Method Article

Simulation eines skalierten Montageprozesses in Zusammenarbeit mit einem Roboterarm und Überwachung durch ein Bildverarbeitungssystem zur Qualitätskontrolle

DOI:

10.3791/68888

⸱

August 29th, 2025

 ,  ,  , 
1Departamento de Sistemas, División de Ciencias Básicas e Ingeniería, Universidad Autónoma Metropolitana, Unidad Azcapotzalco, 2Escuela Superior de Ingeniería Mecánica y Eléctrica, Unidad Zacatenco, Instituto Politécnico Nacional, 3Centro de Investigación en Computación, Instituto Politécnico Nacional

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Hier stellen wir ein Protokoll für die Simulation und Überwachung eines skalierten halbautomatischen Montageprozesses vor, durch die Zusammenarbeit eines kollaborativen Roboters und die Verifizierung über ein Computer-Vision-System zur Qualitätskontrolle.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dieses Protokoll beschreibt die halbautomatische Simulation einer skalierten Produktionslinie für die Montage eines pädagogischen Schneckenradsatzes unter Verwendung eines kollaborativen Roboterarms und eines Computer-Vision-Systems, um die Produktqualität zu überwachen, indem zwei Hauptkriterien bewertet werden: Form und Farbe. Ziel dieser Studie ist es, konsistente und zuverlässige Daten zu generieren, um die Leistungsfähigkeit, Stabilität und Konformität des Prozesses gemäß den Kundenspezifikationen zu bewerten. Das Protokoll bietet einen klaren methodischen Rahmen für die Erfassung und Analyse von Schlüsselindikatoren durch statistische Prozesskontrolle (SPC) unter Verwendung von Fähigkeitsindizes wie Prozessfähigkeit (Cp), Prozessfähigkeitsindex angepasst für die Zentrierung (Cpk), obere Prozessfähigkeit (Cpu) und untere Prozessfähigkeit (Cpl) sowie grafische Werkzeuge wie Histogramme und Regelkarten. Diese ermöglichen die Identifizierung von Abweichungen und Trends bei kritischen Produkteigenschaften. Die Ergebnisse der Formauswertung deuten darauf hin, dass der automatisierte Prozess unter statistischer Kontrolle steht, wenn auch mit einer Tendenz zur oberen Spezifikationsgrenze, was darauf hindeutet, dass der Prozessmittelwert angepasst werden muss. Im Gegensatz dazu zeigt die Farbauswertung eine größere Variabilität, eine geringe Prozessfähigkeit (Cpk = 0,539) und Punkte außerhalb der Kontrolle, was auf eine Instabilität hinweist, die sofortige Korrekturmaßnahmen erfordert. Basierend auf diesen Erkenntnissen wird empfohlen, Korrekturmaßnahmen zur Reduzierung der Farbvariabilität zu ergreifen, wie z. B. eine strengere Kontrolle der Eingaben, die Standardisierung der Lichtverhältnisse und die Überprüfung der Betriebsmethoden. Im Allgemeinen unterstreichen die Ergebnisse die Bedeutung der Integration automatisierter Technologien mit statistischen Tools wie SPC, um kritische Abweichungen zu identifizieren, Prozesse zu optimieren und die Produktkonformität sicherzustellen. Diese Synergie zwischen Automatisierung und statistischer Analyse bildet eine wichtige Säule, um die Wettbewerbsfähigkeit in immer anspruchsvolleren Industrieumgebungen zu erhalten. Darüber hinaus bietet dieses Protokoll eine solide Grundlage für die Implementierung von Verbesserungen in realen Produktionslinien.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die rasante Weiterentwicklung der Automatisierung industrieller Prozesse hat zu einem bedeutenden Wandel der Fertigungssysteme geführt. Diese Entwicklung hat kritische Bereiche erheblich verbessert, darunter betriebliche Effizienz, Kosteneinsparungen, Prozessstandardisierung und Optimierung der Produktqualität1. In diesem Zusammenhang hat der technologische Fortschritt die Implementierung komplexerer und spezialisierterer Lösungen vorangetrieben, die in der Lage sind, den Anforderungen einer immer agileren, präziseren und anpassungsfähigeren Produktion gerecht zu werden2.

Einer der bedeutendsten Fortschritte in diesem neuen industriellen Zeitalter ist die Integration von kollaborativen Robotern, den sogenannten Cobots. Diese Geräte stellen eine Weiterentwicklung der traditionellen Industrierobotik dar, da sie so konzipiert sind, dass sie sicher und effizient mit menschlichen Bedienern in gemeinsam genutzten Umgebungen arbeiten 3,4,5. Ihr kollaborativer Charakter erhöht nicht nur die Flexibilität der Produktionsprozesse, sondern erhöht auch die Sicherheit im Betrieb, da sie mit fortschrittlichen Sensoren ausgestattet sind, die eine kontrollierte Interaktion und ein Umweltbewusstsein ermöglichen6.

