Method Article

Simulação de um Processo de Montagem em Escala com Colaboração de um Braço Robótico e Monitoramento através de um Sistema de Visão para Controle de Qualidade

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

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

Aqui, apresentamos um protocolo para a simulação e monitoramento de um processo de montagem semiautomatizado em escala, através da colaboração de um robô colaborativo e verificação via um sistema de visão computacional para controle de qualidade.

Abstract

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

Este protocolo descreve a simulação semiautomatizada de uma linha de produção em escala para montagem de um conjunto de engrenagens helicoidais educacionais, usando um braço robótico colaborativo e um sistema de visão computacional para monitorar a qualidade do produto avaliando dois critérios principais: forma e cor. O objetivo deste estudo é gerar dados consistentes e confiáveis para avaliar a capacidade, estabilidade e conformidade do processo de acordo com as especificações do cliente. O protocolo fornece uma estrutura metodológica clara para coletar e analisar indicadores-chave por meio do Controle Estatístico de Processo (SPC), usando índices de capacidade, como capacidade de processo (Cp), índice de capacidade de processo ajustado para centralização (Cpk), capacidade de processo superior (Cpu) e capacidade de processo inferior (Cpl) e ferramentas gráficas, como histogramas e gráficos de controle. Isso permite a identificação de desvios e tendências nas características críticas do produto. Os resultados da avaliação da forma indicam que o processo automatizado está sob controle estatístico, embora com tendência ao limite superior de especificação, sugerindo a necessidade de ajuste da média do processo. Em contraste, a avaliação de cores revela maior variabilidade, baixa capacidade (Cpk = 0,539) e pontos fora do controle, indicando instabilidade que requer ações corretivas imediatas. Com base nesses achados, recomenda-se a implementação de ações corretivas para reduzir a variabilidade de cores, como controle mais rigoroso dos insumos, padronização das condições de iluminação e revisão dos métodos operacionais. De forma geral, os resultados reforçam a importância da integração de tecnologias automatizadas com ferramentas estatísticas como o CEP para identificar desvios críticos, otimizar processos e garantir a conformidade do produto. Essa sinergia entre automação e análise estatística constitui um pilar fundamental para manter a competitividade em ambientes industriais cada vez mais exigentes. Além disso, este protocolo fornece uma base sólida para a implementação de melhorias em linhas de produção reais.

Introduction

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

O rápido avanço da automação em processos industriais levou a uma transformação significativa nos sistemas de manufatura. Essa evolução melhorou significativamente as áreas críticas, incluindo eficiência operacional, economia de custos, padronização de processos e otimização da qualidade do produto1. Nesse contexto, os avanços tecnológicos têm impulsionado a implementação de soluções mais complexas e especializadas, capazes de atender às demandas de uma produção cada vez mais ágil, precisa e adaptável2.

Um dos avanços mais significativos nesta nova era industrial é a incorporação de robôs colaborativos, conhecidos como cobots. Esses dispositivos representam uma evolução da robótica industrial tradicional, pois são projetados para trabalhar com segurança e eficiência ao lado de operadores humanos em ambientes compartilhados 3,4,5. Sua natureza colaborativa não apenas aumenta a flexibilidade dos processos de produção, mas também aumenta os níveis de segurança nas operações, pois são equipados com sensores avançados que permitem a interação controlada e a consciência ambiental6.

No âmbito da Indústria 5.0, que incentiva uma mistura harmoniosa de automação inteligente e contribuição humana, os cobots estão se tornando ferramentas essenciais para o avanço da manufatura centrada no ser humano7. Em vez de substituir os trabalhadores, esses sistemas são projetados para aumentar suas habilidades, lidando com tarefas repetitivas com eficiência e alta precisão e ajustando-se de forma flexível às mudanças no ambiente de produção8, promovendo assim um modelo de trabalho mais integrado e eficaz.

Sua versatilidade permite que sejam aplicados em diversos setores, como montagem automotiva, logística, fabricação de calçados, dispositivos médicos e muito mais, onde contribuem para melhorar a produtividade e a qualidade dos processos 9,10. Essa dinâmica colaborativa redefiniu os sistemas de produção e apresenta novos desafios em termos de treinamento, adaptação tecnológica e redesenho de processos7.

