Method Article

Моделирование масштабного процесса сборки с помощью роботизированной руки и мониторинга с помощью системы машинного зрения для контроля качества

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

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

В этой статье мы представляем протокол для моделирования и мониторинга масштабированного полуавтоматического процесса сборки с помощью коллаборативного робота и проверки с помощью системы компьютерного зрения для контроля качества.

Abstract

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

Этот протокол описывает полуавтоматическое моделирование масштабированной производственной линии для сборки учебного червячного редуктора с использованием коллаборативного роботизированного манипулятора и системы компьютерного зрения для мониторинга качества продукции путем оценки двух основных критериев: формы и цвета. Целью данного исследования является получение согласованных и надежных данных для оценки возможностей, стабильности и соответствия процесса спецификациям заказчика. Протокол обеспечивает четкую методологическую основу для сбора и анализа ключевых показателей с помощью статистического управления процессами (SPC) с использованием индексов возможностей, таких как возможности процесса (Cp), индекс возможностей процесса, скорректированный на центрирование (Cpk), верхняя способность процесса (Cpu) и нижняя способность процесса (Cpl), а также графические инструменты, такие как гистограммы и контрольные диаграммы. Это позволяет выявлять отклонения и тенденции в критических характеристиках продукта. Результаты оценки формы свидетельствуют о том, что автоматизированный процесс находится под статистическим контролем, хотя и с тенденцией к верхнему пределу спецификации, что указывает на необходимость корректировки среднего значения процесса. Напротив, оценка цвета показывает большую изменчивость, низкую способность (Cpk = 0,539) и точки вне контроля, указывающие на нестабильность, требующую немедленных корректирующих действий. На основании этих выводов рекомендуется принять корректирующие меры для уменьшения изменчивости цвета, такие как более строгий контроль входных данных, стандартизация условий освещения и пересмотр методов работы. В целом, полученные результаты подтверждают важность интеграции автоматизированных технологий со статистическими инструментами, такими как SPC, для выявления критических отклонений, оптимизации процессов и обеспечения соответствия продукции требованиям. Эта синергия между автоматизацией и статистическим анализом является ключевым элементом для поддержания конкурентоспособности во все более требовательных промышленных условиях. Кроме того, этот протокол обеспечивает прочную основу для внедрения улучшений в реальные производственные линии.

Introduction

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

Стремительное развитие автоматизации промышленных процессов привело к существенной трансформации производственных систем. Эта эволюция привела к значительному улучшению критических областей, включая операционную эффективность, экономию затрат, стандартизацию процессов и оптимизацию качества продукции1. В этом контексте технологический прогресс привел к внедрению более сложных и специализированных решений, способных удовлетворить требования все более гибкого, точного и адаптируемогопроизводства.

Одним из наиболее значительных достижений в эту новую индустриальную эру является внедрение коллаборативных роботов, известных как коботы. Эти устройства представляют собой эволюцию традиционной промышленной робототехники, поскольку они предназначены для безопасной и эффективной работы вместе с операторами в общих средах 3,4,5. Их совместный характер не только повышает гибкость производственных процессов, но и повышает уровень безопасности операций, поскольку они оснащены передовыми датчиками, которые обеспечивают контролируемое взаимодействие и экологическую осведомленность6.

В рамках Индустрии 5.0, которая поощряет гармоничное сочетание интеллектуальной автоматизации и человеческого вклада, коботы становятся важнейшими инструментами дляпродвижения ориентированного на человека производства. Эти системы предназначены не для замены рабочих, а для повышения их квалификации за счет эффективного выполнения повторяющихся задач с высокой точностью и гибкой адаптации к изменениям впроизводственной среде8, тем самым способствуя более интегрированной и эффективной модели работы.

Их универсальность позволяет применять их в различных отраслях промышленности, таких как сборка автомобилей, логистика, производство обуви, медицинские приборы и многое другое, где они способствуют повышению производительности и качества процессов 9,10. Эта динамика сотрудничества привела к изменению производственных систем и ставит новые задачи с точки зрения обучения, технологической адаптации и перестройки процессов7.

