AlgaeBarn in-house cap labeling cell with label spool and vision quality counters

AlgaeBarn ทำฉลากฝาขวดอัตโนมัติด้วยระบบแมชชีนวิชันภายในองค์กรได้อย่างไร

AlgaeBarn แทนที่ “ปาร์ตี้ติดสติกเกอร์” ด้วยมือด้วยเซลล์ราคาต่ำกว่า 1,000 ดอลลาร์สหรัฐ ที่จัดแนว ติดฉลาก ตรวจสอบด้วย OpenCV และคัดแยกฝาครอบได้ประมาณ 450 ชิ้นต...

ที่ AlgaeBarn ผู้ผลิตผลิตภัณฑ์เพาะเลี้ยงสัตว์น้ำมีชีวิตจากรัฐโคโลราโด เช่น โคพีพอดและแพลงก์ตอนพืช ผลิตภัณฑ์ทั้ง 9 สายต้องมีฉลากติดฝาขวดของตัวเอง หลายปีที่ผ่านมา เรื่องนี้หมายถึง “ปาร์ตี้ติดสติกเกอร์” เป็นระยะ ซึ่งเป็นช่วงเวลา 1–2 ชั่วโมงที่พนักงานจากทั่วทั้งบริษัทมาช่วยลอกฉลากและติดด้วยมือ กิจกรรมเหล่านี้ช่วยสร้างความสัมพันธ์ แต่ก็ทำให้ผู้ปฏิบัติงาน ช่างเทคนิค และวิศวกรต้องหยุดงานหลัก และเมื่อสต็อกฝาที่ติดฉลากไว้หมดโดยไม่คาดคิด ฝ่ายผลิตก็ต้องหยุดเพื่อทำเพิ่ม

เซลล์ติดฉลากฝาขวดภายในโรงงานของ AlgaeBarn พร้อมม้วนฉลากและตัวนับคุณภาพด้วยระบบวิชัน

เซลล์ติดฉลากภายในโรงงานของ AlgaeBarn: ม้วนฉลาก โครงอะลูมิเนียม และตัวนับด้วยระบบวิชันบนโต๊ะสำหรับฝาที่ผ่านและไม่ผ่านการตรวจสอบ

Akash Chinthamanipeta วิศวกรหุ่นยนต์และระบบอัตโนมัติ มองงานที่ต้องทำซ้ำนี้เป็นปัญหาหน้างานในโรงงาน ไม่ใช่แค่เรื่องการจัดซื้อ เป้าหมายคือเซลล์อัตโนมัติที่สามารถจัดทิศทางฝาแต่ละชิ้น ติดฉลาก ตรวจสอบตำแหน่ง และคัดแยกชิ้นงานที่ผ่านกับไม่ผ่านได้โดยไม่ต้องมีผู้ควบคุมเฝ้าตลอดเวลา พร้อมควบคุมต้นทุนฮาร์ดแวร์และกระบวนการได้ภายในโรงงาน

เหตุผลที่สร้างเองแทนการซื้อ

เครื่องติดฉลากเชิงพาณิชย์มีปัญหาหลักสองด้าน ได้แก่ ต้นทุนเงินลงทุนและลอจิกแบบปิด เครื่องจักรจำนวนมากตั้งสมมติฐานว่าเมื่อปรับตั้งถูกต้องแล้ว ตำแหน่งติดฉลากจะยังคงถูกต้องต่อไป ในสายการผลิตจริง การเลื่อนของม้วนฉลากหรือแผ่นรองหลังจากทำงานไปไม่กี่ร้อยรอบอาจทำให้จุดลอกฉลากเคลื่อนมากพอที่จะทำให้สติกเกอร์ถัดไปติดผิดตำแหน่ง AlgaeBarn ยังต้องการลอจิกของเครื่องจักรที่แก้ไขได้ เพื่อให้เซลล์สามารถพัฒนาไปพร้อมกับการผลิต กลไกส่วนใหญ่ได้รับการออกแบบใน SOLIDWORKS และต้นทุนฮาร์ดแวร์โดยตรงอยู่ต่ำกว่า $1,000 การสร้างระบบเองทำให้สามารถตรวจสอบฝาทุกชิ้นได้ แทนที่จะพึ่งพาเพียงการตั้งค่ากลไกในตอนเริ่มต้น

