Как AlgaeBarn автоматизировала маркировку крышек с помощью собственной системы машинного зрения

AlgaeBarn — производитель живых продуктов для аквакультуры из Колорадо, таких как копеподы и фитопланктон, — выпускает девять товарных линий, и каждой нужна собственная этикетка на крышке бутылки. В течение многих лет это означало периодические «вечеринки по наклеиванию»: одно- или двухчасовые сессии, во время которых сотрудники из разных подразделений компании вручную отделяли этикетки и наклеивали их. Встречи носили неформальный характер, но отвлекали операторов, техников и инженеров от основной работы. А когда запас крышек с этикетками неожиданно заканчивался, производство приходилось останавливать и изготавливать новые.

Автономная установка AlgaeBarn для наклеивания этикеток: бобина этикеток, алюминиевая рама и расположенные на столе счётчики годных и бракованных крышек на основе машинного зрения.

Инженер по робототехнике и автоматизации Akash Chinthamanipeta рассмотрел эту повторяющуюся работу как задачу производственного участка, а не как вопрос закупки оборудования. Целью была автономная ячейка, которая могла бы ориентировать каждую крышку, наносить этикетку, проверять её положение и сортировать годные и бракованные детали без постоянного надзора — при этом сохраняя стоимость оборудования и контроль над процессом внутри предприятия.

Почему решили изготовить установку самостоятельно, а не купить

Покупные этикетировочные машины выявили две проблемы: капитальные затраты и закрытая логика управления. Многие машины предполагают, что после правильной настройки положение этикетки останется неизменным. На работающей линии смещение рулона этикеток или подложки после нескольких сотен циклов может настолько изменить точку отделения, что следующая наклейка окажется установлена неправильно. AlgaeBarn также хотела иметь возможность редактировать логику машины, чтобы ячейка могла развиваться вместе с производством. Большая часть механики была спроектирована в SOLIDWORKS; прямые затраты на оборудование удалось удержать ниже $1,000. Самостоятельная разработка означала, что можно проверять каждую крышку, а не полагаться только на первоначальную механическую настройку.

От отдельных крышек к проверенным деталям

Оператор засыпает отдельные крышки в подающий элеватор. Датчик контролирует подающий трек и запускает элеватор только тогда, когда требуется добавить крышки. Сам пассивный трек обеспечивает пассивную ориентацию: правильно установленные крышки проходят к станции наклеивания, а перевёрнутые возвращаются в бункер — без отдельного активного ориентатора.

Лоток подаёт по одной крышке за раз. Лазер KEYENCE подтверждает наличие детали; контроллер приводит в действие пневматический цилиндр, позиционирующий деталь, а герконовые датчики подтверждают завершение хода, прежде чем последовательность продолжится. Шаговый двигатель с редуктором перемещает рулон этикеток вокруг кромки отделения, чтобы наклейка отделилась от подложки. Пневматический аппликатор с вакуумной поддержкой захватывает этикетку и прижимает её к крышке; это снова подтверждается герконовым датчиком.

Проверка положения по краям с помощью OpenCV на узле камеры класса Raspberry Pi контролирует размещение этикетки перед сортировкой на годные и бракованные.

Затем контроллер публикует сообщение MQTT для узла камеры на базе Raspberry Pi. Пользовательская процедура OpenCV захватывает изображение, измеряет расстояние между обнаруженными краями крышки и этикетки и проверяет положение в пределах жёсткого допуска. Результат возвращается контроллеру, а робот с вакуумной присоской помещает деталь в контейнер для годных или бракованных изделий.

Миллиметр, который никогда не был просто миллиметром

Самой сложной задачей было остановить рулон этикеток в точно воспроизводимом положении. Ранний привод выполнял команду остановки, но продолжал двигаться по инерции из-за остаточной энергии — иногда почти на дюйм, чего было достаточно, чтобы испортить следующее нанесение. После перехода на шаговый двигатель NEMA 24 с редуктором контроллер смог задавать фиксированное число шагов для каждой этикетки и чисто останавливать привод. Для упаковочных ячеек вывод хорошо знаком производственникам: повторяющиеся ошибки менее миллиметра превращаются в брак при сотнях циклов в час.

Точность важнее максимальной скорости

Готовая ячейка обрабатывает около 450 крышек в час — этого достаточно для потребностей AlgaeBarn. Производительность была вторична по отношению к качеству без постоянного надзора. Оператор загружает крышки, запускает машину и возвращается к другим задачам. Пустой подающий механизм или другая неисправность останавливает ячейку и вызывает оповещение, вместо того чтобы выпускать продукцию с неопределённым качеством. В испытании на 100 крышках 98 деталей соответствовали допуску по положению; две были отбракованы из-за небольших позиционных ошибок при намеренно консервативных порогах.

Проект занял около четырёх месяцев и выполнялся параллельно с другими работами по автоматизации. Он положил конец регулярным «вечеринкам по наклеиванию» — хотя некоторые операторы шутили, что им не хватает времени на разговоры, — и, по прогнозам, позволит ежегодно экономить около $40,000–$50,000 за счёт сокращения трудозатрат и предотвращения простоев. Более широкий вывод для небольших производителей таков: начинать нужно с реальной производственной потребности, соизмерять время и бюджет с ценностью результата и отдавать предпочтение надёжной обратной связи и стабильному качеству, а не самой быстрой серийной машине. Аналогичные решения для упаковки и управления часто устанавливают вместе с системами PLC и PAC и такими сенсорными решениями, как контрольно-измерительные приборы Honeywell, когда предприятия впоследствии расширяют ту же ячейку.