В этом контексте в данной статье описывается проектирование и реализация уменьшенной сборочной линии, разработанной на основе образовательного комплекта червячных передач. Этот тип линии представляет собой уменьшенную и функциональную версию промышленной производственной линии, задуманную в дидактических целях для контролируемого моделирования процессов, потоков и операций, типичных для реальнойпроизводственной среды.

Это физическая и операционная установка, которая позволяет четко наблюдать за динамикой производства, тестировать автоматизированные технологии и применять методологии обеспечения качества, сводя к минимуму риски и затраты, связанные с прямыми экспериментами на промышленных предприятиях. Такой подход является ценным образовательным инструментом и платформой для предварительной валидации таких решений, как коллаборативные роботы и системы машинного зрения, поддерживающие принятие стратегических решений в области автоматизации, непрерывного совершенствования иоперационной эффективности.

Ключевым фактором для успешной автоматизации и интеграции коботов является внедрение систем контроля качества на основе машинного зрения. Оснащенные камерами высокого разрешения, системы машинного зрения позволяют коллаборативным роботам точно воспринимать и интерпретировать окружающую обстановку, предоставляя подробные визуальные данные для распознавания объектов, обнаружения аномалий и автономной навигации12. В некоторых случаях эти системы функционируют как законченные решения, в то время как в других они могут быть настроены для работы в комбинации.

Одним из наиболее важных применений этого типа коллаборативных роботов является контроль качества, где эти системы позволяют своевременно обнаруживать дефекты на производственных линиях. Обнаружение аномалий в режиме реального времени позволяет своевременно удалять дефектные детали, тем самым избегая затрат, связанных с доработками, отходами материалов или жалобами клиентов13. Эта возможность непрерывного и неинвазивного контроля обеспечивает большую стабильность качества продукции и улучшает прослеживаемость процесса.

Систематическая интеграция этих технологий позволяет коллаборативным роботам эффективно ощущать, понимать и реагировать на окружающую среду, повышая свою автономность и эксплуатационныехарактеристики.

Недавние исследования показали, что сочетание контроля качества с помощью камер и коллаборативных роботов не только снижает количество человеческих ошибок, но и повышает надежность процесса, повышая точность критическиважных задач сборки и проверки. Эта синергия обеспечивает более высокий уровень контроля, адаптивности и эффективности, что крайне важно в современных промышленных условиях, характеризующихся массовой индивидуализацией и производствомпо требованию.

Использование этих технологий требует комплексного подхода, который включает в себя непрерывный мониторинг данных в режиме реального времени и использование индексов качества для принятия обоснованных решений. Такие инструменты, как статистический анализ процессов, обеспечивают надежную платформу для непрерывного совершенствования, гарантируя, что компании могут адаптироваться к изменениям рынка и поддерживать высокий уровень конкурентоспособностив долгосрочной перспективе.

Внедрение полуавтоматического кобота и системы компьютерного зрения на масштабной сборочной линии дает значительные преимущества по сравнению с традиционными методами контроля качества, как ручными, так и полностью автоматизированными. В отличие от ручного контроля, который в значительной степени зависит от восприятия, опыта и физического состояния оператора, что может привести к ошибкам из-за усталости или длительныхусловий работы, этот подход обеспечивает последовательную, объективную и точную оценку, устраняя человеческую вариативность.

В отличие от полностью автоматизированных роботизированных систем контроля, которые часто являются жесткими и дорогими в адаптации, коботы обеспечивают большую гибкость благодаря своим возможностям обучения путем демонстрации и простотеперепрограммирования, что особенно полезно в средах с высокой вариативностью продукции. Кроме того, за счет интеграции компьютерного зрения система значительно повышает точность визуального контроля и позволяет обнаруживать дефекты, которые могут остаться незамеченными при ручном контроле10. В отличие от изолированных решений, он сочетает в себе восприятие и действие, так как кобот реагирует в режиме реального времени на обнаруженные отклонения.

Еще одним ключевым отличием является педагогический и обучающий подход, предлагаемый этой масштабной сборочной линией: помимо валидации технического процесса, она также помогает обучать операторов цифровым и производственным навыкам, готовя рабочих к решению задач Индустрии 5.020,21.

