Method Article

Simulatie van een geschaald assemblageproces met samenwerking van een robotarm en monitoring via een vision-systeem voor kwaliteitscontrole

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 presenteren we een protocol voor de simulatie en monitoring van een geschaald semi-geautomatiseerd assemblageproces, door de samenwerking van een collaboratieve robot en verificatie via een computervisiesysteem voor kwaliteitscontrole.

Abstract

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

Dit protocol beschrijft de semi-geautomatiseerde simulatie van een geschaalde productielijn voor het samenstellen van een educatieve wormwielset, met behulp van een collaboratieve robotarm en een computervisiesysteem om de productkwaliteit te bewaken door twee hoofdcriteria te evalueren: vorm en kleur. Het doel van deze studie is het genereren van consistente en betrouwbare gegevens om de capaciteit, stabiliteit en conformiteit van het proces te beoordelen volgens de specificaties van de klant. Het protocol biedt een duidelijk methodologisch kader voor het verzamelen en analyseren van belangrijke indicatoren door middel van statistische procescontrole (SPC), met behulp van capaciteitsindices, zoals procescapaciteit (Cp), procescapaciteitsindex aangepast voor centrering (Cpk), bovenste procescapaciteit (Cpu) en lagere procescapaciteit (Cpl), en grafische hulpmiddelen zoals histogrammen en controlegrafieken. Deze maken het mogelijk om afwijkingen en trends in kritieke productkenmerken te identificeren. De resultaten van de vormevaluatie geven aan dat het geautomatiseerde proces onder statistische controle staat, hoewel met een neiging naar de bovenste specificatielimiet, wat suggereert dat het procesgemiddelde moet worden aangepast. Daarentegen onthult de kleurevaluatie een grotere variabiliteit, een laag vermogen (Cpk = 0,539) en wijst het op een externe controle, wat wijst op instabiliteit die onmiddellijke corrigerende maatregelen vereist. Op basis van deze bevindingen wordt aanbevolen om corrigerende maatregelen te nemen om de kleurvariabiliteit te verminderen, zoals een strengere controle van invoer, standaardisatie van lichtomstandigheden en herziening van operationele methoden. Over het algemeen versterken de resultaten het belang van de integratie van geautomatiseerde technologieën met statistische tools zoals SPC om kritieke afwijkingen te identificeren, processen te optimaliseren en productconformiteit te garanderen. Deze synergie tussen automatisering en statistische analyse vormt een belangrijke pijler om het concurrentievermogen te behouden in steeds veeleisender wordende industriële omgevingen. Daarnaast biedt dit protocol een solide basis voor het doorvoeren van verbeteringen in echte productielijnen.

Introduction

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

De snelle vooruitgang van automatisering in industriële processen heeft geleid tot een aanzienlijke transformatie in productiesystemen. Deze evolutie heeft kritieke gebieden aanzienlijk verbeterd, waaronder operationele efficiëntie, kostenbesparingen, processtandaardisatie en optimalisatie van de productkwaliteit1. In deze context heeft technologische vooruitgang geleid tot de implementatie van complexere en gespecialiseerdere oplossingen, die in staat zijn om te voldoen aan de eisen van een steeds flexibelere, preciezere en aanpasbare productie2.

Een van de belangrijkste ontwikkelingen in dit nieuwe industriële tijdperk is de integratie van collaboratieve robots, ook wel cobots genoemd. Deze apparaten vertegenwoordigen een evolutie van traditionele industriële robotica, aangezien ze zijn ontworpen om veilig en efficiënt samen te werken met menselijke operators in gedeelde omgevingen 3,4,5. Hun collaboratieve karakter verbetert niet alleen de flexibiliteit van productieprocessen, maar verhoogt ook het veiligheidsniveau in operaties, omdat ze zijn uitgerust met geavanceerde sensoren die gecontroleerde interactie en milieubewustzijn mogelijk maken6.

In het kader van Industrie 5.0, dat een harmonieuze mix van intelligente automatisering en menselijke bijdrage aanmoedigt, worden cobots essentiële hulpmiddelen voor het bevorderen van mensgerichte productie7. In plaats van werknemers te vervangen, zijn deze systemen ontworpen om hun vaardigheden te vergroten door repetitieve taken efficiënt en met hoge precisie uit te voeren en zich flexibel aan te passen aan ploegendiensten in de productieomgeving8, waardoor een meer geïntegreerd en effectief werkmodel wordt bevorderd.