Nesse contexto, este artigo descreve o projeto e a implementação de uma linha de montagem reduzida desenvolvida em torno de um conjunto educacional de engrenagens helicoidais. Esse tipo de linha representa uma versão reduzida e funcional de uma linha de produção industrial, concebida para fins didáticos para simular, de forma controlada, os processos, fluxos e operações típicos de um ambiente real de manufatura11.

É uma configuração física e operacional que permite a observação clara da dinâmica de produção, testes de tecnologias automatizadas e a aplicação de metodologias de garantia de qualidade, minimizando os riscos e custos associados à experimentação direta em plantas industriais. Essa abordagem fornece uma valiosa ferramenta educacional e uma plataforma de validação preliminar para soluções como robôs colaborativos e sistemas de visão, apoiando a tomada de decisões estratégicas em automação, melhoria contínua e eficiência operacional11.

Um fator chave para o sucesso da automação e integração de cobots é a implementação de sistemas de controle de qualidade baseados em visão. Equipados com câmeras de alta resolução, os sistemas de visão permitem que robôs colaborativos percebam e interpretem com precisão seus arredores, fornecendo dados visuais detalhados para reconhecimento de objetos, detecção de anomalias e navegação autônoma12. Em alguns casos, esses sistemas funcionam como soluções completas, enquanto em outros, podem ser personalizados para funcionar em combinação.

Uma das aplicações mais importantes desse tipo de robô colaborativo é o controle de qualidade, onde esses sistemas permitem a detecção precoce de defeitos nas linhas de produção. A detecção de anomalias em tempo real permite a remoção oportuna de peças defeituosas, evitando assim os custos associados a retrabalho, desperdício de material ou reclamações de clientes13. Essa capacidade de inspeção contínua e não invasiva garante maior consistência na qualidade do produto e fortalece a rastreabilidade do processo.

A integração sistemática dessas tecnologias permite que os robôs colaborativos detectem, compreendam e reajam efetivamente ao ambiente, aumentando sua autonomia e desempenho operacional14.

Estudos recentes mostraram que a combinação de controle de qualidade usando câmeras e robôs colaborativos não apenas reduz os erros humanos, mas também melhora a confiabilidade do processo, aumentando a precisão em tarefas críticas de montagem e verificação15. Essa sinergia permite níveis mais altos de controle, adaptabilidade e eficiência, essenciais em ambientes industriais modernos caracterizados pela customização em massa e produção sob demanda16.

O uso dessas tecnologias requer uma abordagem abrangente que inclua monitoramento contínuo de dados em tempo real e o uso de índices de qualidade para permitir a tomada de decisões informadas. Ferramentas como a análise estatística de processos fornecem uma plataforma robusta para melhoria contínua, garantindo que as empresas possam se adaptar às mudanças do mercado e manter altos níveis de competitividade no longo prazo16.

A implementação de um cobot semiautomatizado e sistema de visão computacional em uma linha de montagem em escala oferece vantagens significativas em relação aos métodos tradicionais de controle de qualidade, tanto manuais quanto totalmente automatizados. Ao contrário da inspeção manual, que é fortemente dependente da percepção, experiência e fatores de condição física do operador que podem levar a erros devido à fadiga ou condições de trabalho prolongadas17, essa abordagem garante uma avaliação consistente, objetiva e precisa, eliminando a variabilidade humana18.

Ao contrário dos sistemas de inspeção robótica totalmente automatizados, que geralmente são rígidos e caros de adaptar, os cobots oferecem maior flexibilidade graças aos seus recursos de aprendizado por demonstração e facilidade de reprogramação19, o que é particularmente útil em ambientes com alta variabilidade do produto. Além disso, ao integrar a visão computacional, o sistema melhora significativamente a precisão da inspeção visual e permite a detecção de defeitos que podem passar despercebidos nas revisões manuais10. Ao contrário das soluções isoladas, combina percepção e ação, pois o cobot responde em tempo real aos desvios detectados.

Outra diferença fundamental é a abordagem pedagógica e de treinamento oferecida por essa linha de montagem em escala: além de validar um processo técnico, também ajuda a treinar os operadores em habilidades digitais e industriais, preparando os trabalhadores para enfrentar os desafios da Indústria 5.020,21.