Im Rahmen von Industrie 5.0, die eine harmonische Mischung aus intelligenter Automatisierung und menschlichem Beitrag fördert, werden Cobots zu unverzichtbaren Werkzeugen, um die menschenzentrierte Fertigung voranzutreiben7. Anstatt Arbeiter zu ersetzen, sind diese Systeme so konzipiert, dass sie ihre Fähigkeiten verbessern, indem sie sich wiederholende Aufgaben effizient und mit hoher Präzision erledigen und sich flexibel an Schichten in der Produktionsumgebung anpassen8, wodurch ein stärker integriertes und effektiveres Arbeitsmodell gefördert wird.

Aufgrund ihrer Vielseitigkeit können sie in verschiedenen Branchen eingesetzt werden, z. B. in der Automobilmontage, Logistik, Schuhherstellung, Medizintechnik und mehr, wo sie zur Verbesserung der Produktivität und Prozessqualität beitragen 9,10. Diese kollaborative Dynamik hat die Produktionssysteme neu definiert und stellt neue Herausforderungen in Bezug auf Schulung, technologische Anpassung und Prozessneugestaltungdar 7.

In diesem Zusammenhang beschreibt dieser Beitrag den Entwurf und die Implementierung einer verkleinerten Montagelinie, die um einen Ausbildungssatz von Schneckengetrieben herum entwickelt wurde. Diese Art von Linie stellt eine reduzierte und funktionale Version einer industriellen Produktionslinie dar, die zu didaktischen Zwecken konzipiert wurde, um die Prozesse, Abläufe und Abläufe, die für eine reale Fertigungsumgebung typisch sind, auf kontrollierte Weise zu simulieren11.

Es handelt sich um einen physischen und betrieblichen Aufbau, der eine klare Beobachtung der Produktionsdynamik, das Testen automatisierter Technologien und die Anwendung von Qualitätssicherungsmethoden ermöglicht und gleichzeitig die Risiken und Kosten minimiert, die mit direkten Experimenten in Industrieanlagen verbunden sind. Dieser Ansatz bietet ein wertvolles Bildungsinstrument und eine vorläufige Validierungsplattform für Lösungen wie kollaborative Roboter und Bildverarbeitungssysteme, die die strategische Entscheidungsfindung in den Bereichen Automatisierung, kontinuierliche Verbesserung und betriebliche Effizienz unterstützen11.

Ein Schlüsselfaktor für die erfolgreiche Automatisierung und Integration von Cobots ist die Implementierung von bildverarbeitungsbasierten Qualitätskontrollsystemen. Ausgestattet mit hochauflösenden Kameras ermöglichen Bildverarbeitungssysteme kollaborativen Robotern, ihre Umgebung genau wahrzunehmen und zu interpretieren, und liefern detaillierte visuelle Daten für die Objekterkennung, die Erkennung von Anomalien und die autonome Navigation12. In einigen Fällen funktionieren diese Systeme als Komplettlösungen, während sie in anderen Fällen so angepasst werden können, dass sie in Kombination funktionieren.

Eine der wichtigsten Anwendungen dieser Art von kollaborativen Robotern ist die Qualitätskontrolle, bei der diese Systeme die frühzeitige Erkennung von Fehlern in Produktionslinien ermöglichen. Die Echtzeit-Erkennung von Anomalien ermöglicht die rechtzeitige Entfernung defekter Teile und vermeidet so die Kosten, die mit Nacharbeiten, Materialverschwendung oder Kundenbeschwerden verbunden sind13. Diese Fähigkeit zur kontinuierlichen und nicht-invasiven Inspektion gewährleistet eine höhere Konsistenz der Produktqualität und stärkt die Rückverfolgbarkeit des Prozesses.

Die systematische Integration dieser Technologien ermöglicht es kollaborativen Robotern, ihre Umgebung effektiv zu erfassen, zu erfassen und darauf zu reagieren, wodurch ihre Autonomie und Betriebsleistung verbessertwird 14.

Jüngste Studien haben gezeigt, dass die Kombination aus Qualitätskontrolle mit Kameras und kollaborativen Robotern nicht nur menschliche Fehler reduziert, sondern auch die Prozesssicherheit verbessert und die Präzision bei kritischen Montage- und Verifizierungsaufgaben erhöht15. Diese Synergie ermöglicht ein höheres Maß an Kontrolle, Anpassungsfähigkeit und Effizienz, die in modernen Industrieumgebungen, die durch Massenanpassung und Produktion auf Abruf gekennzeichnet sind, unerlässlich sind16.

Der Einsatz dieser Technologien erfordert einen umfassenden Ansatz, der eine kontinuierliche Echtzeit-Datenüberwachung und die Verwendung von Qualitätsindizes umfasst, um eine fundierte Entscheidungsfindung zu ermöglichen. Instrumente wie die statistische Prozessanalyse bieten eine robuste Plattform für kontinuierliche Verbesserungen, die sicherstellen, dass sich Unternehmen an Marktveränderungen anpassen und langfristig ein hohes Maß an Wettbewerbsfähigkeit aufrechterhalten können16.