Door hun veelzijdigheid kunnen ze worden toegepast in verschillende industrieën, zoals auto-assemblage, logistiek, schoenenproductie, medische hulpmiddelen en meer, waar ze bijdragen aan het verbeteren van de productiviteit en proceskwaliteit 9,10. Deze samenwerkingsdynamiek heeft productiesystemen opnieuw gedefinieerd en brengt nieuwe uitdagingen met zich mee op het gebied van opleiding, technologische aanpassing en herontwerp van processen7.

In deze context beschrijft dit document het ontwerp en de implementatie van een verkleinde assemblagelijn die is ontwikkeld rond een educatieve set wormwielen. Dit type lijn vertegenwoordigt een gereduceerde en functionele versie van een industriële productielijn, ontworpen voor didactische doeleinden om op een gecontroleerde manier de processen, stromen en bewerkingen te simuleren die typisch zijn voor een echte productieomgeving11.

Het is een fysieke en operationele opstelling die het mogelijk maakt om de productiedynamiek duidelijk te observeren, geautomatiseerde technologieën te testen en kwaliteitsborgingsmethoden toe te passen, terwijl de risico's en kosten die gepaard gaan met directe experimenten in industriële installaties tot een minimum worden beperkt. Deze aanpak biedt een waardevol educatief hulpmiddel en een voorlopig validatieplatform voor oplossingen zoals collaboratieve robots en vision-systemen, ter ondersteuning van strategische besluitvorming op het gebied van automatisering, continue verbetering en operationele efficiëntie11.

Een belangrijke factor voor de succesvolle automatisering en integratie van cobots is de implementatie van op visie gebaseerde kwaliteitscontrolesystemen. Uitgerust met camera's met hoge resolutie, stellen vision-systemen collaboratieve robots in staat om hun omgeving nauwkeurig waar te nemen en te interpreteren, en leveren ze gedetailleerde visuele gegevens voor objectherkenning, anomaliedetectie en autonome navigatie12. In sommige gevallen fungeren deze systemen als complete oplossingen, terwijl ze in andere gevallen kunnen worden aangepast om in combinatie te werken.

Een van de belangrijkste toepassingen van dit type collaboratieve robots is kwaliteitscontrole, waarbij deze systemen het mogelijk maken om defecten op productielijnen vroegtijdig op te sporen. Real-time anomaliedetectie maakt het mogelijk om defecte onderdelen tijdig te verwijderen, waardoor de kosten die gepaard gaan met nabewerking, materiaalverspilling of klachten van klanten worden vermeden13. Deze mogelijkheid voor continue en niet-invasieve inspectie zorgt voor een grotere consistentie in productkwaliteit en versterkt de traceerbaarheid van processen.

De systematische integratie van deze technologieën stelt collaboratieve robots in staat om hun omgeving effectief waar te nemen, te begrijpen en erop te reageren, waardoor hun autonomie en operationele prestaties worden verbeterd14.

Recente studies hebben aangetoond dat de combinatie van kwaliteitscontrole met behulp van camera's en collaboratieve robots niet alleen menselijke fouten vermindert, maar ook de procesbetrouwbaarheid verbetert, waardoor de precisie bij kritieke assemblage- en verificatietaken toeneemt15. Deze synergie maakt hogere niveaus van controle, aanpassingsvermogen en efficiëntie mogelijk, die essentieel zijn in moderne industriële omgevingen die worden gekenmerkt door massamaatwerk en productie op aanvraag16.

Het gebruik van deze technologieën vereist een alomvattende aanpak die continue real-time gegevensmonitoring en het gebruik van kwaliteitsindices omvat om weloverwogen besluitvorming mogelijk te maken. Instrumenten zoals statistische procesanalyse bieden een robuust platform voor continue verbetering, zodat bedrijven zich kunnen aanpassen aan marktveranderingen en op de lange termijn een hoog niveau van concurrentievermogen kunnen behouden16.