Este artigo explora a integração de um processo de montagem automatizado usando um robô colaborativo UR322, juntamente com um sistema de visão CV-X23. O produto montado é um modelo industrial em escala chamado KanbUAMito, um "conjunto educacional de engrenagem helicoidal" que representa um sistema de transmissão composto por um sem-fim e uma engrenagem helicoidal, também conhecido como redutor de velocidade, conforme mostrado na Figura 1. Este modelo apresenta seis configurações diferentes, que são detalhadas na Tabela 1.

Figura 1
Figura 1: Componentes do dispositivo Kanbuamito. Diferentes componentes que compõem o produto final a ser montado. Clique aqui para ver uma versão maior desta figura.

Produto finalVermeEngrenagem helicoidalCaixa (tampa e base)
CE1CinzaVermelhoVermelho
CE2BrancoCinzaVermelho
CE3VermelhoBrancoVermelho
CE4VermelhoCinzaVermelho
CE5CinzaBrancoVermelho
CE6BrancoVermelhoVermelho

Tabela 1: Possíveis combinações do produto a ser montado. Diferentes combinações do produto final, que variam de acordo com as cores utilizadas nos diversos componentes que o compõem.

Este estudo destaca o impacto dessa integração tecnológica na melhoria da eficiência operacional, detecção precoce de defeitos e consistência da qualidade do produto. Além disso, analisa as implicações estratégicas de sua implementação no âmbito da Indústria 5.0, enfatizando como a colaboração entre humanos, robôs colaborativos e sistemas inteligentes pode potencializar o desenvolvimento de estratégias de melhoria contínua focadas na flexibilidade, customização e sustentabilidade dos processos produtivos.

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

Protocol

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

Este documento descreve o protocolo de simulação projetado para replicar semiautomaticamente um processo de produção em escala usando um braço robótico colaborativo. O processo é monitorado para verificar se a montagem foi concluída corretamente ou se contém erros. O protocolo está estruturado em duas etapas principais: i) execução das operações necessárias para realizar a montagem com o apoio do braço robótico (Seções 1-3); ii) configuração do sistema de visão computacional usado para monitorar e verificar o componente montado (Seções 4-8).

1. Condição de montagem inicial

  1. Ative o equipamento necessário para a execução do protocolo, que é detalhado na Tabela de Materiais.
    NOTA: O protocolo é realizado em uma linha de montagem distribuída, conforme mostrado na Figura 2.
  2. Organize as peças necessárias para a montagem na bandeja de reabastecimento, seguindo o layout mostrado na Figura 3.

Figura 2
Figura 2: Layout da linha de montagem. A linha de montagem é composta por quatro seções principais: (A) a área onde ocorre o processo de montagem do produto; (B) a correia transportadora que transporta a peça uma vez concluída a montagem; (C) a zona onde está instalado o sistema de visão responsável pela inspeção da qualidade dos produtos finais; e (D) o espaço designado para o analista interpretar os resultados obtidos por meio do sistema de visão. Clique aqui para ver uma versão maior desta figura.

Figura 3
Figura 3: Layout inicial das peças para montagem. Arranjo inicial em que os componentes que compõem o produto devem ser colocados antes de iniciar o processo de montagem. Clique aqui para ver uma versão maior desta figura.

2. Programação e operação do robô colaborativo

  1. Programação de um robô colaborativo
    1. Posicione o braço robótico em seu local inicial. Use as seguintes coordenadas: X = 465,84 mm, Y = 71,87 mm e Z = -308,31 mm.
    2. Insira a sequência de programação de acordo com o diagrama de árvore mostrado na Figura 4.
  2. Montagem automática
    1. Aguarde até que o cobot inicie a sequência de montagem pegando a parte inferior da caixa e movendo-a para o ponto de montagem.
      NOTA: O braço robótico tem uma capacidade máxima de carga útil de 3 kg e mantém uma precisão consistente de 0,03 mm. É utilizada uma pinça colaborativa, que permite o ajuste da força aplicada e da distância de fechamento, feita sob medida para o tamanho de cada componente envolvido no processo de montagem.
    2. Em seguida, o robô colaborativo pega o sem-fim e o coloca na posição correspondente dentro do conjunto.
    3. O robô então pega a engrenagem helicoidal e a monta em cima da caixa.
      NOTA: Este método de montagem foi projetado para evitar quebras ou danos à engrenagem helicoidal. Facilita o manuseio pelo operador e contribui para uma maior qualidade no processo de montagem.
    4. Uma vez concluídos esses subconjuntos, aguarde o braço robótico transferi-los para a área de montagem manual, onde um operador continuará o processo (Figura 5).
  3. Montagem manual
    1. Na área de montagem manual, peça ao operador que pegue o subconjunto colocado conforme mostrado na Figura 6 e execute a montagem seguindo a sequência de operações detalhadas na Figura 7.
    2. Após a conclusão da montagem manual, certifique-se de que a peça montada seja colocada verticalmente na bandeja, garantindo que o sem-fim esteja orientado para trás (Figura 8).