จากฝาที่เทรวมกันสู่ชิ้นงานที่ผ่านการตรวจสอบ

ผู้ปฏิบัติงานเทฝาที่อยู่รวมกันลงในลิฟต์จ่ายชิ้นงาน เซนเซอร์ตรวจสอบรางป้อนและเดินลิฟต์เฉพาะเมื่อมีฝาจำเป็นต้องเติมเพิ่ม รางแบบพาสซีฟทำหน้าที่จัดทิศทางไปในตัว ฝาที่วางถูกด้านจะเคลื่อนต่อไปยังสถานีติดฉลาก ส่วนฝาที่คว่ำจะตกกลับลงถัง จึงไม่จำเป็นต้องมีชุดจัดทิศทางแบบแอ็กทีฟแยกต่างหาก

ถาดจะนำเสนอฝาทีละชิ้น เลเซอร์ KEYENCE ยืนยันว่ามีชิ้นงานอยู่ จากนั้นคอนโทรลเลอร์สั่งกระบอกลมนิวแมติกจัดตำแหน่งชิ้นงาน โดยมีรีดสวิตช์ยืนยันว่ากระบอกเคลื่อนถึงปลายระยะก่อนดำเนินลำดับถัดไป สเต็ปเปอร์มอเตอร์แบบมีเฟืองจะเลื่อนม้วนฉลากไปรอบขอบลอก เพื่อให้สติกเกอร์แยกออกจากแผ่นรองหลัง ชุดติดฉลากแบบนิวแมติกช่วยด้วยสุญญากาศจะหยิบฉลากและกดลงบนฝา โดยมีรีดสวิตช์ยืนยันอีกครั้ง

ชุดระบบวิชัน OpenCV ระดับ Raspberry Pi ที่ใช้ตรวจสอบตำแหน่งด้วยขอบภาพ

การตรวจสอบด้วย OpenCV โดยอาศัยขอบภาพบนโหนดกล้องระดับ Raspberry Pi จะตรวจสอบตำแหน่งฉลากก่อนคัดแยกชิ้นงานที่ผ่านหรือไม่ผ่าน

จากนั้นคอนโทรลเลอร์จะเผยแพร่ข้อความ MQTT ไปยังโหนดกล้อง Raspberry Pi รูทีน OpenCV ที่พัฒนาขึ้นเองจะถ่ายภาพ วัดระยะห่างระหว่างขอบฝาที่ตรวจพบกับขอบฉลาก และตรวจสอบตำแหน่งเทียบกับค่าความคลาดเคลื่อนที่แคบ ผลลัพธ์จะส่งกลับไปยังคอนโทรลเลอร์ แล้วหุ่นยนต์ถ้วยดูดจะนำชิ้นงานไปวางในถังรับชิ้นงานที่ผ่านหรือไม่ผ่าน

หนึ่งมิลลิเมตรที่ไม่เคยเป็นเพียงหนึ่งมิลลิเมตร

ปัญหาที่ยากที่สุดคือการหยุดม้วนฉลากให้อยู่ในตำแหน่งที่ทำซ้ำได้ การขับเคลื่อนในช่วงแรกทำตามคำสั่งหยุด แต่ยังเคลื่อนต่อจากพลังงานตกค้างและแรงเฉื่อย บางครั้งเลยตำแหน่งไปเกือบหนึ่งนิ้ว ซึ่งมากพอที่จะทำให้การติดฉลากครั้งถัดไปเสียหาย การออกแบบใหม่โดยใช้สเต็ปเปอร์ NEMA 24 แบบมีเฟืองช่วยให้คอนโทรลเลอร์สั่งจำนวนก้าวคงที่ต่อฉลากและหยุดได้อย่างแม่นยำ บทเรียนสำหรับเซลล์บรรจุภัณฑ์นี้เป็นสิ่งที่พบเห็นได้ทั่วไปในโรงงาน: ความคลาดเคลื่อนระดับต่ำกว่ามิลลิเมตรที่เกิดซ้ำหลายครั้งจะกลายเป็นของเสียเมื่อทำงานหลายร้อยรอบต่อชั่วโมง