De implementatie van een semi-geautomatiseerd cobot- en computervisiesysteem op een geschaalde assemblagelijn biedt aanzienlijke voordelen ten opzichte van traditionele kwaliteitscontrolemethoden, zowel handmatig als volledig geautomatiseerd. In tegenstelling tot handmatige inspectie, die sterk afhankelijk is van de perceptie, ervaring en fysieke conditie van de operator, wat kan leiden tot fouten als gevolg van vermoeidheid of langdurige werkomstandigheden17, zorgt deze aanpak voor een consistente, objectieve en nauwkeurige evaluatie door menselijke variabiliteit te elimineren18.

In tegenstelling tot volledig geautomatiseerde robotinspectiesystemen, die vaak rigide en duur zijn om aan te passen, bieden cobots meer flexibiliteit dankzij hun mogelijkheden om te leren door demonstratie en het gemak waarmee ze kunnen worden geherprogrammeerd19, wat vooral handig is in omgevingen met een hoge productvariabiliteit. Door de integratie van computervisie verbetert het systeem bovendien de nauwkeurigheid van visuele inspecties aanzienlijk en maakt het de detectie mogelijk van defecten die mogelijk onopgemerkt blijven in handmatige beoordelingen10. In tegenstelling tot geïsoleerde oplossingen combineert het perceptie en actie, omdat de cobot in realtime reageert op gedetecteerde afwijkingen.

Een ander belangrijk verschil is de pedagogische en opleidingsaanpak die deze geschaalde assemblagelijn biedt: naast het valideren van een technisch proces, helpt het ook om operators op te leiden in digitale en industriële vaardigheden, waardoor werknemers worden voorbereid op de uitdagingen van Industrie 5.020,21.

Dit artikel onderzoekt de integratie van een geautomatiseerd assemblageproces met behulp van een collaboratieve robot UR322, samen met een CV-X vision-systeem23. Het geassembleerde product is een industrieel schaalmodel genaamd KanbUAMito, een "educatieve wormwielset" die een transmissiesysteem vertegenwoordigt dat bestaat uit een wormwiel en een wormwiel, ook wel bekend als een snelheidsreductiemiddel, zoals weergegeven in figuur 1. Dit model heeft zes verschillende configuraties, die worden beschreven in tabel 1.

Figuur 1
Figuur 1: Onderdelen van het Kanbuamito-apparaat. Verschillende componenten waaruit het te assembleren eindproduct bestaat. Klik hier om een grotere versie van deze figuur te bekijken.

EindproductWormWormwielDoos (deksel en bodem)
CE1GrijsRoodRood
CE2WitGrijsRood
CE3RoodWitRood
CE4RoodGrijsRood
CE5GrijsWitRood
CE6WitRoodRood

Tabel 1: Mogelijke combinaties van het te monteren product. Verschillende combinaties van het eindproduct, die variëren afhankelijk van de kleuren die worden gebruikt in de verschillende componenten waaruit het bestaat.

Deze studie benadrukt de impact van deze technologische integratie op het verbeteren van de operationele efficiëntie, vroege detectie van defecten en consistentie van de productkwaliteit. Daarnaast analyseert het de strategische implicaties van de implementatie ervan binnen het Industry 5.0-kader, waarbij wordt benadrukt hoe samenwerking tussen mensen, collaboratieve robots en intelligente systemen de ontwikkeling van strategieën voor continue verbetering gericht op flexibiliteit, maatwerk en duurzaamheid van productieprocessen kan verbeteren.

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

Protocol

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

Dit document schetst het simulatieprotocol dat is ontworpen om een geschaald productieproces semi-automatisch te repliceren met behulp van een collaboratieve robotarm. Het proces wordt gemonitord om te controleren of de assemblage correct is voltooid of fouten bevat. Het protocol is gestructureerd in twee hoofdfasen: i) uitvoering van de bewerkingen die nodig zijn om de assemblage uit te voeren met behulp van de robotarm (secties 1-3); ii) configuratie van het computervisiesysteem dat wordt gebruikt om het geassembleerde onderdeel te bewaken en te verifiëren (secties 4-8).