Die Implementierung eines halbautomatischen Cobots und eines Computer-Vision-Systems auf einer skalierten Montagelinie bietet erhebliche Vorteile gegenüber herkömmlichen Methoden der Qualitätskontrolle, sowohl manuell als auch vollautomatisch. Im Gegensatz zur manuellen Inspektion, die stark von der Wahrnehmung, der Erfahrung und der körperlichen Verfassung des Bedieners abhängt und aufgrund von Ermüdung oder längeren Arbeitsbedingungen zu Fehlern führen kann17, gewährleistet dieser Ansatz eine konsistente, objektive und präzise Bewertung, indem die menschliche Variabilität eliminiertwird 18.

Im Gegensatz zu vollautomatischen robotergestützten Inspektionssystemen, die oft starr und teuer in der Anpassung sind, bieten Cobots dank ihrer Lernfähigkeit durch Demonstration und der einfachen Neuprogrammierung19 eine höhere Flexibilität, was besonders in Umgebungen mit hoher Produktvariabilität nützlich ist. Darüber hinaus verbessert das System durch die Integration von Computer Vision die Genauigkeit der visuellen Inspektion erheblich und ermöglicht die Erkennung von Fehlern, die bei manuellen Überprüfungen möglicherweise unbemerkt bleiben10. Im Gegensatz zu Insellösungen verbindet er Wahrnehmung und Aktion, da der Cobot in Echtzeit auf erkannte Abweichungen reagiert.

Ein weiterer wichtiger Unterschied ist der pädagogische und schulungstechnische Ansatz, den diese skalierte Montagelinie bietet: Neben der Validierung eines technischen Prozesses hilft sie auch dabei, die Bediener in digitalen und industriellen Fähigkeiten zu schulen und die Arbeiter auf die Herausforderungen der Industrie 5.0vorzubereiten 20,21.

In diesem Artikel wird die Integration eines automatisierten Montageprozesses unter Verwendung eines kollaborativen Roboters UR322 zusammen mit einem CV-X Vision System23 untersucht. Bei dem zusammengebauten Produkt handelt es sich um ein maßstabsgetreues Industriemodell namens KanbUAMito, ein "Schneckengetriebe-Lernset", das ein Getriebesystem darstellt, das aus einer Schnecke und einem Schneckengetriebe besteht, das auch als Untersetzungsgetriebe bezeichnet wird, wie in Abbildung 1 gezeigt. Dieses Modell verfügt über sechs verschiedene Konfigurationen, die in Tabelle 1 aufgeführt sind.

Abbildung 1
Abbildung 1: Komponenten des Kanbuamito-Geräts. Verschiedene Komponenten, aus denen das zu montierende Endprodukt besteht. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

EndproduktWurmSchneckengetriebeBox (Deckel und Boden)
CE1GrauRotRot
CE2WeißGrauRot
CE3RotWeißRot
CE4RotGrauRot
CE5GrauWeißRot
CE6WeißRotRot

Tabelle 1: Mögliche Kombinationen des zu montierenden Produkts. Verschiedene Kombinationen des Endprodukts, die je nach den Farben variieren, die in den verschiedenen Komponenten verwendet werden, aus denen es besteht.

Diese Studie unterstreicht die Auswirkungen dieser technologischen Integration auf die Verbesserung der betrieblichen Effizienz, die frühzeitige Fehlererkennung und die Konsistenz der Produktqualität. Darüber hinaus werden die strategischen Auswirkungen der Umsetzung im Rahmen von Industrie 5.0 analysiert und betont, wie die Zusammenarbeit zwischen Menschen, kollaborativen Robotern und intelligenten Systemen die Entwicklung kontinuierlicher Verbesserungsstrategien fördern kann, die sich auf Flexibilität, Anpassung und Nachhaltigkeit von Produktionsprozessen konzentrieren.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dieses Dokument beschreibt das Simulationsprotokoll, das entwickelt wurde, um einen skalierten Produktionsprozess mit einem kollaborativen Roboterarm halbautomatisch zu replizieren. Der Prozess wird überwacht, um zu überprüfen, ob die Baugruppe korrekt abgeschlossen wurde oder Fehler enthält. Das Protokoll ist in zwei Hauptphasen gegliedert: i) Ausführung der Vorgänge, die für die Durchführung der Montage mit Unterstützung des Roboterarms erforderlich sind (Abschnitte 1-3); ii) Konfiguration des Computer-Vision-Systems, das zur Überwachung und Überprüfung der montierten Komponente verwendet wird (Abschnitte 4-8).

1. Anfänglicher Montagezustand

  1. Aktivieren Sie die Ausrüstung, die für die Ausführung des Protokolls erforderlich ist, die in der Materialtabelle aufgeführt ist.
    HINWEIS: Das Protokoll wird an einer verteilten Montagelinie ausgeführt, wie in Abbildung 2 dargestellt.
  2. Organisieren Sie die für die Montage erforderlichen Teile auf dem Nachschubfach gemäß dem in Abbildung 3 gezeigten Layout.