В данной статье рассматривается интеграция автоматизированного процесса сборки с использованием коллаборативного робота UR322 в сочетании с системой машинного зренияCV-X 23. Собранный продукт представляет собой масштабную промышленную модель под названием KanbUAMito, «червячный образовательный комплект», который представляет собой систему трансмиссии, состоящую из червячной и червячной передач, также известную как редуктор скорости, как показано на рисунке 1. Эта модель имеет шесть различных конфигураций, которые подробно описаны в таблице 1.

Рисунок 1
Рисунок 1: Компоненты устройства Канбуамито. Различные компоненты, из которых состоит конечный продукт, подлежащий сборке. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Конечный продуктЧервьЧервячная передачаКоробка (крышка и основание)
СЕ1СерыйКрасныйКрасный
СЕ2БелыйСерыйКрасный
ЦЭ3КрасныйБелыйКрасный
СЕ4КрасныйСерыйКрасный
ЦЭ5СерыйБелыйКрасный
СЕ6БелыйКрасныйКрасный

Таблица 1: Возможные комбинации собираемого изделия. Различные комбинации конечного продукта, которые варьируются в зависимости от цветов, используемых в различных компонентах, из которых он состоит.

В этом исследовании подчеркивается влияние этой технологической интеграции на повышение операционной эффективности, раннее обнаружение дефектов и стабильность качества продукции. Кроме того, в нем анализируются стратегические последствия его реализации в рамках Индустрии 5.0, подчеркивая, как сотрудничество между людьми, коллаборативными роботами и интеллектуальными системами может способствовать разработке стратегий непрерывного совершенствования, ориентированных на гибкость, индивидуализацию и устойчивость производственных процессов.

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

Protocol

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

В этом документе описывается протокол моделирования, предназначенный для полуавтоматического воспроизведения масштабного производственного процесса с помощью коллаборативной роботизированной руки. Процесс контролируется, чтобы проверить, была ли сборка выполнена правильно или содержит ошибки. Протокол состоит из двух основных этапов: i) выполнение операций, необходимых для выполнения сборки с помощью роботизированной руки (разделы 1-3); ii) конфигурация системы компьютерного зрения, используемой для мониторинга и верификации собранного компонента (разделы 4-8).

1. Исходное условие сборки

  1. Активируйте оборудование, необходимое для выполнения протокола, которое подробно описано в Таблице материалов.
    ПРИМЕЧАНИЕ: Протокол выполняется на распределенной сборочной линии, как показано на рисунке 2.
  2. Организуйте необходимые детали для сборки на лотке для пополнения запасов, следуя схеме, показанной на рисунке 3.

Рисунок 2
Рисунок 2: Схема сборочной линии. Сборочная линия состоит из четырех основных секций: (А) зона, где происходит процесс сборки продукта; (В) конвейерная лента, которая транспортирует деталь после завершения сборки; (В) зона, в которой установлена система технического зрения, отвечающая за контроль качества конечной продукции; и (D) пространство, предназначенное для интерпретации аналитиком результатов, полученных с помощью системы машинного зрения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 3
Рисунок 3: Первоначальная схема расположения деталей для сборки. Первоначальная компоновка, в которой должны быть размещены компоненты, входящие в состав изделия, перед началом процесса сборки. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

2. Программирование и работа коллаборативного робота

  1. Программирование коллаборативного робота
    1. Расположите роботизированную руку в исходном месте. Используйте следующие координаты: X = 465,84 мм, Y = 71,87 мм и Z = -308,31 мм.
    2. Введите последовательность программирования в соответствии с древовидной диаграммой, показанной на рисунке 4.
  2. Автоматическая сборка
    1. Подождите, пока кобот начнет последовательность сборки, взяв нижнюю часть коробки и переместив ее к точке сборки.
      ПРИМЕЧАНИЕ: Роботизированная рука имеет максимальную грузоподъемность 3 кг и постоянную точность 0,03 мм. Используется коллаборативный захват, который позволяет регулировать прилагаемое усилие и расстояние сжатия, индивидуально подгоняемые под размер каждого компонента, участвующего в процессе сборки.
    2. Затем коллаборативный робот подхватывает червячка и помещает его в соответствующее положение внутри сборки.
    3. Затем робот берет червячную передачу и собирает ее на верхней части коробки.
      ПРИМЕЧАНИЕ: Этот метод сборки был разработан для предотвращения поломки или повреждения червячной передачи. Облегчает работу оператора и способствует повышению качества процесса сборки.
    4. После того, как эти узлы будут завершены, подождите, пока роботизированная рука переместит их в зону ручной сборки, где оператор продолжит процесс (Рисунок 5).
  3. Ручная сборка
    1. В области ручной сборки попросите оператора взять узел сборки, размещенный, как показано на рисунке 6 , и выполнить сборку, следуя последовательности операций, описанных на рисунке 7.
    2. По завершении ручной сборки убедитесь, что собранная деталь расположена вертикально на лотке, при этом червяк ориентирован к задней части (рис. 8).

