Simulatie van een geschaald assemblageproces met samenwerking van een robotarm en monitoring via een vision-systeem voor kwaliteitscontrole
29 augustus 2025
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.
Het onderzoek ontwikkelt een schaalmodel van semi-automatische assemblage met behulp van een cobot en visionsysteem, waarbij kwaliteit, procesrepresentativiteit en de voordelen en beperkingen van deze simulatie worden geëvalueerd. Recente ontwikkelingen omvatten semi-automatische assemblage met cobot- en visionsystemen, waardoor realtime detectie van afwijkingen mogelijk is, kwaliteitsverbetering, traceerbaarheid en efficiëntie in industriële processen. Een schaalmatig semi-automatisch assemblagemodel met de visie van de cobot toont integratie in een moderne educatieve productieomgeving, wat de efficiëntie, precisie en toepasbaarheid in echte industriële processen verbetert.
Ons protocol combineert cobots en visie in een schaalmodel, waardoor praktische educatieve evaluatie van efficiëntie, precisie en consistentie mogelijk is, waarmee de beperkingen van traditionele simulatie of handmatige praktijk worden overstreden. Ons laboratorium zal zich richten op het optimaliseren van cobot-menselijke samenwerking en het ontwikkelen van een visiesysteem met een neuraal netwerk om verlichtingsproblemen aan te pakken, defectdetectie te verbeteren en schaalbaarheid voor industriële processen te verbeteren. Om te beginnen organiseer je alle benodigde onderdelen voor de assemblage op de bevoorradingstray en lijn je ze uit volgens de aangewezen indeling.
Voer de programmeervolgorde in de interface. Wacht dan tot de collaboratierobot de assemblagesequentie start door het onderste deel van de doos op te pakken en dit naar het assemblagepunt te brengen. Laat de robot de worm oppakken en in de aangewezen gleuf in de assemblage plaatsen.
Daarna pakt de robot het wormwiel op en monteert het bovenop de doos. Zodra de robotische subassemblage is voltooid, wacht je terwijl de robotarm deze naar het handmatige assemblagegebied brengt voor verdere verwerking door een operator. In het handmatige assemblagegebied laat de operator de subassemblage oppakken en de bouw voortzetten door de aangewezen assemblagevolgorde te volgen.
Na voltooiing van de handmatige montage plaats je het volledig gemonteerde onderdeel verticaal op de bak, zodat de worm naar achteren is gericht. Zodra het is vastgezet, laat de collaboratieve robot het product dicht bij de sensor op de transportband plaatsen voor camera-inspectie. Voor wormvormevaluatie registreer na het selecteren van het inspectiehulpmiddel een referentiebeeld.
Klik op het referentieafbeeldingspictogram rechtsboven. Selecteer Register Image en klik op uitvoeren om de afbeelding vast te leggen. Voor de configuratie van wormwielmechanismen selecteer je de optie patroonregio om het detectiegebied aan te passen.
Kies de polygonvorm, maak de omtrek van het onderdeel en klik op OK om te bevestigen. Om kleuren te detecteren, selecteer je de optie patroonregio om het gebied rond het wormmechanisme te verfijnen. Kies de cirkelvorm, markeer de omtrek van het wormmechanisme en klik op OK om de wijzigingen toe te passen.
Selecteer vervolgens de optie maskerregio om ongewenste gebieden uit te sluiten van de analyse. Kies de rechthoekige vorm, omlijnt de rode rand van het onderdeel en klik op OK om te bevestigen. Schakel nu de software-interface in vanaf de computer en activeer de schakelaar naar de uitvoermodus.
Selecteer vervolgens het hulpicoon, klik op de statistiekoptie en kies het voorkeursgrafiektype, zoals een trendgrafiek of histogram, om datagebaseerde kwaliteitsanalyse door de nieuwe procesmanager te ondersteunen. Het vormhistogram toonde een normale verdeling die iets boven de nominale waarde gecentreerd was, wat aangaf dat het proces onder statistische controle stond, hoewel de meeste delen dichter bij de bovenste specificatielimiet lagen. De procescapaciteitsindices toonden een sterke afstemming met de onderste specificatielimiet, maar een veel lagere capaciteit dicht bij de bovengrens, wat leidde tot een lage algehele procescapaciteit.
De controlegrafiek toonde aan dat de eerste metingen instabiel waren door aanpassingen in het meetsysteem, gevolgd door een uitschieter in het middenstadium waarschijnlijk veroorzaakt door een defect onderdeel, en eindigden met een stabiele trend binnen de bovenste controlegrenzen. Het kleurenhistogram toonde aan dat de metingen dicht bij de tolerantiegrenzen zaten, wat slechts op marginale naleving van specificaties wijst, en de aanwezigheid van twee scheve verdelingen duidde op procesinstabiliteit. Capaciteitsanalyse voor kleur toonde aan dat het proces gecentreerd was, aangezien CPU- en CPL-waarden vergelijkbaar waren, maar de hoge variabiliteit verminderde de totale capaciteit tot een CPK van 0,539.
