Symulacja procesu montażu w skali z udziałem ramienia robotycznego i monitorowania za pomocą systemu wizualnego w celu kontroli jakości
29 sierpnia 2025
Przedstawiamy tutaj protokół symulacji i monitorowania skalowanego półautomatycznego procesu montażu, realizowany wspólnie z robotem współpracującym oraz weryfikacją za pomocą systemu widzenia komputerowego w celu kontroli jakości.
Badania opracowują skalowany model montażu półautomatycznego z wykorzystaniem cobota i systemu wizualnego, oceniający jakość, reprezentatywność procesu oraz zalety i ograniczenia tej symulacji. Najnowsze osiągnięcia obejmują półautomatyczny montaż z użyciem systemów cobot i wizji, umożliwiający wykrywanie anomalii w czasie rzeczywistym, poprawiając jakość, śledzenie i efektywność procesów przemysłowych. Model montażu półautomatycznego w skali z wizją Cobota demonstruje integrację w nowoczesnym środowisku produkcyjnym edukacyjnym, zwiększając efektywność, precyzję i zastosowanie w rzeczywistych procesach przemysłowych.
Nasz protokół łączy coboty i wizję w modelu skali, umożliwiając praktyczną edukacyjną ocenę efektywności, precyzji i spójności, przekraczając ograniczenia tradycyjnej symulacji lub praktyki manualnej. Nasze laboratorium skupi się na optymalizacji współpracy międzyludzkiej oraz opracowaniu systemu wizualnego z siecią neuronową, który rozwiąże problemy z oświetleniem, poprawi wykrywanie wad oraz skalowalność procesów przemysłowych. Na początek zorganizuj wszystkie niezbędne komponenty do montażu na tacce uzupełniającej, ustawiając je zgodnie z wyznaczonym układem.
Wprowadź sekwencję programowania do interfejsu. Następnie czekaj, aż robot współpracujący zainicjuje sekwencję montażu, podnosząc dolną część pudełka i przenosząc ją do punktu montażowego. Pozwól robotowi podnieść robakę i umieścić ją w wyznaczonym szczelinie w zespole.
Następnie robot podnosi koło zębate i montuje je na skrzyni. Po ukończeniu podzespołu robotycznego czekaj, aż ramię przeniesie go do ręcznego montażu w celu dalszego przetwarzania przez operatora. W strefie ręcznego montażu operator może odebrać podzespół i kontynuować budowę, postępując zgodnie z wyznaczoną kolejnością montażu.
Po zakończeniu ręcznego montażu umieść w pełni złożony element pionowo na tacce, dbając o to, by robak był skierowany w stronę tyłu. Po zabezpieczeniu robot współpracujący umieść produkt blisko czujnika na taśmie do inspekcji kamery. Do oceny kształtu robaka, po wybraniu narzędzia inspekcyjnego, należy zarejestrować obraz referencyjny.
Kliknij ikonę obrazu referencyjnego w prawym górnym rogu. Wybierz rejestr obrazu i kliknij wykonaj, aby go uchwycić. Aby skonfigurować parametr przekładni ślimakowej, wybierz opcję regionu wzoru, aby dostosować obszar detekcji.
Wybierz kształt wielokąta, wyznacz obwód części i kliknij OK, aby potwierdzić. Aby wykryć kolory, wybierz opcję regionu wzoru, aby doprecyzować obszar wokół koła ślimakowego. Wybierz kształt koła, zaznacz obwód koła ślimakowego i kliknij OK, aby zastosować zmiany.
Następnie wybierz opcję obszaru maski, aby wykluczyć niepożądane obszary z analizy. Wybierz prostokątny kształt, obrysuj czerwoną krawędź części i kliknij OK, aby potwierdzić. Teraz włącz interfejs programowy z komputera i włącz przełącznik w tryb uruchomienia.
Następnie wybierz ikonę narzędzia, kliknij opcję statystyk i wybierz preferowany typ wykresu, taki jak wykres trendu lub histogram, aby wspierać analizę jakości opartą na danych przez nowego menedżera procesu. Histogram kształtu pokazywał rozkład normalny nieco powyżej wartości nominalnej, co wskazywało, że proces był pod kontrolą statystyczną, choć większość części była bliższa górnej granicy specyfikacji. Wskaźniki zdolności procesowej wykazały silne dopasowanie do dolnego limitu specyfikacji, ale znacznie niższą moc w pobliżu górnej granicy, co prowadziło do niskiej ogólnej zdolności procesowej.
Wykres kontrolny wykazał, że początkowe odczyty były niestabilne z powodu korekt systemu pomiarowego, następnie pojawił się środek odstający prawdopodobnie spowodowany wadliwą częścią, a zakończył się stabilnym trendem w górnych granicach kontroli. Histogram kolorów wykazał, że pomiary skupiały się blisko granic tolerancji, co sugerowało jedynie marginalne spełnienie specyfikacji, a obecność dwóch skośnych rozkładów wskazywała na niestabilność procesu. Analiza możliwości koloru wykazała, że proces był wycentrowany, ponieważ wartości CPU i CPL były podobne, ale wysoka zmienność obniżyła całkowitą zdolność do CPK 0,539.
Tabela sterowania kolorem wykazywała skrajną niestabilność z dużą zmiennością i częstymi awariami sterowania przez cały cykl produkcyjny.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Ten artykuł przedstawia protokół symulacji i monitorowania skalowanego, półautomatycznego procesu montażu przy użyciu współpracującego robota (cobot) i systemu widzenia komputerowego do kontroli jakości. Badanie ocenia integrację tych technologii w celu zwiększenia wydajności i precyzji w procesach przemysłowych.
Kluczowe elementy badania
Dziedzina nauki
- Robotyka
- Automatyka przemysłowa
- Kontrola jakości
Tło
- Rozwój systemów montażu półautomatycznego.
- Znaczenie wykrywania anomalii w czasie rzeczywistym w produkcji.
- Wyzwania w tradycyjnej symulacji i praktykach manualnych.
- Integracja cobotów i systemów widzenia w środowiskach edukacyjnych.
Cel badania
- Optymalizacja współpracy cobot-człowiek.
- Rozwój systemu widzenia za pomocą sieci neuronowych dla lepszego wykrywania defektów.
- Ocena wydajności, precyzji i spójności procesu montażu.
Stosowane metody
- Symulacja modelu montażu półautomatycznego.
- Zastosowanie współpracujących robotów (cobotów) w procesie montażu.
- Implementacja systemu widzenia komputerowego do kontroli jakości.
- Organizowanie komponentów na tackach uzupełniających do montażu.
Główne wyniki
- Zwiększona wydajność i precyzja w procesach montażowych.
- Poprawa jakości i śledzenia dzięki monitorowaniu w czasie rzeczywistym.
- Wykazana przydatność w nowoczesnych środowiskach produkcyjnych edukacyjnych.
- Zidentyfikowane zalety i ograniczenia modelu symulacji.
Wnioski
- Integracja cobotów i systemów widzenia przewyższa tradycyjne metody.
- Praktyczne oceny mogą prowadzić do postępu w zastosowaniach przemysłowych.
- Przyszłe prace skupiają się na optymalizacji wydajności systemu i skalowalności.
Często zadawane pytania
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.