Figura 4
Figura 4: Sequência de programação de cobots. Ordem das instruções que devem ser carregadas no robô colaborativo. (A, B) A primeira e a segunda partes da sequência de programação, respectivamente. Clique aqui para ver uma versão maior desta figura.

Figura 5
Figura 5: Sequência de movimentos do robô colaborativo na montagem automática. O cobot executa a seguinte série de ações: (A) pega a base e a coloca no gabarito; (B) então pega o fuso e o posiciona na base; (C) posiciona a tampa no gabarito e depois na engrenagem; e (D) finalmente deposita a base e a engrenagem montadas no gabarito para a montagem manual subsequente. Clique aqui para ver uma versão maior desta figura.

Figura 6
Figura 6: Ponto de coleta do operador para montagem manual. Layout no qual os subconjuntos concluídos devem ser colocados antes que o operador inicie a montagem manual. (A) O subconjunto 1 é colocado nesta área e (B) nesta zona, o subconjunto 2 é posicionado. Clique aqui para ver uma versão maior desta figura.

Figura 7
Figura 7: Sequência de operações de montagem manual. O operador executa a seguinte sequência de operações: (A) pega o subconjunto 2, (B) pega o subconjunto 1, (C) posiciona o subconjunto 2 em cima do subconjunto 1, (D) pressiona ambos os componentes para fechar o dispositivo e (E) coloca o produto final no gabarito. Clique aqui para ver uma versão maior desta figura.

Figura 8
Figura 8: Produto final no gabarito. A posição correta em que o produto final deve ser colocado no gabarito antes de ser transportado para a esteira transportadora. Clique aqui para ver uma versão maior desta figura.

3. Transporte para a correia transportadora

  1. Posicione o cobot para segurar o conjunto acabado.
  2. Uma vez fixado, permita que o cobot transfira o produto final para a esteira transportadora, o mais próximo possível do sensor, permitindo que ele seja inspecionado pela câmera de visão.
    NOTA: As etapas de montagem 3.1-3.4 correspondem à sequência de programação destacada em vermelho na Figura 4.

4. Condições iniciais da câmera e do software

  1. Habilite a interface do software de simulação da série CV-X do computador e ative o modo de configuração para editar as ferramentas de inspeção.
  2. No canto superior esquerdo, clique na opção Configuração da câmera e selecione o modelo CA-035C, com resolução de 640 x 418 no modo progressivo, a sensibilidade definida para 2.4, a velocidade do obturador em 1/15 ms, habilite o Flash 1, selecione o modelo de iluminação DC40E e, finalmente, clique em OK (Figura 9).
    NOTA: A câmera oferece duas resoluções de varredura progressiva: 512 x 418 e 640 x 418 pixels. A resolução mais alta foi escolhida para melhor adaptação e qualidade de imagem. A sensibilidade foi ajustada para 2,4 (em uma escala de 1 a 7) para manter uma boa qualidade de imagem, evitando diminuições na clareza com maior sensibilidade. A velocidade do obturador é de 1/15 ms, lenta para permitir a entrada de luz, o que é ideal para condições de pouca luz.

Figura 9
Figura 9: Condições iniciais do sistema de visão. Parâmetros iniciais que devem ser configurados no sistema de visão. Cada uma dessas configurações é destacada em vermelho para facilitar a identificação. Clique aqui para ver uma versão maior desta figura.