Abbildung 2
Abbildung 2: Layout der Montagelinie. Die Montagelinie besteht aus vier Hauptabschnitten: (A) dem Bereich, in dem der Produktmontageprozess stattfindet; (B) das Förderband, das das Werkstück nach Abschluss der Montage transportiert; (C) der Bereich, in dem das Bildverarbeitungssystem installiert ist, das für die Qualitätsprüfung der Endprodukte zuständig ist; und (D) der Raum, der dem Analysten zur Interpretation der durch das Bildverarbeitungssystem erzielten Ergebnisse zugewiesen ist. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 3
Abbildung 3: Anfängliches Layout der Teile für die Montage. Anfängliche Anordnung, in der die Komponenten, aus denen das Produkt besteht, vor Beginn des Montageprozesses platziert werden müssen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

2. Programmierung und Bedienung des kollaborativen Roboters

  1. Programmierung eines kollaborativen Roboters
    1. Positionieren Sie den Roboterarm an seiner ursprünglichen Position. Verwenden Sie die folgenden Koordinaten: X = 465,84 mm, Y = 71,87 mm und Z = -308,31 mm.
    2. Geben Sie die Programmiersequenz gemäß dem in Abbildung 4 gezeigten Baumdiagramm ein.
  2. Vollautomatische Fertigung
    1. Warten Sie, bis der Cobot die Montagesequenz beginnt, indem er den unteren Teil der Box aufhebt und zum Montagepunkt bewegt.
      HINWEIS: Der Roboterarm hat eine maximale Nutzlast von 3 kg und behält eine gleichbleibende Präzision von 0,03 mm bei. Es wird ein kollaborativer Greifer verwendet, der die Einstellung der aufgewendeten Kraft und des Schließabstands ermöglicht, die auf die Größe jedes am Montageprozess beteiligten Bauteils zugeschnitten sind.
    2. Anschließend nimmt der kollaborative Roboter die Schnecke auf und platziert sie an der entsprechenden Position innerhalb der Baugruppe.
    3. Anschließend nimmt der Roboter das Schneckengetriebe und montiert es auf der Kiste.
      HINWEIS: Diese Montagemethode wurde entwickelt, um einen Bruch oder eine Beschädigung des Schneckengetriebes zu verhindern. Erleichtert die Handhabung durch den Bediener und trägt zu einer höheren Qualität im Montageprozess bei.
    4. Sobald diese Baugruppen fertiggestellt sind, warten Sie, bis der Roboterarm sie in den manuellen Montagebereich überträgt, wo ein Bediener den Prozess fortsetzt (Abbildung 5).
  3. Manuelle Montage
    1. Lassen Sie den Bediener im Bereich der manuellen Montage die wie in Abbildung 6 platzierte Unterbaugruppe nehmen und die Montage gemäß der in Abbildung 7 beschriebenen Abfolge von Vorgängen durchführen.
    2. Stellen Sie nach Abschluss der manuellen Montage sicher, dass das montierte Teil vertikal auf dem Tablett platziert wird, wobei Sie darauf achten, dass die Schnecke nach hinten ausgerichtet ist (Abbildung 8).

Abbildung 4
Abbildung 4: Cobot-Programmiersequenz. Reihenfolge der Anweisungen, die in den kollaborativen Roboter geladen werden müssen. (A,B) Der erste bzw. zweite Teil der Programmiersequenz. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 5
Abbildung 5: Bewegungsablauf des kollaborativen Roboters in der automatischen Montage. Der Cobot führt die folgenden Aktionen aus: (A) nimmt die Basis auf und platziert sie auf der Vorrichtung; (B) nimmt dann die Spindel auf und positioniert sie auf der Basis; (C) positioniert die Abdeckung auf der Vorrichtung und dann das Getriebe; und (D) legt schließlich die zusammengebaute Basis und das Getriebe für die anschließende manuelle Montage auf der Vorrichtung ab. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 6
Abbildung 6: Bedieneraufnahmepunkt für die manuelle Montage. Layout, in dem die fertigen Querschnittsbaugruppen platziert werden müssen, bevor der Bediener mit der manuellen Montage beginnt. (A) Unterbaugruppe 1 befindet sich in diesem Bereich, und (B) in dieser Zone wird Unterbaugruppe 2 positioniert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 7
Abbildung 7: Manuelle Montagereihenfolge von Operationen. Der Werker führt die folgende Abfolge von Vorgängen aus: (A) nimmt die Unterbaugruppe 2 auf, (B) nimmt die Unterbaugruppe 1 auf, (C) positioniert die Unterbaugruppe 2 auf der Unterbaugruppe 1, (D) drückt beide Komponenten, um die Vorrichtung zu schließen, und (E) platziert das Endprodukt auf der Vorrichtung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Abbildung 8
Abbildung 8: Endprodukt auf der Vorrichtung. Die richtige Position, in der das Endprodukt auf der Vorrichtung platziert werden muss, bevor es zum Förderband transportiert wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

3. Transport zum Förderband

  1. Positionieren Sie den Cobot so, dass er die fertige Baugruppe greift.
  2. Sobald es gesichert ist, lassen Sie den Cobot das Endprodukt so nah wie möglich an den Sensor auf das Förderband übertragen, damit es von der Bildverarbeitungskamera inspiziert werden kann.
    HINWEIS: Die Montageschritte 3.1 bis 3.4 entsprechen der in Abbildung 4 rot hervorgehobenen Programmiersequenz.

