Laatst bijgewerkt: Mei 7, 2026

Robotgestuurd oppakken van krukasonderdelen met 3D-zicht: Video van het sorteren en aanvoeren van motoronderdelen

Het robotgestuurd oppakken van krukassen uit een bak automatiseert een van de lastigste handelingen in de motorproductie: het selecteren van zware, onregelmatige krukassen uit een diepe bak waar elk onderdeel in een andere hoek gestapeld kan zijn. De onderstaande video laat zien hoe een 6-assige robot, 3D-zicht, positiebepaling en een flexibele grijper het willekeurig sorteren van krukassen kunnen omzetten in een herhaalbaar aanvoerproces voor de daaropvolgende bewerkings-, markeer- of assemblagestations.

Als de ingebedde speler niet laadt, open de video dan direct op YouTube: Robotgestuurde bakophaling met krukas en 3D-zicht.

Proces overzicht

De krukas is het belangrijkste onderdeel voor de krachtoverbrenging van een motor. In de automobielindustrie doorloopt deze processen zoals smeden, precisiedraaien, slijpen, dynamisch balanceren, markeren en assemblage. Tussen deze stations moeten de sortering en aanvoer betrouwbaar genoeg zijn om een ​​stabiele takttijd te garanderen, zonder verkeerde aanvoer of herhaalde tussenkomst van de operator.

Traditioneel handmatig sorteren is traag en foutgevoelig omdat krukassen een onregelmatige geometrie, verschoven contragewichten, reflecterende bewerkte oppervlakken en willekeurige stapelposities hebben. Operators moeten zowel het onderdeelmodel als het beste grijppunt op het oog beoordelen, waardoor de cyclustijd en de kwaliteitsstabiliteit moeilijk te controleren zijn.

De huidige technische oplossing maakt gebruik van 6-assige robots In combinatie met 3D-zichtsystemen genereert laserscanning met gestructureerd licht dichte puntenwolken, terwijl deep learning de herkenning van onderdelen en de positiebepaling voor het willekeurig oppakken van onderdelen ondersteunt. Een goed afgestelde cel kan ongeveer 48 seconden per onderdeel halen, en een enkele flexibele grijper kan 6 tot 8 krukasmodellen verwerken zonder dat er hardware hoeft te worden vervangen. Voor vergelijkbare toepassingen in materiaalverwerking, zie EVSINT's hanterende robot categorie.

Veelvoorkomende valkuilen bij het sorteren van krukassen in bakken

Onvoldoende beeldhoek en scherptediepte van de camera. De diepte van de opslagbakken kan oplopen tot 800 mm. Als er bij een project een camera met een smal gezichtsveld wordt gebruikt om kosten te besparen, wordt de onderste laag mogelijk niet volledig bedekt. ​​Dit leidt tot een hoog percentage foutieve herkenningen en frequente lijnwaarschuwingen.

Slechte puntwolkkwaliteit op reflecterende oppervlakken. Precisiegefreesde krukasoppervlakken kunnen tijdens laserscanning spiegelende reflecties veroorzaken. Dit resulteert in lege plekken en ruis in de puntenwolk, waardoor de herkenningsnauwkeurigheid en de betrouwbaarheid van de positiebepaling direct afnemen.

Onvoldoende trainingsdata voor deep learning. Nieuwe krukasmodellen kunnen in productie gaan zonder voldoende voorbeeldafbeeldingen. Een gebrekkige generalisatie van het model kan de inbedrijfstelling in het veld verlengen van de verwachte 3 dagen tot 2 weken.

Trajectplanning zonder botsingsdetectie. Sommige systemen vertrouwen op eenvoudige kinematische simulatie en houden onvoldoende rekening met de wanden van de bak, aangrenzende onderdelen en interferentie van de grijper. Bij het oppakken van objecten uit diepe bakken kan dit leiden tot stilstand door botsingen en herhaalde handmatige resets.

Geen secundair oriëntatiestation. Directe plaatsing in een downstream-mal voldoet mogelijk niet aan de vereisten voor positioneringsnauwkeurigheid. Een secundair station kan de oriëntatie corrigeren vóór bewerking, markering of transport over de transportband. Dit is vooral belangrijk wanneer de cel een product voedt dat geschikt is voor een ander product. robot voor het verzorgen van machines proces- of CNC-gerelateerd station.

Kerntechnische oplossingen

3D-beeldscanning. Laser-gestructureerd licht of laserlijnscanning wordt aanbevolen. Het gezichtsveld moet de gehele bak beslaan en de scherptediepte moet minimaal 800 mm zijn. Actieve laserprojectie helpt omgevingslichtinterferentie te onderdrukken, terwijl HDR op hardwareniveau de kwaliteit van de puntenwolk op reflecterende oppervlakken verbetert.

Diepgaande leerherkenning. Op aandacht gebaseerde puntwolksegmentatie kan het meest relevante object identificeren, zelfs bij ernstige occlusie en willekeurige stapeling. Transfer learning met weinig voorbeelden verkort de ontwikkeltijd van nieuwe modellen tot 1 à 2 dagen wanneer er voldoende representatieve voorbeelden zijn verzameld.

Intelligente trajectplanning. De robotcel moet een 3D-obstakelscène opbouwen op basis van realtime puntwolkgeometrie en deze vervolgens combineren met robotkinematica om botsingsvrije pick-and-place-paden te genereren. Een camera-architectuur met geïntegreerde camera stelt de robot in staat de scanhoek aan te passen en blinde vlekken te verminderen.

Flexibel grijperontwerp. Een pneumatische en elektrische hybride grijper kan het krukasbalansgewicht ondersteunen, terwijl laterale positioneringspinnen zich aanpassen aan veranderingen in de lagerafstand. De grijper is de belangrijkste mechanische interface en moet daarom samen met de krukas worden ontworpen. robot-eindeffector en stroomafwaarts geplaatste onderdelen in plaats van als accessoires te worden beschouwd.

Gestandaardiseerde technische lay-out

Een robotgestuurde bakpickcel met krukas bestaat doorgaans uit een 6-assige robot, een flexibele grijper, 3D-zicht met gestructureerd licht, een secundair oriëntatiestation, een lasermarker, een veiligheidssysteem en een elektrische schakelkast. De workflow is eenvoudig: de bak komt het station binnen, de robot scant met een camera aan het uiteinde, deep learning identificeert het model en de positie, trajectplanning stuurt het picken aan, het secundaire station corrigeert de oriëntatie, de laser graveert indien nodig een 2D-code en het onderdeel wordt op de transportband of in een opspaninrichting geplaatst.

Voor sorteer- en transportprocessen waarbij onderdelen niet zo zwaar zijn als krukassen, is een kies en plaats robot Dat is wellicht voldoende. Voor krukassen maken het laadvermogen, het bereik, het polskoppel en het zwaartepunt van de grijper een 6-assige industriële robot doorgaans de veiligere basis.

Het veiligheidssysteem moet een combinatie zijn van perimeterbeveiliging, vergrendelde poorten, lichtschermen en PLC-beveiligingslogica. De elektrische kast moet gebruikmaken van industriële koeling, zodat de interne temperatuur onder de 40 graden Celsius blijft. Dit vermindert het risico op vermindering van het vermogen van de frequentieomvormer en een instabiele reactie van de robot of transportband.

Technische Samenvatting

De automatisering van het sorteren van krukassen is afhankelijk van drie onderling verbonden eigenschappen: stabiliteit van het beeld, botsingsvrije trajectplanning en flexibiliteit van de grijper. De stabiliteit van het beeld bepaalt de maximale herkenningscapaciteit. Trajectplanning bepaalt de maximale botsingsrisico's. De flexibiliteit van de grijper bepaalt hoe efficiënt de cel kan wisselen tussen verschillende krukasmodellen.

De hardwarelaag is al volwaardig. Het echte knelpunt zit hem in de aanpassing aan de praktijk: het afstemmen van deep learning-modellen, de verwerking van reflecterende oppervlakken en de snelle migratie tussen verschillende krukasmodellen. Bij de keuze van een integrator is ervaring met automotive-projecten belangrijker dan alleen de cameraresolutie of het robotmerk. Na de implementatie moeten fabrieken de vision-modellen en trajectbibliotheken elke 3 tot 6 maanden bijwerken om de OEE (Overall Equipment Effectiveness) boven de 90% te houden.

Laatst bijgewerkt: Mei 7, 2026