Ultima actualizare: 7 mai 2026

Colectare robotizată a containerelor cu arbore cotit și viziune 3D: Video despre sortarea și alimentarea pieselor motorului

Selectarea robotizată a arborilor cotiți automatizează una dintre cele mai dificile etape de manipulare din fabricația motoarelor: selectarea arborilor cotiți grei și neregulați dintr-o platformă adâncă, unde fiecare piesă poate fi stivuită într-un unghi diferit. Videoclipul de mai jos arată cum un robot cu 6 axe, vederea 3D, estimarea poziției și un dispozitiv de prindere flexibil pot transforma sortarea aleatorie a arborilor cotiți într-un proces de alimentare repetabil pentru stațiile de prelucrare, marcare sau asamblare din aval.

Dacă playerul încorporat nu se încarcă, deschideți videoclipul direct pe YouTube: Colectare robotizată a containerelor cu arbore cotit și viziune 3D.

Prezentare generală a procesului

Arborele cotit este componenta principală de transmisie a puterii unui motor. În producția de automobile, acesta trece prin procese de forjare, strunjire de precizie, rectificare, echilibrare dinamică, marcare și asamblare. Între aceste stații, sortarea și alimentarea trebuie să fie suficient de fiabile pentru a susține un timp de lucru stabil, fără alimentarea cu piese greșite sau intervenția repetată a operatorului.

Sortarea manuală tradițională este lentă și predispusă la erori, deoarece arborii cotiți au o geometrie neregulată, contragreutăți decalate, suprafețe prelucrate reflectorizante și poziții suprapuse aleatorii. Operatorii trebuie să evalueze vizual atât modelul piesei, cât și cel mai bun punct de prindere, ceea ce face ca timpul de ciclu și stabilitatea calității să fie dificil de controlat.

Soluția inginerească actuală folosește roboți cu 6 axe asociat cu sisteme de viziune 3D. Scanarea cu lumină structurată cu laser generează nori denși de puncte, în timp ce învățarea profundă susține recunoașterea pieselor și estimarea poziției pentru preluarea aleatorie a containerelor. O celulă bine reglată poate atinge aproximativ 48 de secunde per piesă, iar un singur dispozitiv de prindere flexibil poate gestiona 6 până la 8 modele de arbore cotit fără schimbarea hardware-ului. Pentru cazuri similare de utilizare a manipulării materialelor, consultați EVSINT. robot de manipulare categorie.

Capcane comune în colectarea containerelor de la arborele cotit

Câmp vizual și adâncime de câmp inadecvate ale camerei. Adâncimile silozurilor ajung adesea la 800 mm. Dacă un proiect utilizează o cameră cu câmp vizual îngust pentru a reduce costurile, stratul inferior poate să nu fie complet acoperit, ceea ce menține ratele de eșec ale recunoașterii ridicate și provoacă alarme frecvente pe linie.

Calitate slabă a norului de puncte pe suprafețele reflectorizante. Suprafețele arborelui cotit prelucrate cu precizie pot crea reflexii speculare în timpul scanării cu laser. Rezultatul este un nor de puncte gol și zgomot, reducând direct precizia recunoașterii și fiabilitatea estimării poziției.

Date insuficiente de antrenament pentru deep learning. Noile modele de arbori cotiți pot intra în producție fără suficiente imagini eșantion. O generalizare slabă a modelului poate prelungi punerea în funcțiune pe teren de la 3 zile la 2 săptămâni, conform așteptărilor.

Planificarea traiectoriei fără detectarea coliziunilor. Unele sisteme se bazează pe simularea cinematică de bază și nu iau în considerare pe deplin pereții containerelor, piesele învecinate și interferențele gripperului. În cazul prelucrării în containere adânci, acest lucru poate crea timpi de nefuncționare declanșați de coliziune și resetări manuale repetate.

Fără stație secundară de orientare. Plasarea directă într-un dispozitiv de fixare din aval poate să nu îndeplinească cerințele de precizie a poziției. O stație secundară poate corecta orientarea înainte de prelucrare, marcare sau transfer pe transportor. Acest lucru este important în special atunci când celula alimentează o robot de îngrijire a mașinii proces sau stație aferentă CNC.

