Atualizado pela última vez: maio 7, 2026

Seleção robótica de virabrequins com visão 3D: vídeo de triagem e alimentação de peças de motor

A seleção robótica de virabrequins em recipientes automatiza uma das etapas mais difíceis de manuseio na fabricação de motores: selecionar virabrequins pesados ​​e irregulares em um recipiente profundo, onde cada peça pode estar empilhada em um ângulo diferente. O vídeo abaixo mostra como um robô de 6 eixos, visão 3D, estimativa de posição e uma garra flexível podem transformar a triagem aleatória de virabrequins em um processo de alimentação repetível para estações subsequentes de usinagem, marcação ou montagem.

Se o reprodutor incorporado não carregar, abra o vídeo diretamente no YouTube: Separação robótica de peças em caixas com virabrequim e visão 3D.

Visão geral do processo

O virabrequim é o componente central de transmissão de potência de um motor. Na fabricação automotiva, ele passa por processos de forjamento, torneamento de precisão, retificação, balanceamento dinâmico, marcação e montagem. Entre essas etapas, a triagem e a alimentação devem ser suficientemente confiáveis ​​para garantir um tempo de ciclo estável, sem alimentação de peças incorretas ou intervenção repetida do operador.

A triagem manual tradicional é lenta e propensa a erros porque os virabrequins têm geometria irregular, contrapesos descentralizados, superfícies usinadas reflexivas e posições empilhadas aleatórias. Os operadores precisam avaliar visualmente tanto o modelo da peça quanto o melhor ponto de preensão, o que dificulta o controle do tempo de ciclo e da estabilidade da qualidade.

A solução de engenharia atual utiliza Robôs de 6 eixos Em conjunto com sistemas de visão 3D, a digitalização a laser com luz estruturada gera nuvens de pontos densas, enquanto o aprendizado profundo auxilia no reconhecimento de peças e na estimativa de pose para a seleção aleatória de peças em caixas. Uma célula bem ajustada pode atingir cerca de 48 segundos por peça, e uma única garra flexível pode manusear de 6 a 8 modelos de virabrequim sem necessidade de troca de hardware. Para casos de uso semelhantes em manuseio de materiais, consulte o da EVSINT. robô de manuseio em sua categoria.

Armadilhas comuns na seleção de virabrequins em caixas

Campo de visão e profundidade de campo da câmera inadequados. A profundidade dos silos geralmente chega a 800 mm. Se um projeto utiliza uma câmera com campo de visão estreito para reduzir custos, a camada inferior pode não ser totalmente coberta, o que mantém altas as taxas de falha de reconhecimento e causa alarmes frequentes na linha de produção.

Baixa qualidade da nuvem de pontos em superfícies refletoras. Superfícies de virabrequins usinadas com precisão podem criar reflexos especulares durante a digitalização a laser. O resultado são falhas e ruídos na nuvem de pontos, reduzindo diretamente a precisão do reconhecimento e a confiabilidade da estimativa de pose.

Dados insuficientes para treinamento em aprendizado profundo. Novos modelos de virabrequins podem entrar em produção sem imagens de amostra suficientes. A generalização inadequada do modelo pode estender o comissionamento em campo de 3 dias para 2 semanas.

Planejamento de trajetória sem detecção de colisão. Alguns sistemas dependem de simulação cinemática básica e não consideram totalmente as paredes do recipiente, as peças vizinhas e a interferência da garra. Na separação de pedidos em recipientes profundos, isso pode causar tempo de inatividade devido a colisões e reinicializações manuais repetidas.

Não há estação de orientação secundária. A colocação direta em um dispositivo de fixação subsequente pode não atender aos requisitos de precisão de posicionamento. Uma estação secundária pode corrigir a orientação antes da usinagem, marcação ou transferência por esteira. Isso é especialmente importante quando a célula alimenta um robô de manutenção de máquinas processo ou estação relacionada a CNC.