ให้ความแม่นยำมาก่อนความเร็วสูงสุด

เซลล์ที่เสร็จสมบูรณ์ทำงานได้ประมาณ 450 ฝาต่อชั่วโมง ซึ่งเพียงพอต่อความต้องการของ AlgaeBarn ปริมาณการผลิตมีความสำคัญรองจากคุณภาพที่ทำงานได้โดยไม่ต้องเฝ้าดู ผู้ปฏิบัติงานเติมฝา เริ่มเครื่อง แล้วกลับไปทำงานอื่น หากวัสดุป้อนหมดหรือเกิดข้อผิดพลาดอื่น เซลล์จะหยุดทำงานและส่งสัญญาณเตือน แทนที่จะผลิตสินค้าที่ไม่แน่นอน ในการทดลอง 100 ฝา มี 98 ชิ้นที่อยู่ภายในค่าความคลาดเคลื่อนของตำแหน่ง ส่วนอีก 2 ชิ้นถูกคัดออกเนื่องจากความคลาดเคลื่อนของตำแหน่งเล็กน้อย ภายใต้เกณฑ์ที่ตั้งไว้อย่างระมัดระวัง

โครงการนี้ใช้เวลาประมาณ 4 เดือนควบคู่ไปกับงานระบบอัตโนมัติอื่น ๆ และช่วยยุติการจัดปาร์ตี้ติดสติกเกอร์ที่เกิดขึ้นเป็นประจำ แม้ผู้ปฏิบัติงานบางคนจะพูดติดตลกว่าคิดถึงช่วงเวลาพูดคุยกันก็ตาม คาดว่าจะช่วยประหยัดค่าแรงและลดการหยุดชะงักที่หลีกเลี่ยงได้ประมาณ $40,000–$50,000 ต่อปี ข้อสรุปที่กว้างกว่าสำหรับผู้ผลิตรายเล็กคือ ควรเริ่มจากความต้องการในการปฏิบัติงานจริง กำหนดเวลาและงบประมาณให้เหมาะกับมูลค่าที่จะได้รับ และให้ความสำคัญกับฟีดแบ็กที่เชื่อถือได้และคุณภาพที่ทำซ้ำได้ มากกว่าเครื่องจักรในแค็ตตาล็อกที่มีความเร็วสูงที่สุด โครงการสร้างระบบบรรจุภัณฑ์และระบบควบคุมที่เกี่ยวข้องมักทำงานร่วมกับ ระบบ PLC และ PAC รวมถึงเส้นทางเซนเซอร์ เช่น เครื่องมือวัดของ Honeywell เมื่อโรงงานขยายเซลล์เดียวกันในภายหลัง

เกี่ยวกับผู้เขียน

Akash Chinthamanipeta | วิศวกรหุ่นยนต์และระบบอัตโนมัติ – AlgaeBarn

Akash Chinthamanipeta เป็นวิศวกรหุ่นยนต์และระบบอัตโนมัติที่ AlgaeBarn ในเมืองคอมเมิร์ซซิตี รัฐโคโลราโด เขาสำเร็จการศึกษาระดับปริญญาโทด้านวิศวกรรมเครื่องกลจาก University of Colorado Boulder โดยมุ่งเน้นด้านหุ่นยนต์และระบบควบคุม

AlgaeBarn ทำฉลากฝาขวดอัตโนมัติด้วยระบบแมชชีนวิชันภายในองค์กรได้อย่างไร

AlgaeBarn แทนที่ “ปาร์ตี้ติดสติกเกอร์” ด้วยมือด้วยเซลล์ราคาต่ำกว่า 1,000 ดอลลาร์สหรัฐ ที่จัดแนว ติดฉลาก ตรวจสอบด้วย OpenCV และคัดแยกฝาครอบได้ประมาณ 450 ชิ้นต่อชั่วโมง

ที่ AlgaeBarn ผู้ผลิตผลิตภัณฑ์เพาะเลี้ยงสัตว์น้ำมีชีวิตจากรัฐโคโลราโด เช่น โคพีพอดและแพลงก์ตอนพืช ผลิตภัณฑ์ทั้ง 9 สายต้องมีฉลากติดฝาขวดของตัวเอง หลายปีที่ผ่านมา เรื่องนี้หมายถึง “ปาร์ตี้ติดสติกเกอร์” เป็นระยะ ซึ่งเป็นช่วงเวลา 1–2 ชั่วโมงที่พนักงานจากทั่วทั้งบริษัทมาช่วยลอกฉลากและติดด้วยมือ กิจกรรมเหล่านี้ช่วยสร้างความสัมพันธ์ แต่ก็ทำให้ผู้ปