယ်နိုင်သည်။ အလားတူ ပစ္စည်းကိုင်တွယ်မှုအသုံးပြုမှုကိစ္စများအတွက် EVSINT ၏ အချက်အလက်များကို ကြည့်ပါ။ စက်ရုပ်ကိုင်တွယ် အမျိုးအစား။

Crankshaft Bin Picking မှာ အဖြစ်များတဲ့ အန္တရာယ်များ

ကင်မရာ၏ မြင်ကွင်းနှင့် အနက်အမှောင် မလုံလောက်ပါ။ အမှိုက်ပုံးအနက်များသည် မကြာခဏ ၈၀၀ မီလီမီတာအထိ ရောက်ရှိလေ့ရှိသည်။ ပရောဂျက်တစ်ခုသည် ကုန်ကျစရိတ်လျှော့ချရန်အတွက် ကျဉ်းမြောင်းသော FOV ကင်မရာကို အသုံးပြုပါက အောက်ခြေအလွှာကို အပြည့်အဝဖုံးအုပ်ထားနိုင်မည်မဟုတ်ဘဲ ၎င်းသည် မှတ်မိခြင်းပျက်ကွက်မှုနှုန်းကို မြင့်မားစေပြီး မကြာခဏ လိုင်းအချက်ပေးသံများ ဖြစ်ပေါ်စေသည်။

ရောင်ပြန်မျက်နှာပြင်များပေါ်တွင် အစက်အပြောက်တိမ်အရည်အသွေး ညံ့ဖျင်းခြင်း။ တိကျစွာစက်ဖြင့်စက်ထားသော ခရက်ရှ်ရှပ်မျက်နှာပြင်များသည် လေဆာစကင်ဖတ်နေစဉ်အတွင်း specular reflection ကို ဖန်တီးနိုင်သည်။ ရလဒ်အနေဖြင့် point cloud voids နှင့် noise များဖြစ်ပေါ်ပြီး မှတ်မိခြင်းတိကျမှုနှင့် pose ခန့်မှန်းချက်ယုံကြည်စိတ်ချရမှုကို တိုက်ရိုက်လျော့ကျစေသည်။

deep learning လေ့ကျင့်ရေးဒေတာ မလုံလောက်ပါ။ ခရက်ရှ်ဖို့ရှ် မော်ဒယ်အသစ်များသည် နမူနာပုံများ မလုံလောက်ဘဲ ထုတ်လုပ်မှုများ စတင်နိုင်သည်။ မော်ဒယ်ယေဘုယျအားဖြင့် အားနည်းခြင်းသည် ကွင်းဆင်းလုပ်ဆောင်မှုကို မျှော်လင့်ထားသည့် ၃ ရက်မှ ၂ ပတ်အထိ တိုးချဲ့နိုင်သည်။

တိုက်မှုရှာဖွေခြင်းမရှိဘဲ လမ်းကြောင်းစီစဉ်ခြင်း။ အချို့စနစ်များသည် အခြေခံ kinematic simulation ပေါ်တွင် မှီခိုနေရပြီး bin နံရံများ၊ အိမ်နီးချင်း အစိတ်အပိုင်းများနှင့် gripper interference တို့ကို အပြည့်အဝ ထည့်သွင်းစဉ်းစားခြင်း မရှိပါ။ deep-bin picking တွင်၊ ၎င်းသည် collision-triggered downtime နှင့် ထပ်ခါတလဲလဲ manual reset များကို ဖြစ်ပေါ်စေနိုင်သည်။

ဒုတိယ ဦးတည်ရာ ဘူတာ မရှိပါ။ အောက်ပိုင်းပစ္စည်းကိရိယာထဲသို့ တိုက်ရိုက်ထည့်သွင်းခြင်းသည် အနေအထားတိကျမှုလိုအပ်ချက်များနှင့် ကိုက်ညီမှုမရှိပါ။ ဒုတိယဘူတာတစ်ခုသည် စက်ဖြင့်လည်ပတ်ခြင်း၊ အမှတ်အသားပြုခြင်း သို့မဟုတ် ကွန်ဗေယာလွှဲပြောင်းခြင်းမပြုမီ ဦးတည်ချက်ကို ပြုပြင်ပေးနိုင်သည်။ ၎င်းသည် ဆဲလ်ကို အာဟာရဖြည့်တင်းသည့်အခါ အထူးသဖြင့် အရေးကြီးပါသည်။ စက်ရုပ်စက်ရုပ် လုပ်ငန်းစဉ် သို့မဟုတ် CNC နှင့်ဆက်စပ်သော ဘူတာရုံ။