Рисунок 4
Рисунок 4: Последовательность программирования кобота. Порядок инструкций, которые должны быть загружены в коллаборативного робота. (А,Б) Первая и вторая части последовательности программирования соответственно. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 5
Рисунок 5: Последовательность движений коллаборативного робота при автоматической сборке. Кобот выполняет следующий ряд действий: (А) берет основание и ставит его на приспособление; (В) затем берет веретено и помещает его на основание; (C) устанавливает крышку на кондуктор, а затем на снасть; и (D) окончательно помещает собранное основание и шестерню на кондуктор для последующей ручной сборки. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 6
Рисунок 6: Точка сбора оператора для ручной сборки. Компоновка, в которой готовые узлы должны быть размещены до того, как оператор приступит к ручной сборке. (A) Элемент конструкции 1 размещается в этой области, и (B) В этой зоне размещается узел конструкции 2. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 7
Рисунок 7: Последовательность операций ручной сборки. Оператор выполняет следующую последовательность операций: (A) захватывает узел 2, (B) поднимает узел 1, (C) размещает узел 2 поверх узла 1, (D) нажимает оба компонента для закрытия устройства и (E) помещает конечный продукт на кондуктор. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Рисунок 8
Рисунок 8: Конечный продукт на кондукторе. Правильное положение, в котором конечный продукт должен быть помещен на кондуктор перед транспортировкой на конвейерную ленту. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

3. Транспортировка на конвейерную ленту

  1. Расположите кобота так, чтобы захватить готовую сборку.
  2. После закрепления позвольте коботу передавать конечный продукт на конвейерную ленту, как можно ближе к датчику, что позволит осмотреть его с помощью камеры технического зрения.
    ПРИМЕЧАНИЕ: Этапы сборки 3.1-3.4 соответствуют последовательности программирования, выделенной красным цветом на рисунке 4.

4. Исходные условия работы камеры и программного обеспечения

  1. Включите интерфейс компьютерного программного обеспечения для моделирования серии CV-X и активируйте режим конфигурации для редактирования инструментов контроля.
  2. В левом верхнем углу нажмите на опцию «Настройка камеры» и выберите модель CA-035C, с разрешением 640 x 418 в прогрессивном режиме, чувствительностью 2.4, выдержкой 1/15 мс, включите Flash 1, выберите модель освещения DC40E и, наконец, нажмите OK (Рисунок 9).
    ПРИМЕЧАНИЕ: Камера предлагает два разрешения прогрессивной развертки: 512 x 418 и 640 x 418 пикселей. Более высокое разрешение было выбрано для лучшей адаптации и качества изображения. Чувствительность была установлена на 2,4 (по шкале от 1 до 7) для поддержания хорошего качества изображения, избегая снижения четкости при более высокой чувствительности. Выдержка составляет 1/15 мс, медленная для проникновения света, что идеально подходит для условий низкой освещенности.

