视觉引导机器人箱体拾取
视觉引导机器人(VGR)箱体拾取是一项特别的挑战,其目的是使用机器人移动容器中产品,并将其装载到机器当中和传送带上面。这听起来容易,但是真正成功实施还是存在很多挑战,它主要取决于容器和内部零件的结构。VGR本身则完全是另外一个话题,但是不管采用什么样的技术、零件显示或者其他特征,“每次抓取”的成功/失效率是人们最关注的问题。
我们最好通过一个例子来解释。考虑一个容器装有100个零件,这是一个“标准的”容器,无论什么时候如果容器放置在机器人面前,它都有100个零件。接下来,考虑每个零件的成功率,它是视觉成功率(元件被识别出并且准确定位的概率)与机器人抓取成功率(一旦元件定位成功,元件被抓起的概率有多少)的乘积。在本例当中,如果视觉成功率是99.5%,抓取成功率也是99.5%,那么每个零件的成功率约等于99%(99.5% x 99.5%)。
Fanuc M-710iB机器人可以使用视觉引导快速地从容器中抓取制动转子。图片来源:JMP Engineering公司。
那么如果出现失效,会发生什么?在本例中,这是一个非常重要的问题,因为看起来有64%的容器都会遇到这个问题。这个取决于具体的应用,可能流程是完好的,但是会导致一些零件“遗留”在容器当中。另外一种极端的情况,则是流程停止,需要重大的维修并且会导致停产。
汽车视觉检测
另外一种常见的视觉应用是检测。检测系统一般进行测量,了解零件是否存在,或者进行打分确定通过或者不通过。在简单的应用中,检测系统包含一台摄像机以查看某一种特征。更加复杂的系统一般包含多台摄像机,可查看一个零件的多种特征。
考虑一台轿车即将完成装配。装载在井中的汽车底部视觉系统拥有多个摄像头,可以查看40个特征,包括螺栓,支架,盖板等等。对于这个应用来说,最好的方法并不是查看视觉成功率,而是考虑视觉的“错误拒绝”率。这个是指视觉系统在应该做出“通过”判断的时候给出“失败”结果的可能性。
在本例当中,我们应该考虑客户的需求。客户要求生产线每个班次要装配400辆汽车,如果有一个错误拒绝,就必须要把汽车开到人工检测站,进行再次检测。这是一个很大的操作,客户希望每个班次最多人工检测四辆汽车。400辆当中有4辆,比例就是1%。这意味着CONTROL ENGINEERING China版权所有,对于一辆汽车来说,视觉系统的错误拒绝率必须不高于1%。最容易的方法就是考虑在400量汽车上总体的检测量,因为每辆车有40个检测,那么一共就有16000次检测。在这16000次当中,只能有4次错误拒绝。
计算错误拒绝率:4/16CONTROL ENGINEERING China版权所有,000 = 0.00025,或者0.025%。换句话说CONTROL ENGINEERING China版权所有,有99.975%的检测不能出现错误拒绝。这对于很多简单的视觉检测来说尚难以实现,对于复杂的检测来说几乎就是不可能完成的任务了。
我们再回到这个问题——如果失效会发生什么?在本例中,我们需要查看系统的可行性。因为系统中包含很多检测,每一次检测的复杂度都应该非常低,这样项目才可行。除此之外,集成商必须要花费大量的时间对每一个检测进行微调,以保证非常高的准确性。如果不考虑“失效会发生”,从集成商以及客户的观点来看,这个项目就已经是一个错误了。
个体VS.系统失效率
从上面的两个例子当中,很容易发现即便个体失效率看起来很低,系统失效率也可能会高的惊人。现实一点,接受系统一定会出现故障这个事实,分析故障的频率和影响。虽然我们很容易忽略,但是还是应该在流程早期就问一下这个问题,这可能会导致项目的成功或者失败。