အဓိက နည်းပညာဆိုင်ရာ ဖြေရှင်းချက်များ

3D မြင်ကွင်းစကင်ဖတ်ခြင်း။ လေဆာဖွဲ့စည်းပုံအလင်း သို့မဟုတ် လေဆာလိုင်းစကင်န်ဖတ်ခြင်းကို အကြံပြုထားပါသည်။ မြင်ကွင်းသည် ဘင်တစ်ခုလုံးကို ဖုံးအုပ်ထားရမည်ဖြစ်ပြီး အနက်သည် အနည်းဆုံး ၈၀၀ မီလီမီတာ ရှိသင့်သည်။ တက်ကြွသောလေဆာပရိုဂျက်ရှင်းသည် ပတ်ဝန်းကျင်အလင်းဝင်ရောက်မှုကို နှိမ်နင်းရန် ကူညီပေးပြီး ဟာ့ဒ်ဝဲအဆင့် HDR သည် ရောင်ပြန်မျက်နှာပြင်များပေါ်ရှိ အစက်အပြောက်တိမ်အရည်အသွေးကို မြှင့်တင်ပေးသည်။

နက်ရှိုင်းသော သင်ယူမှု အသိအမှတ်ပြုခြင်း။ အာရုံစူးစိုက်မှုကိုအခြေခံသည့် point cloud segmentation သည် ပြင်းထန်သော occlusion နှင့် random stacking အောက်တွင်ပင် အမြင့်ဆုံးရွေးချယ်နိုင်သော target ကို ခွဲခြားသတ်မှတ်နိုင်သည်။ Few-shot transfer learning သည် လုံလောက်သော ကိုယ်စားပြုနမူနာများစုဆောင်းပြီးသည်နှင့် မော်ဒယ်အသစ်စတင်ချိန်ကို ၁ ရက်မှ ၂ ရက်အထိ လျှော့ချပေးသည်။

ဉာဏ်ရည်ထက်မြက်သော လမ်းကြောင်းစီစဉ်ခြင်း။ ဆဲလ်သည် အချိန်နှင့်တပြေးညီ point cloud geometry မှ 3D အတားအဆီးမြင်ကွင်းတစ်ခု တည်ဆောက်သင့်ပြီး ၎င်းကို robot kinematics နှင့် ပေါင်းစပ်ကာ collision-free pick and place paths များထုတ်လုပ်သင့်သည်။ eye-in-hand ကင်မရာဗိသုကာလက်ရာသည် robot အား scanning angle ကို ချိန်ညှိပြီး blind spots များကို လျှော့ချနိုင်စေပါသည်။

ပြောင်းလွယ်ပြင်လွယ်ရှိသော ဂရစ်ပါဒီဇိုင်း။ လေဖိအားနှင့် လျှပ်စစ် hybrid gripper သည် crankshaft balance weight ကို ထောက်ပံ့ပေးနိုင်ပြီး lateral positioning pin များသည် journal-spacing ပြောင်းလဲမှုများကို လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ပေးပါသည်။ gripper သည် အဓိက mechanical interface ဖြစ်သောကြောင့် ၎င်းကို ဒီဇိုင်းထုတ်သင့်သည်။ စက်ရုပ်အဆုံးအကျိုးသက်ရောက်မှု နှင့် ဆက်စပ်ပစ္စည်းအဖြစ် ဆက်ဆံမည့်အစား downstream fixture။

စံသတ်မှတ်ထားသော အင်ဂျင်နီယာပုံစံ

crankshaft robotic bin picking cell တွင် ပုံမှန်အားဖြင့် 6-axis robot၊ flexible gripper၊ structured-light 3D vision၊ secondary orientation station၊ laser marker၊ safety system နှင့် electrical control cabinet တို့ ပေါင်းစပ်ထားသည်။ workflow မှာ ရိုးရှင်းပါသည်- bin သည် station ထဲသို့ ဝင်ရောက်ပြီး robot သည် end-mounted camera ဖြင့် scan လုပ်သည်၊ deep learning သည် model နှင့် pose ကို ဖော်ထုတ်သည်၊ trajectory planning သည် pick ကို လမ်းညွှန်ပေးသည်၊ secondary station သည် orientation ကို ပြင်ပေးသည်၊ လိုအပ်ပါက laser သည် 2D code ကို ထွင်းထုပြီး အစိတ်အပိုင်းကို conveyor သို့မဟုတ် fixture ပေါ်တွင် ထားရှိသည်။

အစိတ်အပိုင်းများသည် ခရက်ရှပ်ကဲ့သို့ လေးလံမှုမရှိသော အမျိုးအစားခွဲခြားခြင်းနှင့် လွှဲပြောင်းခြင်းလုပ်ငန်းစဉ်များအတွက်၊ စက်ရုပ်ကို ရွေးပြီး နေရာချပါ။ လုံလောက်နိုင်ပါသည်။ ခရက်ရှ်ရှပ်စ်များအတွက်၊ ဝန်တင်အား၊ ရောက်ရှိနိုင်မှု၊ လက်ကောက်ဝတ် torque နှင့် ဂရစ်ပါ ဆွဲငင်အားဗဟိုတို့သည် ပုံမှန်အားဖြင့် ၆-ဝင်ရိုး စက်မှုလုပ်ငန်းသုံး စက်ရုပ်တစ်ခုကို ပိုမိုဘေးကင်းသော အခြေခံအဖြစ် သတ်မှတ်လေ့ရှိသည်။

ဘေးကင်းရေးစနစ်တွင် ပတ်လည်ခြံစည်းရိုး၊ အပြန်အလှန်သော့ခတ်ထားသောဂိတ်များ၊ မီးရောင်ကာရံများနှင့် ဘေးကင်းရေး PLC ယုတ္တိဗေဒတို့ကို ပေါင်းစပ်ထားသင့်သည်။ လျှပ်စစ်ဗီဒိုတွင် စက်မှုလုပ်ငန်းသုံးအအေးပေးစနစ်ကို အသုံးပြုသင့်ပြီး အတွင်းပိုင်းအပူချိန်ကို ၄၀ ဒီဂရီစင်တီဂရိတ်အောက်တွင် ရှိနေစေရန် အတွင်းပိုင်းအပူချိန်ကို ထိန်းသိမ်းပေးခြင်းဖြင့် VFD ချို့ယွင်းမှုနှင့် စက်ရုပ် သို့မဟုတ် ကွန်ဗေယာ၏ တုံ့ပြန်မှုမတည်မငြိမ်ဖြစ်မှုအန္တရာယ်ကို လျှော့ချပေးပါသည်။

နည်းပညာအကျဉ်းချုပ်

ခရန့်ရှပ် စီစစ်ခြင်း အလိုအလျောက်လုပ်ဆောင်ခြင်းသည် ချိတ်ဆက်ထားသော စွမ်းရည်သုံးခုပေါ်တွင် မူတည်သည်- မြင်နိုင်စွမ်းတည်ငြိမ်မှု၊ တိုက်မိမှုကင်းသော လမ်းကြောင်းစီစဉ်ခြင်းနှင့် ဂရစ်ပါ ပြောင်းလွယ်ပြင်လွယ်ရှိမှု။ မြင်နိုင်စွမ်းတည်ငြိမ်မှုသည် မှတ်မိခြင်း အမြင့်ဆုံးအဆင့်ကို ဆုံးဖြတ်ပေးသည်။ လမ်းကြောင်းစီစဉ်ခြင်းသည် တိုက်မိမှုအန္တရာယ် အမြင့်ဆုံးအဆင့်ကို ဆုံးဖြတ်ပေးသည်။ ဂရစ်ပါ ပြောင်းလွယ်ပြင်လွယ်ရှိမှုသည် ခရန့်ရှပ် မော်ဒယ်များအကြား ဆဲလ်သည် မည်မျှထိရောက်စွာ ပြောင်းလဲနိုင်သည်ကို ဆုံးဖြတ်ပေးသည်။

ဟာ့ဒ်ဝဲအလွှာသည် ရင့်ကျက်နေပြီဖြစ်သည်။ တကယ့်အခက်အခဲမှာ လယ်ကွင်းလိုက်လျောညီထွေဖြစ်အောင်လုပ်ဆောင်ခြင်းဖြစ်သည်- deep learning model tuning၊ reflective-surface handling နှင့် crankshaft model များစွာတွင် လျင်မြန်စွာ ရွှေ့ပြောင်းခြင်းတို့ဖြစ်သည်။ integrator တစ်ခုကို ရွေးချယ်သောအခါ၊ မော်တော်ကားပရောဂျက်အတွေ့အကြုံသည် ကင်မရာ resolution သို့မဟုတ် robot brand ကိုသာ နှိုင်းယှဉ်ခြင်းထက် ပိုအရေးကြီးသည်။ ဖြန့်ကျက်ပြီးနောက်၊ စက်ရုံများသည် OEE ကို 90% အထက်သို့ တွန်းပို့ရန်အတွက် vision model များနှင့် trajectory libraries များကို ၃ လမှ ၆ လတိုင်း ပြန်လည်လုပ်ဆောင်သင့်သည်။

နောက်ဆုံးပြုပြင်မွမ်းမံခြင်း - မေလ ၁၃ ရက်၊ ၂၀၂၁