5. Avaliação de recursos

  1. Avaliação das características da forma do verme
    1. Configuração da ferramenta e referência de registro de imagem
      1. Na interface, ative a opção Adicionar ferramentas e selecione a função ShapeTrax3 na categoria Lista de funções e clique em Adicionar.
      2. Depois que a ferramenta for selecionada, ela solicitará o registro de uma imagem de referência (uma imagem de referência corresponde a uma imagem bem construída). Para fazer isso, clique no ícone Ref. Imagem no canto superior direito, selecione Registrar imagem e clique em Executar para capturar a imagem. Em seguida, escolha o formato de imagem BMP e clique em Salvar.
        NOTA: Neste ponto, uma boa parte é definida como aquela em que, uma vez montada a caixa, o verme se projeta do lado superior esquerdo da caixa.
    2. Configuração do parâmetro do worm
      1. Selecione a opção Pesquisar região ; Uma caixa azul aparecerá, que define a área de pesquisa. Selecione Ok. Confirme se esta caixa azul cobre a imagem da peça selecionada na Etapa 5.1.1.2.
      2. Selecione a opção Região do padrão para ajustar a região do padrão e obter a maior semelhança possível com a referência. Para fazer isso, escolha a forma Polígono , contorne o perímetro da peça e selecione Ok.
    3. Condições de julgamento para o worm
      1. Na opção Condições de julgamento , defina a porcentagem de correspondência com um limite máximo = 99,99% e um limite mínimo = 70% e selecione Ok.
  2. Avaliação das características da forma da engrenagem helicoidal
    NOTA: Para avaliar as características de forma da engrenagem helicoidal, repita as etapas 5.1 e 5.1.2.1.
    1. Configuração do parâmetro da engrenagem helicoidal
      1. Selecione a opção Região do padrão para ajustar a região do padrão e obter a maior semelhança com a imagem de referência. Para fazer isso, escolha a forma Círculo, marque o perímetro da engrenagem helicoidal e selecione Ok.
    2. Condições de julgamento para a engrenagem helicoidal
      1. Na opção Condições de julgamento, selecione o modo Contagem e defina os limites de valores mínimo e máximo para 1 e clique em OK.
  3. Avaliação das características de posição do sem-fim e da engrenagem sem-fim
    NOTA: Para avaliar as características da posição, repita a etapa 5.1.1 e, na categoria Ajuste de posição , selecione a função Posição do perfil .
    1. Configuração dos parâmetros do produto
      1. Siga a etapa 5.2.1.1, mas desta vez selecione a forma Retângulo .
    2. Condições de julgamento para o produto
      1. Defina o limite máximo para 99,99% e o limite mínimo para 60%.

6. Detecção de cores

  1. Condições de julgamento para o worm
    NOTA: Para avaliar o recurso de detecção de cores do worm, é necessário repetir as etapas da etapa 5.1.1.1 e, na categoria Contagem, selecionar a função Cluster . Uma nova imagem de referência também deve ser registrada usando a etapa 5.1.1.2, incluindo especificamente as cores que a ferramenta detectará. Em seguida, repita as etapas 5.1.2.1 e 5.1.2.2, mas selecione a forma Retângulo para isolar o segmento de minhoca que se projeta da caixa.
    1. Selecione a opção Região da máscara , escolha a forma Retângulo , contorne a borda vermelha da peça para excluir essa cor durante a seleção e clique em Ok.
    2. Clique em Extrair cores | Cor para Binário. Ao usar o ícone suspenso, clique em Escolher.
    3. Clique várias vezes na área do verme para extrair a cor. A seleção bem-sucedida é confirmada quando um destaque amarelo aparece na área selecionada, conforme mostrado na Figura 10.
    4. Defina as condições de julgamento com um limite máximo = 1 e um limite mínimo = 0.
  2. Condições de julgamento para a engrenagem helicoidal
    NOTA: Para avaliar o recurso de detecção de cores da engrenagem helicoidal, é necessário repetir as etapas da etapa 5.1.1.1 e, na categoria Contagem, selecionar a função Cluster . Uma nova imagem de referência deve ser registrada com as cores que a ferramenta pretende detectar, conforme descrito na etapa 5.1.1.2. Em seguida, repita as etapas 5.1.2.1 e 5.1.2.2, com a diferença de que a forma de círculo deve ser selecionada para isolar o segmento da engrenagem helicoidal que se projeta da caixa.
    1. Selecione a opção Região da máscara , escolha a forma Retângulo e contorne a borda vermelha da peça para excluir essa cor durante a seleção. Clique em Ok.
    2. Clique em Extrair cores | Cor para Binário. Clique no ícone do conta-gotas e selecione a opção Escolher.
    3. Na figura da engrenagem helicoidal, clique várias vezes para extrair a cor desejada. A seleção adequada é confirmada quando uma sobreposição amarela aparece sobre a área selecionada.
    4. Defina as condições de julgamento com um limite máximo = 1 e um limite mínimo = 0.
      NOTA: As etapas 6.1 e 6.2 devem ser repetidas para todas as combinações de cores da caixa de engrenagens helicoidais.

