Flexible productie projecten

Bottle lijnen van bierbrouwer Heineken krijgen steevast te maken met omgevallen flessen op de lopende band. Die kunnen tot grote problemen in het productieproces leiden en moeten dus snel verwijderd worden. Dat gebeurt tot nu toe nog handmatig door operators. Maar dat is voor de veiligheid van de werkomgeving en de efficiëntie van het productieproces niet gewenst.

TNO heeft een robotoplossing ontwikkeld in het innovatieprogramma SMITZH in samenwerking met fieldlab RoboHouse. De oplossing is gedemonstreerd op een test bottle line met een robot ernaast. Een 2D-camera op de robot detecteert de omgevallen fles door beeldverwerking met een neuraal netwerkalgoritme.

Daarna worden de camerabeelden gebruikt om met de robot de fles te volgen en van de band te pakken (vision in the loop) zonder de transportband te hoeven stoppen. Dankzij slimme kalibratiemogelijkheden kan de robot voor vrijwel elk recht stuk loopband worden ingezet.

Voor een foutloze productie is het meten van productkwaliteit in de maakindustrie van groot belang. TNO heeft verregaande kennis van diverse meetprincipes. De uitdaging is om deze in de productieomgeving toe te passen in de vorm van industriële sensoren met slimme dataverwerking. Bijvoorbeeld door gebruik te maken van kunstmatige intelligentie.

Dit kan bijvoorbeeld worden inzet om productieprocessen te modelleren en het verloop te voorspellen. Of om tijdens het proces kwaliteitsparameters te volgen en actief bij te sturen. Hierdoor kunnen verstoringen onderdrukt worden of kan het proces aangepast worden aan veranderende omstandigheden (adaptief).

Cameratechnieken ontwikkelen zich in hoog tempo en bieden steeds meer mogelijkheden voor quality control. Om bij benadering real-time te kunnen ingrijpen en bijsturen ligt de uitdaging in extreem hoge gegevenssnelheid bij lage latentie.

TNO lost dit op met geavanceerde optica, krachtige algoritmen en High Performance Computing. Zo slagen we erin om nauwkeurig te positioneren op basis van camerabeelden. Maar ook om snel 3D-productgeometrie te bepalen met camera’s en zo tijdens de productie te controleren of een product de gewenste vorm heeft.

Bij het produceren van ‘Safety Critical Components’ is het belangrijk om zeker te weten dat het product geen defecten heeft. Dat kan door een niet-destructieve inspectie van het product. Bijvoorbeeld met optische sensoren en 3D Vision Metrology of met ultrasone methodieken die onder het productoppervlak kijken.

Deze sensortechnieken worden niet alleen gebruikt om de kwaliteit van een product te controleren, maar ook voor het karakteriseren van het materiaal. Productieprocessen kunnen zo bijgestuurd worden zodat de optimale productkwaliteit geleverd wordt.

Voor grote series eenvoudige producten maakt de maakindustrie al gebruik van industriële robots. Voor kleinere series met complexere producten is dat veel minder het geval. Dit is met name vanwege de tijd die het kost om de robot voor elke taak opnieuw handmatig te programmeren.

TNO werkt aan een oplossing hiervoor: zero programming. Hierbij wordt het robotprogramma automatisch gegenereerd door gebruik te maken van alle informatie en data die beschikbaar is. Denk aan CAD-modellen, informatie over de werkvoorbereiding en productieomgeving, en andere proceskennis.

Handmatig programmeren van de robottaken is dan verleden tijd. Op basis van padplanning-algoritmes en andere state-of-the-artsoftware worden namelijk automatisch de beste robotpaden voor industriële taken gegenereerd. Bijvoorbeeld om met robots producten te lassen, lijmen of reinigen. Of om machines te beladen door robots, zoals bij het buigen van producten met kantbanken.

Op deze manier wordt de inzetbaarheid van industriële robots bij de productie van kleine series vergroot.