Soluții tehnice de bază

Scanare vizuală 3D. Se recomandă scanarea cu lumină structurată cu laser sau scanarea liniară cu laser. Câmpul vizual ar trebui să acopere întreaga suprafață, iar adâncimea câmpului ar trebui să fie de cel puțin 800 mm. Proiecția laser activă ajută la suprimarea interferențelor luminii ambientale, în timp ce HDR la nivel hardware îmbunătățește calitatea norului de puncte pe suprafețele reflectorizante.

Recunoaștere prin învățare profundă. Segmentarea norului de puncte bazată pe atenție poate identifica ținta cea mai de sus, chiar și în condiții de ocluzie severă și stivuire aleatorie. Învățarea prin transfer în câteva cadre ajută la scurtarea punerii în funcțiune a noului model la 1 până la 2 zile, atunci când sunt colectate suficiente mostre reprezentative.

Planificarea inteligentă a traiectoriei. Celula ar trebui să construiască o scenă 3D cu obstacole din geometria norului de puncte în timp real, apoi să o combine cu cinematica robotului pentru a genera traiectorii de tip „pick and place” fără coliziuni. O arhitectură a camerei „ochi în mână” permite robotului să ajusteze unghiul de scanare și să reducă unghiurile moarte.

Design flexibil al cleștelui. Un dispozitiv de prindere hibrid pneumatic și electric poate susține greutatea de echilibrare a arborelui cotit, în timp ce știfturile de poziționare laterală se adaptează la modificările spațierii dintre fusuri. Dispozitivul de prindere este interfața mecanică principală, așa că ar trebui proiectat împreună cu efector final al robotului și un dispozitiv de fixare în aval, mai degrabă decât să fie tratat ca un accesoriu.

Machetă inginerească standardizată

O celulă robotizată de preluare a containerelor cu arbore cotit integrează de obicei un robot cu 6 axe, un dispozitiv de prindere flexibil, o viziune 3D cu lumină structurată, o stație secundară de orientare, un marker laser, un sistem de siguranță și un tablou electric de comandă. Fluxul de lucru este simplu: containerul intră în stație, robotul scanează cu o cameră montată la capăt, învățarea profundă identifică modelul și poziția, planificarea traiectoriei ghidează preluarea, stația secundară corectează orientarea, laserul gravează un cod 2D, dacă este necesar, iar piesa este plasată pe transportor sau pe dispozitivul de fixare.

Pentru procesele de sortare și transfer în care piesele nu sunt la fel de grele ca arborii cotiți, un alegeți și plasați robotul poate fi suficient. Pentru arbori cotiți, sarcina utilă, raza de acțiune, cuplul la încheietura mâinii și centrul de greutate al cleștelui fac de obicei ca un robot industrial cu 6 axe să fie o linie de bază mai sigură.

Sistemul de siguranță ar trebui să combine garduri perimetrale, porți interblocate, perdele luminoase și logică PLC de siguranță. Tabloul electric ar trebui să utilizeze răcire industrială, astfel încât temperatura internă să rămână sub 40 de grade C, reducând riscul de declasare a variatorului de frecvență și de răspuns instabil al robotului sau al benzii transportoare.

Rezumat tehnic

Automatizarea sortării arborelui cotit depinde de trei capacități corelate: stabilitatea vizuală, planificarea traiectoriei fără coliziuni și flexibilitatea cleștelui. Stabilitatea vizuală determină plafonul de recunoaștere. Planificarea traiectoriei determină plafonul riscului de coliziune. Flexibilitatea cleștelui determină cât de eficient poate celula să se schimbe între modelele de arbore cotit.

Nivelul hardware este deja matur. Adevărata problemă este adaptarea pe teren: reglarea modelului prin învățare profundă, gestionarea suprafețelor reflectorizante și migrarea rapidă între mai multe modele de arbori cotiți. Atunci când se selectează un integrator, experiența în proiectele auto contează mai mult decât compararea doar a rezoluției camerei sau a mărcii robotului. După implementare, fabricile ar trebui să itereze modelele de vedere și bibliotecile de traiectorii la fiecare 3 până la 6 luni pentru a împinge OEE peste 90%.

Ultima actualizare: 7 mai 2026