Soluções Técnicas Essenciais

Digitalização por visão 3D. Recomenda-se o uso de luz estruturada a laser ou escaneamento a laser linear. O campo de visão deve cobrir toda a área da amostra e a profundidade de campo deve ser de pelo menos 800 mm. A projeção a laser ativa ajuda a suprimir a interferência da luz ambiente, enquanto o HDR em nível de hardware melhora a qualidade da nuvem de pontos em superfícies reflexivas.

Reconhecimento por aprendizado profundo. A segmentação de nuvens de pontos baseada em atenção consegue identificar o alvo selecionável mais próximo da superfície, mesmo em condições de oclusão severa e empilhamento aleatório. A aprendizagem por transferência com poucos exemplos ajuda a reduzir o tempo de comissionamento de novos modelos para 1 a 2 dias, quando amostras representativas suficientes são coletadas.

Planejamento inteligente de trajetória. A célula deve construir uma cena de obstáculos em 3D a partir da geometria da nuvem de pontos em tempo real e, em seguida, combiná-la com a cinemática do robô para gerar trajetórias de coleta e posicionamento sem colisões. Uma arquitetura de câmera "olho na mão" permite que o robô ajuste o ângulo de varredura e reduza os pontos cegos.

Design de garra flexível. Uma garra híbrida pneumática e elétrica pode suportar o contrapeso do virabrequim enquanto pinos de posicionamento lateral se adaptam às mudanças no espaçamento dos mancais. A garra é a principal interface mecânica, portanto, deve ser projetada em conjunto com o virabrequim. efetor final do robô e a instalação a jusante, em vez de ser tratada como um acessório.

Layout de engenharia padronizado

Uma célula robótica de coleta de peças em caixas com virabrequim geralmente integra um robô de 6 eixos, uma garra flexível, visão 3D por luz estruturada, uma estação de orientação secundária, um marcador a laser, um sistema de segurança e um painel de controle elétrico. O fluxo de trabalho é simples: a caixa entra na estação, o robô realiza a varredura com uma câmera montada na extremidade, o aprendizado profundo identifica o modelo e a posição, o planejamento de trajetória guia a coleta, a estação secundária corrige a orientação, o laser grava um código 2D, se necessário, e a peça é colocada na esteira ou dispositivo de fixação.

Para processos de triagem e transferência em que as peças não são tão pesadas quanto virabrequins, um escolher e colocar robô Pode ser suficiente. Para virabrequins, a carga útil, o alcance, o torque do pulso e o centro de gravidade da garra geralmente fazem de um robô industrial de 6 eixos a base mais segura.

O sistema de segurança deve combinar cercas perimetrais, portões intertravados, cortinas de luz e lógica de CLP de segurança. O painel elétrico deve utilizar refrigeração industrial para que a temperatura interna permaneça abaixo de 40 °C, reduzindo o risco de redução da potência do inversor de frequência e instabilidade na resposta do robô ou da esteira transportadora.

Resumo Técnico

A automação da triagem de virabrequins depende de três capacidades interligadas: estabilidade da visão, planejamento de trajetória sem colisões e flexibilidade da garra. A estabilidade da visão determina o limite máximo de reconhecimento. O planejamento de trajetória determina o limite máximo de risco de colisão. A flexibilidade da garra determina a eficiência com que a célula pode alternar entre os modelos de virabrequim.

A camada de hardware já está madura. O verdadeiro gargalo é a adaptação em campo: ajuste de modelos de aprendizado profundo, manuseio de superfícies reflexivas e migração rápida entre múltiplos modelos de virabrequim. Ao selecionar um integrador, a experiência em projetos automotivos importa mais do que comparar apenas a resolução da câmera ou a marca do robô. Após a implantação, as fábricas devem iterar os modelos de visão e as bibliotecas de trajetória a cada 3 a 6 meses para elevar a OEE acima de 90%.

Atualizado pela última vez: maio 7, 2026