4. Ausgangsbedingungen der Kamera und der Software

  1. Aktivieren Sie die Schnittstelle der Computer-Simulationssoftware der CV-X-Serie und aktivieren Sie den Konfigurationsmodus , um die Inspektionswerkzeuge zu bearbeiten.
  2. Klicken Sie in der oberen linken Ecke auf die Option Kameraeinrichtung und wählen Sie das Modell CA-035C mit einer Auflösung von 640 x 418 im progressiven Modus, einer Empfindlichkeit von 2,4 und einer Verschlusszeit von 1/15 ms, aktivieren Sie Blitz 1, wählen Sie das Beleuchtungsmodell DC40E aus, und klicken Sie schließlich auf OK (Abbildung 9).
    HINWEIS: Die Kamera bietet zwei progressive Scan-Auflösungen: 512 x 418 und 640 x 418 Pixel. Die höhere Auflösung wurde für eine bessere Anpassung und Bildqualität gewählt. Die Empfindlichkeit wurde auf 2,4 (auf einer Skala von 1 bis 7) eingestellt, um eine gute Bildqualität zu erhalten und eine Abnahme der Klarheit bei höherer Empfindlichkeit zu vermeiden. Die Verschlusszeit beträgt 1/15 ms, langsam, um Licht eindringen zu lassen, was ideal für schlechte Lichtverhältnisse ist.

Abbildung 9
Abbildung 9: Anfangsbedingungen des Bildverarbeitungssystems. Anfängliche Parameter, die im Bildverarbeitungssystem konfiguriert werden müssen. Jede dieser Einstellungen ist zur einfachen Identifizierung rot hervorgehoben. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

5. Bewertung von Funktionen

  1. Bewertung der Eigenschaften der Schneckenform
    1. Referenz zur Werkzeugeinrichtung und Bildregistrierung
      1. Aktivieren Sie in der Benutzeroberfläche die Option Werkzeuge hinzufügen , wählen Sie die Funktion ShapeTrax3 aus der Kategorie Funktionsliste aus und klicken Sie dann auf Hinzufügen.
      2. Sobald das Werkzeug ausgewählt ist, werden Sie aufgefordert, ein Referenzbild zu registrieren (ein Referenzbild entspricht einem gut erstellten Bild). Klicken Sie dazu auf das Symbol Ref.-Bild in der oberen rechten Ecke, wählen Sie dann Bild registrieren und klicken Sie auf Ausführen , um das Bild aufzunehmen. Wählen Sie als Nächstes das Bildformat BMP und klicken Sie auf Speichern.
        HINWEIS: An dieser Stelle wird ein Gutteil als ein Teil definiert, bei dem die Schnecke nach dem Zusammenbau der Schachtel aus der oberen linken Seite der Schachtel herausragt.
    2. Konfiguration der Wurmparameter
      1. Wählen Sie die Option Suchbereich aus . Es erscheint ein blaues Feld, das den Suchbereich definiert. Wählen Sie OK aus. Vergewissern Sie sich, dass dieses blaue Feld das Bild des in Schritt 5.1.1.2 ausgewählten Teils verdeckt.
      2. Wählen Sie die Option Musterbereich , um den Musterbereich anzupassen und die größtmögliche Ähnlichkeit mit der Referenz zu erreichen. Wählen Sie dazu die Form Polygon aus, skizzieren Sie den Umfang des Teils, und wählen Sie OK aus.
    3. Beurteilungsbedingungen für den Wurm
      1. Legen Sie in der Option "Beurteilungsbedingungen " den Prozentsatz der Übereinstimmung mit einer Höchstgrenze = 99,99 % und einer Mindestgrenze von = 70 % fest und wählen Sie dann "OK" aus.
  2. Bewertung der Formeigenschaften von Schneckenrädern
    HINWEIS: Um die Formeigenschaften des Schneckenrads zu bewerten, wiederholen Sie die Schritte 5.1 und 5.1.2.1.
    1. Konfiguration der Schneckengetriebe-Parameter
      1. Wählen Sie die Option Musterbereich , um den Musterbereich anzupassen und die größte Ähnlichkeit mit dem Referenzbild zu erzielen. Wählen Sie dazu die Form Kreis, markieren Sie den Umfang des Schneckenrads und wählen Sie OK.
    2. Beurteilungsbedingungen für das Schneckengetriebe
      1. Wählen Sie in der Option "Beurteilungsbedingungen " den Modus "Zählen" aus, legen Sie die Grenzwerte für Mindest- und Höchstwerte auf 1 fest und klicken Sie dann auf "OK".
  3. Bewertung der Eigenschaften der Schnecke und der Schneckengetriebestellung
    HINWEIS: Um die Positionsmerkmale zu bewerten, wiederholen Sie Schritt 5.1.1 und wählen Sie in der Kategorie Positionsanpassung die Funktion Profilposition .
    1. Konfiguration von Produktparametern
      1. Führen Sie Schritt 5.2.1.1 aus, wählen Sie jedoch diesmal die Form Rechteck aus.
    2. Beurteilungsbedingungen für das Produkt
      1. Legen Sie den Höchstbetrag auf 99,99 % und den Mindestgrenzwert auf 60 % fest.