1. Initiële montagevoorwaarde

  1. Activeer de apparatuur die nodig is voor de uitvoering van het protocol, dat wordt beschreven in de materiaaltabel.
    OPMERKING: Het protocol wordt uitgevoerd op een gedistribueerde assemblagelijn zoals weergegeven in afbeelding 2.
  2. Organiseer de benodigde onderdelen voor montage op de aanvullingslade, volgens de lay-out die wordt weergegeven in afbeelding 3.

Figuur 2
Figuur 2: Lay-out van de lopende band. De assemblagelijn bestaat uit vier hoofdsecties: (A) het gebied waar het productassemblageproces plaatsvindt; (B) de transportband die het stuk transporteert zodra de montage is voltooid; (C) de zone waar het vision-systeem is geïnstalleerd dat verantwoordelijk is voor de inspectie van de kwaliteit van de eindproducten; en (D) de ruimte die is aangewezen voor de analist om de resultaten te interpreteren die via het visiesysteem zijn verkregen. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3
Figuur 3: Eerste lay-out van de stukken voor montage. Eerste opstelling waarin de componenten waaruit het product bestaat, moeten worden geplaatst voordat met het assemblageproces wordt begonnen. Klik hier om een grotere versie van deze figuur te bekijken.

2. Programmering en bediening van de collaboratieve robot

  1. Programmeren van een collaboratieve robot
    1. Plaats de robotarm op de oorspronkelijke locatie. Gebruik de volgende coördinaten: X = 465,84 mm, Y = 71,87 mm en Z =-308,31 mm.
    2. Voer de programmeervolgorde in volgens het boomdiagram in afbeelding 4.
  2. Automatische montage
    1. Wacht tot de cobot begint met de assemblage door het onderste deel van de doos op te pakken en naar het assemblagepunt te verplaatsen.
      OPMERKING: De robotarm heeft een maximaal laadvermogen van 3 kg en behoudt een constante precisie van 0,03 mm. Er wordt gebruik gemaakt van een collaboratieve grijper, waarmee de uitgeoefende kracht en de sluitafstand kunnen worden aangepast, op maat gemaakt voor de grootte van elk onderdeel dat bij het assemblageproces betrokken is.
    2. Vervolgens pakt de collaboratieve robot de worm op en plaatst deze op de overeenkomstige positie in het geheel.
    3. De robot neemt vervolgens het wormwiel en monteert het bovenop de doos.
      NOTITIE: Deze montagemethode is ontworpen om breuk of schade aan het wormwiel te voorkomen. Vergemakkelijkt de bediening door de operator en draagt bij aan een hogere kwaliteit in het assemblageproces.
    4. Zodra deze subassemblages zijn voltooid, wacht u tot de robotarm ze naar de handmatige assemblageruimte brengt, waar een operator het proces zal voortzetten (Afbeelding 5).
  3. Handmatige montage
    1. Laat de bediener in de handmatige assemblageruimte de subassemblage nemen die is geplaatst zoals weergegeven in afbeelding 6 en de montage uitvoeren volgens de volgorde van bewerkingen die worden beschreven in afbeelding 7.
    2. Zorg er na voltooiing van de handmatige montage voor dat het geassembleerde onderdeel verticaal op de bak wordt geplaatst en zorg ervoor dat de worm naar achteren is gericht (Figuur 8).

Figuur 4
Figuur 4: Programmeervolgorde van de cobot. Volgorde van instructies die in de collaboratieve robot moeten worden geladen. (een, b) Het eerste en tweede deel van de programmeerreeks. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 5
Figuur 5: Volgorde van de bewegingen van de collaboratieve robot in de automatische assemblage. Cobot voert de volgende reeks acties uit: (A) pakt de basis op en plaatst deze op de mal; (B) pakt vervolgens de spil op en plaatst deze op de basis; (C) plaatst het deksel op de mal en vervolgens op het tandwiel; en (D) deponeert ten slotte de geassembleerde basis en het tandwiel op de mal voor de daaropvolgende handmatige montage. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 6
Afbeelding 6: Ophaalpunt voor de operator voor handmatige montage. Lay-out waarin de voltooide subassemblages moeten worden geplaatst voordat de operator met de handmatige assemblage begint. (A) Subassemblage 1 wordt in dit gebied geplaatst, en (B) in deze zone wordt subassemblage 2 geplaatst. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 7
Figuur 7: Handmatige assemblagevolgorde van bewerkingen. De operator voert de volgende reeks bewerkingen uit: (A) pakt subassemblage 2 op, (B) pakt subassemblage 1 op, (C) plaatst subassemblage 2 bovenop subassemblage 1, (D) drukt op beide componenten om het apparaat te sluiten, en (E) plaatst het eindproduct op de mal. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 8
Figuur 8: Eindproduct op de mal. De juiste positie waarin het eindproduct op de mal moet worden geplaatst voordat het naar de transportband wordt getransporteerd. Klik hier om een grotere versie van deze figuur te bekijken.