De controlekaart voor kleur toonde extreme instabiliteit met grote variatie en frequente controlefouten gedurende de productiecyclus.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Dit artikel presenteert een protocol voor het simuleren en bewaken van een geschaalde semi-geautomatiseerde assemblageproces met behulp van een collaborerende robot (cobot) en een computervisiesysteem voor kwaliteitscontrole. De studie evalueert de integratie van deze technologieën bij het verbeteren van efficiëntie en precisie in industriële processen.
Belangrijke studiecomponenten
Wetenschapsgebied
- Robotica
- Industriële Automatisering
- Kwaliteitscontrole
Achtergrond
- Ontwikkeling van semi-automatische assemblagesystemen.
- Belangrijkheid van real-time detectie van anomalieën in de fabricage.
- Uitdagingen in traditionele simulatie en handmatige praktijken.
- Integratie van cobots en visiesystemen in educatieve omgevingen.
Doel van de studie
- Om de samenwerking tussen cobots en mensen te optimaliseren.
- Om een visiesysteem te ontwikkelen met behulp van neurale netwerken voor verbeterde detectie van defecten.
- Om de efficiëntie, precisie en consistentie van het assemblageproces te evalueren.
Gebruikte methoden
- Simulatie van een semi-automatisch assemblagemodel.
- Gebruik van collaborerende robots (cobots) in het assemblageproces.
- Implementatie van een computervisiesysteem voor kwaliteitscontrole.
- Organisatie van componenten op een aanvullade voor assemblage.
Belangrijkste resultaten
- Verbeterde efficiëntie en precisie in assemblageprocessen.
- Verbeterde kwaliteit en traceerbaarheid door real-time monitoring.
- Aangetoonde toepasbaarheid in moderne educatieve fabricageomgevingen.
- Geïdentificeerde voordelen en beperkingen van het simulatiemodel.
Conclusies
- De integratie van cobots en visiesystemen overtreft traditionele methoden.
- Praktische evaluaties kunnen leiden tot vooruitgang in industriële toepassingen.
- Toekomstig werk zal zich richten op het optimaliseren van systeemprestaties en schaalbaarheid.
Veelgestelde vragen
Executive Industry Relevance
Integrating collaborative robotics and vision-based quality control into assembly workflows enables biopharma manufacturing teams to generate robust, quantitative data on process capability and product conformity. This approach supports early detection of process deviations, enhances predictive confidence in automated production, and informs risk-adjusted decisions at key inflection points in technology transfer and scale-up. The synergy between automation and statistical process control (SPC) underpins enterprise-wide standardization and continuous improvement initiatives.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Supports hypothesis-driven evaluation of automated assembly reliability and process representativeness.
- Enables functional validation of robotics and vision systems for critical quality attributes.
- Provides quantitative evidence for de-risking technology adoption in regulated environments.
Screening & Assay Development
- Facilitates preparation of standardized, quality-controlled assemblies for downstream analytical workflows.
- Delivers reproducible, quantitative outputs through SPC metrics and control charts.
- Enables rapid identification of process instability or input variability affecting assay readiness.
Translational & Preclinical Research
- Aligns process monitoring with translational quality requirements for preclinical model systems.
- Supports continuity from pilot-scale automation to full-scale production environments.
- Provides a framework for risk-adjusted advancement of automated manufacturing solutions.
Pipeline & Workflow Integration
This simulation protocol positions automated assembly and vision-based quality control as foundational capabilities bridging early process development, screening, and preclinical manufacturing workflows.
- Discovery Biology: Enables robust null hypothesis testing of process stability and capability using real-time SPC outputs.
- Screening: Provides standardized, quantitative quality metrics for batch-to-batch comparability.
- Analytics: Generates histograms, control charts, and capability indices (Cp, Cpk, Cpu, Cpl) for actionable process insights.
- Translational Research: Supports process conformity and traceability required for preclinical and translational studies.
- Enterprise Reuse: Establishes a scalable, reusable platform for continuous process monitoring and improvement.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in automated assembly and quality control outcomes.
- Operational Value: Drives standardization, reproducibility, and rapid detection of process deviations.
- Strategic Value: Enables data-driven go/no-go decisions and reduces late-stage process risk.
- Portfolio Impact: Supports risk-adjusted prioritization of automation investments and technology transfer.
Implementation Considerations
- Requires expertise in robotics, vision systems, and statistical process control.
- Demands robust instrumentation and analytical infrastructure for real-time monitoring.
- Necessitates cross-team standardization of quality metrics and data analysis protocols.
- Must address adaptation of vision algorithms to variable lighting and input conditions.
- Process capability may be limited by input variability and measurement system stability.