6. Erkennung von Farben

  1. Beurteilungsbedingungen für den Wurm
    HINWEIS: Um die Farberkennungsfunktion des Wurms zu bewerten, ist es notwendig, die Schritte aus Schritt 5.1.1.1 zu wiederholen und in der Kategorie Anzahl die Cluster-Funktion auszuwählen. Ein neues Referenzbild muss ebenfalls mit Schritt 5.1.1.2 registriert werden, insbesondere mit den Farben, die das Tool erkennt. Wiederholen Sie dann die Schritte 5.1.2.1 und 5.1.2.2, wählen Sie jedoch die Form Rechteck aus, um das aus dem Quader herausragende Wurmsegment zu isolieren.
    1. Wählen Sie die Option Bereich maskieren , wählen Sie die Form Rechteck , umranden Sie den roten Rand des Teils, um diese Farbe während der Auswahl auszuschließen, und klicken Sie auf OK.
    2. Klicken Sie auf Farben extrahieren | Farbe in Binär. Wenn Sie das Dropdown-Symbol verwenden, klicken Sie auf Auswählen.
    3. Klicken Sie mehrmals auf den Wurmbereich, um die Farbe zu extrahieren. Die erfolgreiche Auswahl wird bestätigt, wenn im ausgewählten Bereich eine gelbe Markierung angezeigt wird, wie in Abbildung 10 dargestellt.
    4. Legen Sie die Beurteilungsbedingungen mit einem Höchstlimit = 1 und einem Mindestlimit = 0 fest.
  2. Beurteilungsbedingungen für das Schneckengetriebe
    HINWEIS: Um die Farberkennungsfunktion des Schneckenrads zu bewerten, ist es notwendig, die Schritte in Schritt 5.1.1.1 zu wiederholen und unter der Kategorie Anzahl die Cluster-Funktion auszuwählen. Ein neues Referenzbild muss mit den Farben registriert werden, die das Tool erkennen soll, wie in Schritt 5.1.1.2 beschrieben. Wiederholen Sie dann die Schritte 5.1.2.1 und 5.1.2.2, mit dem Unterschied, dass die Kreisform ausgewählt werden sollte, um das aus dem Kasten herausragende Segment des Schneckenrads zu isolieren.
    1. Wählen Sie die Option "Bereich maskieren " aus, wählen Sie die Form "Rechteck " und umreißen Sie den roten Rand des Teils, um diese Farbe bei der Auswahl auszuschließen. Klicken Sie auf OK.
    2. Klicken Sie auf Farben extrahieren | Farbe in Binär. Klicken Sie auf das Pipettensymbol und wählen Sie die Option Auswählen.
    3. Klicken Sie in der Schneckenradfigur mehrmals, um die gewünschte Farbe zu extrahieren. Die richtige Auswahl wird bestätigt, wenn eine gelbe Überlagerung über dem ausgewählten Bereich angezeigt wird.
    4. Legen Sie die Beurteilungsbedingungen mit einem Höchstlimit = 1 und einem Mindestlimit = 0 fest.
      HINWEIS: Die Schritte 6.1 und 6.2 müssen für alle Farbkombinationen des Schneckengetriebes wiederholt werden.

Abbildung 10
Abbildung 10: Überbelichtung mit Würmern. Das Bildverarbeitungssystem erkennt die Spindel. Die erfolgreiche Auswahl wird bestätigt, wenn der ausgewählte Bereich durch einen gelben Rahmen hervorgehoben wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

7. Vorbereitung der Kamera- und Softwarebedingungen für den Betrieb

  1. Aktivieren Sie die Benutzeroberfläche des Programms CV-X Series Simulation Software vom Computer aus und aktivieren Sie den Modus Switch to Run Mode. Wählen Sie dann das Dienstprogrammsymbol und klicken Sie auf die Option I/O-Monitor.
  2. Aktivieren Sie die Terminals, die den Kameracontroller mit dem Cobot-Controller verbinden. Aktivieren Sie in diesem Fall die folgenden OUT-Klemmen : F_OUT3 (RUN), OUT3 (CMD_READY), OUT4 (READY1)
  3. Wählen Sie in der Softwareoberfläche das Symbol Ausgabe aus und aktivieren Sie im Abschnitt Gesamtstatus alle in den Abschnitten 4, 5 und 6 festgelegten Tools.