3. Transport naar de transportband

  1. Plaats de cobot om het voltooide geheel vast te pakken.
  2. Eenmaal vastgezet, laat de cobot het eindproduct zo dicht mogelijk bij de sensor naar de transportband brengen, zodat het kan worden geïnspecteerd door de vision-camera.
    OPMERKING: Montagestappen 3.1-3.4 komen overeen met de programmeervolgorde die rood is gemarkeerd in Figuur 4.

4. Beginvoorwaarden van de camera en software

  1. Schakel de interface van de computer in CV-X-serie simulatiesoftware in en activeer de configuratiemodus om de inspectietools te bewerken.
  2. Klik in de linkerbovenhoek op de optie voor het instellen van de camera en selecteer het CA-035C-model, met een resolutie van 640 x 418 in progressieve modus, de gevoeligheid ingesteld op 2.4, de sluitertijd op 1/15 ms, schakel Flash 1 in, selecteer het DC40E-verlichtingsmodel en klik ten slotte op OK (Afbeelding 9).
    OPMERKING: De camera biedt twee progressieve scanresoluties: 512 x 418 en 640 x 418 pixels. Er is gekozen voor de hogere resolutie voor een betere aanpassing en beeldkwaliteit. De gevoeligheid werd ingesteld op 2,4 (op een schaal van 1 tot 7) om een goede beeldkwaliteit te behouden en afname van de helderheid bij een hogere gevoeligheid te voorkomen. De sluitertijd is 1/15 ms, traag om licht binnen te laten, wat ideaal is voor omstandigheden met weinig licht.

Figuur 9
Figuur 9: Beginvoorwaarden van het vision-systeem. Eerste parameters die in het vision-systeem moeten worden geconfigureerd. Elk van deze instellingen is rood gemarkeerd voor gemakkelijke identificatie. Klik hier om een grotere versie van deze figuur te bekijken.

5. Evaluatie van de kenmerken

  1. Evaluatie van de eigenschappen van de wormvorm
    1. Toolinstelling en referentie voor beeldregistratie
      1. Schakel in de interface de optie Tools toevoegen in en selecteer de ShapeTrax3-functie in de categorie Functielijst en klik vervolgens op Toevoegen.
      2. Zodra de tool is geselecteerd, wordt u gevraagd om een referentieafbeelding te registreren (een referentieafbeelding komt overeen met een goed gebouwde afbeelding). Om dit te doen, klikt u op de Ref. Afbeelding pictogram in de rechterbovenhoek, selecteer vervolgens Afbeelding registreren en klik op Uitvoeren om de afbeelding vast te leggen. Kies vervolgens de afbeeldingsindeling BMP en klik op Opslaan.
        OPMERKING: Op dit punt wordt een goed deel gedefinieerd als een deel waarin, zodra de doos is gemonteerd, de worm uit de linkerbovenhoek van de doos steekt.
    2. Configuratie van wormparameters
      1. Selecteer de optie Zoekregio ; Er verschijnt een blauw vak dat het zoekgebied definieert. Selecteer Ok. Controleer of dit blauwe vak de afbeelding bedekt van het onderdeel dat in stap 5.1.1.2 is geselecteerd.
      2. Selecteer de optie Patroongebied om het patroongebied aan te passen en de grootst mogelijke gelijkenis met de verwijzing te bereiken. Kies hiervoor de vorm Veelhoek , omlijn de omtrek van het onderdeel en selecteer Ok.
    3. Oordeelsvoorwaarden voor de worm
      1. Stel in de optie Voorwaarden voor oordeel het percentage overeenkomsten in met een maximumlimiet = 99,99% en een minimumlimiet = 70% en selecteer vervolgens Ok.
  2. Evaluatie van de vormkarakteristieken van het wormwiel
    OPMERKING: Om de vormkenmerken van het wormwiel te evalueren, herhaalt u de stappen 5.1 en 5.1.2.1.
    1. Configuratie van wormwielparameters
      1. Selecteer de optie Patroongebied om het patroongebied aan te passen en de grootste gelijkenis met de referentieafbeelding te bereiken. Kies hiervoor de vorm Cirkel, markeer de omtrek van het wormwiel en selecteer Ok.
    2. Oordeelsvoorwaarden voor het wormwiel
      1. Selecteer in de optie Oordeelsvoorwaarden de modus Telling en stel de limieten van minimum- en maximumwaarden in op 1 en klik vervolgens op OK.
  3. Evaluatie van de positiekarakteristieken van worm- en wormwieloverbrenging
    OPMERKING: Herhaal stap 5.1.1 om de positiekenmerken te evalueren en selecteer in de categorie Positieaanpassing de functie Profielpositie .
    1. Configuratie van productparameters
      1. Volg stap 5.2.1.1, maar selecteer deze keer de vorm Rechthoek .
    2. Oordeelsvoorwaarden voor het product
      1. Stel de maximumlimiet in op 99,99% en de minimumlimiet op 60%.