Рисунок 9
Рисунок 9: Начальные условия системы машинного зрения. Исходные параметры, которые должны быть настроены в системе технического зрения. Каждый из этих параметров выделен красным цветом для удобства идентификации. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

5. Оценка особенностей

  1. Оценка характеристик формы червяка
    1. Справочник по настройке инструмента и регистрации изображений
      1. В интерфейсе включите опцию «Добавить инструменты » и выберите функцию ShapeTrax3 из категории «Список функций », затем нажмите «Добавить».
      2. Как только инструмент будет выбран, он предложит зарегистрировать эталонное изображение (эталонное изображение соответствует правильно построенному изображению). Для этого нажмите на значок «Ссылочное изображение » в правом верхнем углу, затем выберите «Зарегистрировать изображение » и нажмите «Выполнить », чтобы захватить изображение. Далее выберите формат изображения BMP и нажмите Сохранить.
        ПРИМЕЧАНИЕ: На этом этапе хорошая деталь определяется как та, в которой после сборки коробки червяк выступает из верхней левой стороны коробки.
    2. Настройка параметров червя
      1. Выберите опцию «Регион поиска »; Появится синее поле, определяющее область поиска. Нажмите «ОК». Убедитесь, что эта синяя рамка закрывает изображение детали, выбранной на шаге 5.1.1.2.
      2. Выберите параметр «Область узора », чтобы настроить область образца и добиться максимально возможного сходства с эталоном. Для этого выберите форму Многоугольника , обведите периметр детали и нажмите кнопку Ок.
    3. Условия суждения о черве
      1. В опции «Условия суждения » установите процент совпадения с максимальным лимитом = 99,99% и минимальным лимитом = 70%, затем нажмите «ОК».
  2. Оценка характеристик формы червячной передачи
    ПРИМЕЧАНИЕ: Чтобы оценить характеристики формы червячной передачи, повторите шаги 5.1 и 5.1.2.1.
    1. Настройка параметров червячной передачи
      1. Выберите параметр «Область узора », чтобы настроить область узора и добиться максимального сходства с эталонным изображением. Для этого выберите фигуру Круг, отметьте периметр червячной передачи и нажмите Ok.
    2. Условия оценки для червячной передачи
      1. В опции Judgment Conditions выберите режим Count и установите пределы минимального и максимального значений равными 1, затем нажмите OK.
  3. Оценка характеристик положения червяка и червячной передачи
    ПРИМЕЧАНИЕ: Чтобы оценить характеристики позиции, повторите шаг 5.1.1 и в категории Регулировка положения выберите функцию Положение профиля .
    1. Настройка параметров изделия
      1. Следуйте шагу 5.2.1.1, но на этот раз выберите фигуру прямоугольника .
    2. Условия суждения о продукте
      1. Установите максимальный лимит на 99,99% и минимальный лимит на 60%.

6. Определение цветов

  1. Условия суждения о черве
    ПРИМЕЧАНИЕ: Чтобы оценить функцию определения цвета червя, необходимо повторить шаги, описанные в шаге 5.1.1.1, и в категории Количество выбрать функцию Кластер . Новое эталонное изображение также должно быть зарегистрировано с помощью шага 5.1.1.2, в частности, с указанием цветов, которые будет обнаружен инструментом. Затем повторите шаги 5.1.2.1 и 5.1.2.2, но выберите форму прямоугольника , чтобы изолировать сегмент червя, выступающий из коробки.
    1. Выберите опцию «Область маски », выберите форму «Прямоугольник », обведите красный край детали, чтобы исключить этот цвет при выделении, и нажмите «ОК».
    2. Нажмите «Извлечь цвета» | Цвет на двоичный. При использовании значка раскрывающегося списка нажмите «Выбрать».
    3. Нажмите несколько раз на область червя, чтобы извлечь цвет. Успешное выделение подтверждается, когда в выбранной области появляется желтый свет, как показано на рисунке 10.
    4. Установите условия суждения с максимальным пределом = 1 и минимальным пределом = 0.
  2. Условия оценки для червячной передачи
    ПРИМЕЧАНИЕ: Чтобы оценить функцию определения цвета червячной передачи, необходимо повторить шаги, описанные в шаге 5.1.1.1, и в категории Количество выберите функцию Кластер . Новое эталонное изображение должно быть зарегистрировано с цветами, которые инструмент должен обнаруживать, как описано в шаге 5.1.1.2. Затем повторите шаги 5.1.2.1 и 5.1.2.2, с той разницей, что форма круга должна быть выбрана для изоляции сегмента червячной передачи, выступающего из коробки.
    1. Выберите параметр «Область маски », выберите форму «Прямоугольник » и обведите красный край детали, чтобы исключить этот цвет при выделении. Нажмите «ОК».
    2. Нажмите «Извлечь цвета» | Цвет на двоичный. Нажмите на значок пипетки и выберите опцию «Выбрать».
    3. На фигурке червячной шестерни нажмите несколько раз, чтобы извлечь нужный цвет. Правильный выбор подтверждается, когда над выделенной областью появляется желтое наложение.
    4. Установите условия суждения с максимальным пределом = 1 и минимальным пределом = 0.
      ПРИМЕЧАНИЕ: Шаги 6.1 и 6.2 необходимо повторить для всех цветовых комбинаций червячной коробки передач.