8. Erfassung der Simulationsergebnisse

HINWEIS: Wenn der Bewegungssensor das Produkt erkennt, stoppt das Förderband und es wird ein Foto aufgenommen, um den Inspektionsprozess anhand der in den Abschnitten 4, 5 und 6 festgelegten Parameter durchzuführen.

  1. Aktivieren Sie die Software-Schnittstelle auf dem Computer und aktivieren Sie den Switch to Run Mode. Wählen Sie dann das Dienstprogrammsymbol und klicken Sie auf die Option Statistiken . Wählen Sie die Art des zu überprüfenden Diagramms, z. B. ein Trenddiagramm oder ein Histogramm, das eine Qualitätsanalyse ermöglicht und die Entscheidungsfindung auf der Grundlage des Datenmanagements durch den neuen Prozessmanager unterstützt (Abbildung 11).

Abbildung 11
Abbildung 11: Auswahl der statistischen Prozesskontrolle. Der rot markierte Bereich zeigt das Symbol an, das ausgewählt werden muss, um nach dem Simulationslauf auf die Statistische Prozesssteuerung zuzugreifen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dieses Dokument stellt ein Protokoll für die halbautomatische Simulation eines skalierten Modells eines Produktionsprozesses unter Verwendung eines kollaborativen Roboterarms vor. Die Qualität des Endprodukts wird durch ein Computer-Vision-System bewertet, das kritische Merkmale der Baugruppe überprüft.

Ein wesentliches Instrument zur Identifizierung und Analyse potenzieller Fehler in einem Produktionsprozess ist die statistische Prozesskontrolle (SPC), die auf der Anwendung statistischer Meth...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Auf dem heutigen wettbewerbsintensiven globalen Markt sind kontinuierliche Verbesserung und Anpassungsfähigkeit für ein Unternehmen unerlässlich, um seine Wettbewerbsfähigkeit zu erhalten und sein Überleben zu sichern. Daher ist es von entscheidender Bedeutung, die Erwartungen der Kunden zu übertreffen, indem Qualitätsprodukte pünktlich und zu wettbewerbsfähigen Kosten geliefertwerden 29.

Die skalierte Simulation von Produktionsprozesse...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben keine Interessenkonflikte offenzulegen.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Dieser Artikel wird vom Nationalen Polytechnischen Institut (Instituto Politécnico Nacional) Mexikos im Rahmen des Projekts Nr. 20250776 unterstützt, das vom Sekretariat für Forschung und Postgraduiertenforschung (Secretaría de Investigación y Posgrado), Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI) gefördert wird. Zusätzliche Unterstützung erhielt ich durch das Stipendium, das mit der CVU 1145035 von der Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI) gewährt wurde. Darüber hinaus wird dieser Artikel auch von der Metropolitan Autonomous University (Universidad Autónoma Metropolitana) von Mexiko im Rahmen des Projekts SI004-20 unterstützt. Außerdem ist diese Forschung Teil des Aufrufs 2025 für interinstitutionelle Kooperationsprojekte IPN-UAM-UAEMÉX im Rahmen des Projekts Desarrollo de una Aplicación de Inteligencia Artificial para el seguimiento de contaminantes, salud, y Análisis de Factores Determinantes para el Estado de México.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Kollaborativer RoboterarmUniversal Robot UR3-Modell (CB-3 UR3)
FörderbandGamalier Ein Förderband mit den Maßen 30 x 150 cm
Fotoelektrischer SensorOMRONE3F2-DS10B4-N 
SehsystemSchlüsselCV-X-300 