6. Detectie van kleuren

  1. Oordeelsvoorwaarden voor de worm
    OPMERKING: Om de kleurdetectiefunctie van de worm te evalueren, is het noodzakelijk om de stappen uit stap 5.1.1.1 te herhalen en binnen de categorie Aantal de functie Cluster te selecteren. Een nieuwe referentieafbeelding moet ook worden geregistreerd met behulp van stap 5.1.1.2, met name inclusief de kleuren die de tool zal detecteren. Herhaal vervolgens stap 5.1.2.1 en 5.1.2.2, maar selecteer de vorm Rechthoek om het wormsegment dat uit de doos steekt te isoleren.
    1. Selecteer de optie Maskergebied , kies de vorm Rechthoek , omlijn de rode rand van het onderdeel om deze kleur tijdens de selectie uit te sluiten en klik op OK.
    2. Klik op Kleuren extraheren | Kleur naar binair. Wanneer u het vervolgkeuzepictogram gebruikt, klikt u op Kiezen.
    3. Klik meerdere keren op het wormgebied om de kleur te extraheren. Een succesvolle selectie wordt bevestigd wanneer een gele markering verschijnt in het geselecteerde gebied, zoals weergegeven in afbeelding 10.
    4. Stel de oordeelsvoorwaarden in met een maximumlimiet = 1 en een minimumlimiet = 0.
  2. Oordeelsvoorwaarden voor het wormwiel
    OPMERKING: Om de kleurdetectiefunctie van het wormwiel te evalueren, is het noodzakelijk om de stappen in stap 5.1.1.1 te herhalen en onder de categorie Aantal de functie Cluster te selecteren. Er moet een nieuw referentiebeeld worden geregistreerd met de kleuren die het hulpmiddel moet detecteren, zoals beschreven in stap 5.1.1.2. Herhaal vervolgens de stappen 5.1.2.1 en 5.1.2.2, met dit verschil dat de vorm van de cirkel moet worden gekozen om het segment van het wormwiel dat uit de doos steekt te isoleren.
    1. Selecteer de optie Maskergebied , kies de vorm Rechthoek en omlijn de rode rand van het onderdeel om deze kleur tijdens de selectie uit te sluiten. Klik op OK.
    2. Klik op Kleuren extraheren | Kleur naar binair. Klik op het pipetpictogram en selecteer de optie Kiezen.
    3. Klik in de figuur van het wormwiel meerdere keren om de gewenste kleur te extraheren. De juiste selectie wordt bevestigd wanneer er een gele overlay over het geselecteerde gebied verschijnt.
    4. Stel de oordeelsvoorwaarden in met een maximumlimiet = 1 en een minimumlimiet = 0.
      OPMERKING: Stappen 6.1 en 6.2 moeten worden herhaald voor alle kleurencombinaties van de wormwielkast.