Figura 10
Figura 10: Superexposição de vermes. O sistema de visão detecta o fuso. A seleção bem-sucedida é confirmada quando um quadro amarelo destaca a área selecionada. Clique aqui para ver uma versão maior desta figura.

7. Preparação das condições de operação da câmera e do software

  1. Habilite a interface do programa CV-X Series Simulation Software a partir do computador e ative o modo Alternar para o modo de execução. Em seguida, selecione o ícone Utilitário e clique na opção Monitor de E/S.
  2. Habilite os terminais que conectam o controlador da câmera ao controlador do cobot. Para este caso, habilite os seguintes terminais OUT : F_OUT3 (RUN), OUT3 (CMD_READY), OUT4 (READY1)
  3. Na interface do software, selecione o ícone Saída e, na seção Status geral , habilite todas as ferramentas estabelecidas nas seções 4, 5 e 6.

8. Obtenção dos resultados da simulação

NOTA: Quando o sensor de movimento detecta o produto, a esteira para e uma foto é tirada para realizar o processo de inspeção usando os parâmetros estabelecidos nas seções 4, 5 e 6.

  1. Habilite a interface do software do computador e ative a opção Alternar para o modo de execução. Em seguida, selecione o ícone Utilitário e clique na opção Estatísticas . Escolha o tipo de gráfico a ser revisado, por exemplo, um gráfico de tendência ou histograma, que permite uma análise de qualidade e apoia a tomada de decisão com base no gerenciamento de dados pelo novo gestor de processos (Figura 11).

Figura 11
Figura 11: Seleção do Controle Estatístico de Processo. A área destacada em vermelho indica o ícone a ser selecionado para acessar o Controle Estatístico de Processo após a execução da simulação. Clique aqui para ver uma versão maior desta figura.

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

Results

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

Este documento apresenta um protocolo para a simulação semi-automatizada de um modelo em escala de um processo produtivo utilizando um braço robótico colaborativo. A qualidade do produto final é avaliada por meio de um sistema de visão computacional que inspeciona características críticas da montagem.

Uma ferramenta essencial para identificar e analisar possíveis falhas em um processo produtivo é o Controle Estatístico de Processo (CEP), que se baseia na aplicação de métodos estatísticos volta...

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

Discussion

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

No competitivo mercado global atual, a melhoria contínua e a adaptabilidade são essenciais para que uma empresa mantenha sua competitividade e garanta sua sobrevivência. Portanto, é crucial superar as expectativas dos clientes, entregando consistentemente produtos de qualidade no prazo e a custos competitivos29.

A simulação em escala de processos de produção, usando tecnologias avançadas, como braços robóticos colaborativos e sistemas d...

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

Disclosures

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

Os autores não têm conflitos de interesse a divulgar.

Acknowledgements

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

Este artigo é apoiado pelo Instituto Politécnico Nacional do México por meio do projeto nº 20250776, concedido pela Secretaria de Pesquisa e Pós-Graduação (Secretaría de Investigación y Posgrado), Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI). Apoios adicionais foram recebidos através da bolsa concedida com CVU 1145035 pela Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI). Além disso, este artigo também é apoiado pela Universidade Autônoma Metropolitana do México por meio do Projeto SI004-20. Além disso, esta pesquisa faz parte da Chamada de Projetos de Colaboração Interinstitucional 2025 IPN-UAM-UAEMÉX, no âmbito do Projeto 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
Braço robótico colaborativoUniversal Robot Modelo UR3 (CB-3 UR3)
Esteira transportadoraGamalier Uma esteira transportadora medindo 30 x 150 cm
Sensor fotoelétricoOMRONE3F2-DS10B4-N 
Sistema de visãoKeyenceCV-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