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Broday, E. E. The evolution of quality: from inspection to quality 4.0. Int J Qual Serv Sci. 14 (3), 368-382 (2022).
  2. Galindo-Salcedo, M., Pertúz-Moreno, A., Guzmán-Castillo, S., Gómez-Charris, Y., Romero-Conrado, A. R. Smart manufacturing applications for inspection and quality assurance processes. Procedia Comput Sci. 198, 536-541 (2022).
  3. Colgate, J. E., Wannasuphoprasit, W., Peshkin, M. A. Cobots: robots for collaboration with human operators. Proc Inst Mech Eng C Mech Eng Sci. 58, 433-439 (1996).
  4. Fournier, É, et al. Human-cobot collaboration's impact on success, time completion, errors, workload, gestures and acceptability during an assembly task. Appl Ergon. 119, 104306(2024).
  5. Matheson, E., Minto, R., Zampieri, E. G., Faccio, M., Rosati, G. Human-robot collaboration in manufacturing applications: a review. Robotics. 8 (4), 100(2019).
  6. Gualtieri, L., Rauch, E., Vidoni, R. Emerging research fields in safety and ergonomics in industrial collaborative robotics: a systematic literature review. Robot Comput Integr Manuf. 67, 101998(2021).
  7. Rasheed, R., Sathya, R., Vaishali, V., Balavedhaa, S., Nagarajan, J. Industry 5.0: enhancing human-robot collaboration through collaborative robots: a review. In 2023 2nd International Conference on Advancements in Electrical, Electronics, Communication, Computing and Automation. , 1-6 (2023).
  8. Prassida, G. F., Asfari, U. A conceptual model for the acceptance of collaborative robots in Industry 5.0. Proc Comput Sci. 197, 61-67 (2022).
  9. Patil, S., Vasu, V., Srinadh, K. V. Advances and perspectives in collaborative robotics: a review of key technologies and emerging trends. Discov Mech Eng. 2, 13(2023).
  10. Gómez-Hernández, J., Gutiérrez-Hernández, J., Jimeno-Morenilla, A., Sánchez-Romero, J., Fabregat-Periago, M. Development of an integrated robotic workcell for automated bonding in footwear manufacturing. IEEE Access. 12, 5066-5080 (2024).
  11. Reinhart, G. CIRP Encyclopedia of Production Engineering. , 1st ed, Springer. (2014).
  12. Tsai, D. M., Wu, S. C., Chiu, W. Y. Defect detection in solar modules using ICA basis images. IEEE Trans Ind Inf. 9 (1), 122-131 (2012).
  13. Chaabani, A., Cherif, R., Yaddaden, Y. Automating quality control: real-time defect detection and automated decision-making with AI and Doosan Robotics. Int J Intell Robot Appl. , https://www.researchsquare.com/article/rs-4823989/v1 (2025).
  14. Can end inspection using neuro-fuzzy modeling. Marino, P., Pastoriza, V., Santamaría, M., Martínez, E. In IEEE Conference on Cybernetics and Intelligent Systems, 2, 926-930 (2004).
  15. Magalhaes, P., Ferreira, N. Inspection application in an industrial environment with collaborative robots. Automation. 3 (2), 258-268 (2022).
  16. Puttero, S., Verna, E., Genta, G., Galetto, M. Collaborative robots for quality control: an overview of recent studies and emerging trends. J Intell Manuf. , (2025).
  17. Salas-Arias, K. M., Madriz-Quirós, C. E., Sánchez-Brenes, O., Sánchez-Brenes, M., Hernández-Granados, J. B. Factores que influyen en errores humanos en procesos de manufactura moderna. Tecnol En Marcha. 31 (1), 22(2018).
  18. Balazikova, M., Kotianova, Z. Human reliability analysis in acetylene filling operations: risk assessment and mitigation strategies. Appl Sci. 15 (8), 4558(2025).
  19. Fager, P., Calzavara, M., Sgarbossa, F. Kit preparation with cobot-supported sorting in mixed model assembly. IFAC-Pap. 52 (13), 1878-1883 (2019).
  20. Kumar, R., Patil, O., Nath, K., Sangwan, K. S., Kumar, R. A machine vision-based cyber-physical production system for energy efficiency and enhanced teaching-learning using a learning factory. Procedia CIRP. 98, 424-429 (2021).
  21. Kragic, D., Gustafson, J., Karaoguz, H., Jensfelt, P., Krug, R. Interactive collaborative robots: challenges and opportunities. IJCAI. , 18-25 (2018).
  22. Brazo Robótico UR3E. , Universal Robots. https://www.universal-robots.com/es/productos/robot-ur3/ (2025).
  23. Sistema de visión de fácil programación - Serie CV-X. , KEYENCE México. https://www.keyence.com.mx/products/vision/vision-sys/cv-x100/ (2025).
  24. Chen, K., Yu, K., Sheu, S. Process capability monitoring chart with an application in the silicon-filler manufacturing process. Int J Prod Econ. 103 (2), 565-571 (2006).
  25. Deleryd, M., Vännman, K. Process capability plots: a quality improvement tool. Qual Reliab Eng Int. 15, 213-227 (1999).
  26. Chen, K. S., Li, F. C., Lai, K. K., Lin, J. M. Green outsourcer selection model based on confidence interval of PCI for SMT process. Sustainability. 14, 16667(2022).
  27. Boyles, R. A. The Taguchi capability. J Qual Technol. 23, 17-26 (1991).
  28. Franco-Santo, M., et al. Towards a definition of a business performance measurement system. Int J Oper Prod Manag. 27 (8), 784-801 (2007).
  29. Madanhire, I., Mbohwa, C. Application of statistical process control (SPC) in manufacturing industry in a developing country. Procedia CIRP. 40, 580-583 (2016).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Robotic Arm CollaborationVision System MonitoringQuality Control AutomationStatistical Process ControlProcess Capability IndicesCollaborative Robot AssemblyComputer Vision InspectionControl Chart AnalysisShape EvaluationColor Evaluation

Related Articles