Рисунок 10
Рисунок 10: Чрезмерное воздействие червей. Система технического зрения обнаруживает шпиндель. Успешное выделение подтверждается, когда выбранная область выделяется желтой рамкой. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

7. Подготовка камеры и программного обеспечения к условиям работы

  1. Включите интерфейс программы CV-X Series Simulation Software с компьютера и активируйте режим Switch to Run Mode. Затем выберите значок «Утилита » и нажмите на опцию «Монитор ввода-вывода».
  2. Включите клеммы, которые соединяют контроллер камеры с контроллером кобота. Для этого случая включите следующие клеммы OUT : F_OUT3 (RUN), OUT3 (CMD_READY), OUT4 (READY1)
  3. В интерфейсе программного обеспечения выберите значок «Вывод » и в разделе «Общее состояние » включите все инструменты, описанные в разделах 4, 5 и 6.

8. Получение результатов моделирования

ПРИМЕЧАНИЕ: Когда датчик движения обнаруживает продукт, конвейерная лента останавливается и делается фотография для проведения процесса контроля с использованием параметров, установленных в разделах 4, 5 и 6.

  1. Включите программный интерфейс с компьютера и активируйте переключатель в режим работы. Затем выберите значок «Утилита » и нажмите на опцию «Статистика ». Выберите тип графика для обзора, например, график тренда или гистограмму, которая позволяет проводить качественный анализ и поддерживает принятие решений на основе управления данными новым менеджером процессов (рисунок 11).

Рисунок 11
Рисунок 11: Выбор системы статистического управления процессом. Область, выделенная красным цветом, указывает на значок, который необходимо выбрать для доступа к системе управления статистическим процессом после выполнения моделирования. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

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

Results

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

В этом документе представлен протокол полуавтоматического моделирования масштабированной модели производственного процесса с использованием коллаборативной роботизированной руки. Качество конечного продукта оценивается с помощью системы компьютерного зрения, которая проверяет критические особенности сборки.

Важным инструментом для выявления и анализа потенциальных сбоев в производственном процессе является статистическое управление процессом (SPC), которое основано на применении статистических...

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

Discussion

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

На сегодняшнем конкурентном глобальном рынке постоянное совершенствование и адаптивность имеют важное значение для поддержания конкурентоспособности компании и обеспечения ее выживания. Поэтому крайне важно превзойти ожидания клиентов, постоянно поставляя качественную продукцию в срок и по конкурентоспособным ценам29.

Масштабное моделирование производственных процессов с использованием передовых технологий, таких как коллаборативные роб...

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

Disclosures

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

У авторов нет конфликта интересов, который можно было бы раскрыть.

Acknowledgements

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

Эта статья подготовлена при поддержке Национального политехнического института (Instituto Politécnico Nacional) Мексики в рамках проекта No 20250776, предоставленного Секретариатом исследований и аспирантуры (Secretaría de Investigación y Posgrado), Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI). Дополнительная поддержка была получена в виде стипендии, предоставленной CVU 1145035 Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI). Кроме того, эта статья также поддержана Столичным автономным университетом (Universidad Autónoma Metropolitana) Мексики в рамках проекта SI004-20. Кроме того, это исследование является частью конкурса проектов межинституционального сотрудничества 2025 года IPN-UAM-UAEMÉX в рамках проекта 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
Совместная роботизированная рукаУниверсальный робот  Модель UR3 (CB-3 UR3)
Конвейерная лентаGamalier Конвейерная лента размером 30 x 150 см
Фотоэлектрический сенсорОМРОНE3F2-DS10B4-N 
Система зренияКейенсCV-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