Figuur 10
Figuur 10: Overbelichting van wormen. Het vision-systeem detecteert de spindel. Een succesvolle selectie wordt bevestigd wanneer een geel kader het geselecteerde gebied markeert. Klik hier om een grotere versie van deze figuur te bekijken.

7. Voorbereiding van camera- en softwarevoorwaarden voor gebruik

  1. Schakel de interface van het programma CV-X-serie simulatiesoftware in vanaf de computer en activeer de modusschakelaar naar de uitvoeringsmodus. Selecteer vervolgens het pictogram Hulpprogramma en klik op de optie I/O-monitor.
  2. Schakel de aansluitingen in die de cameracontroller met de cobotcontroller verbinden. Schakel in dit geval de volgende OUT-klemmen in: F_OUT3 (RUN), OUT3 (CMD_READY), OUT4 (READY1)
  3. Selecteer in de software-interface het pictogram Uitvoer en schakel in het gedeelte Algemene status alle tools in die zijn ingesteld in secties 4, 5 en 6.

8. Acquisitie van simulatieresultaten

NOTITIE: Wanneer de bewegingssensor het product detecteert, stopt de transportband en wordt er een foto gemaakt om het inspectieproces uit te voeren met behulp van de parameters die zijn vastgelegd in de paragrafen 4, 5 en 6.

  1. Schakel de software-interface vanaf de computer in en activeer de Switch to Run-modus. Selecteer vervolgens het pictogram Hulpprogramma en klik op de optie Statistieken . Kies het type grafiek dat moet worden beoordeeld, bijvoorbeeld een trendgrafiek of histogram, die een kwaliteitsanalyse mogelijk maakt en de besluitvorming op basis van gegevensbeheer door de nieuwe procesmanager ondersteunt (Figuur 11).

Figuur 11
Figuur 11: Selectie van statistische procescontrole. Het rood gemarkeerde gebied geeft het pictogram aan dat moet worden geselecteerd om toegang te krijgen tot de statistische procescontrole na de simulatierun. Klik hier om een grotere versie van deze figuur te bekijken.

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

Results

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

Dit document presenteert een protocol voor de semi-geautomatiseerde simulatie van een schaalmodel van een productieproces met behulp van een collaboratieve robotarm. De kwaliteit van het eindproduct wordt geëvalueerd door middel van een computervisiesysteem dat kritieke kenmerken van de assemblage inspecteert.

Een essentieel hulpmiddel voor het identificeren en analyseren van mogelijke storingen in een productieproces is Statistical Process Control (SPC), dat is gebaseerd op de toepassing van ...

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

Discussion

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

In de huidige competitieve wereldmarkt zijn continue verbetering en aanpassingsvermogen essentieel voor een bedrijf om zijn concurrentievermogen te behouden en zijn voortbestaan te verzekeren. Daarom is het van cruciaal belang om de verwachtingen van de klant te overtreffen door consequent kwaliteitsproducten op tijd en tegen concurrerende kosten te leveren29.

Geschaalde simulatie van productieprocessen, met behulp van geavanceerde tech...

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

Disclosures

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

De auteurs hebben geen belangenconflicten te onthullen.

Acknowledgements

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

Dit artikel wordt ondersteund door het Nationaal Polytechnisch Instituut (Instituto Politécnico Nacional) van Mexico via project nr. 20250776, gesubsidieerd door het Secretariaat van Onderzoek en Postdoctoraal (Secretaría de Investigación y Posgrado), Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI). Extra steun is ontvangen via de beurs die is toegekend met CVU-1145035 door Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI). Verder wordt dit artikel ook ondersteund door de Metropolitan Autonomous University (Universidad Autónoma Metropolitana) van Mexico via Project SI004-20. Dit onderzoek maakt ook deel uit van de 2025 Call for Inter-Institutional Collaboration Projects IPN-UAM-UAEMÉX, in het kader van het Project 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
Collaborative robotic armUniversal Robot UR3 model (CB-3 UR3)
Conveyor beltGamalier Een transportband van 30 x 150 cm
Photoelectric sensorOMRONE3F2-DS10B4-N 
Vision systemKeyenceCV-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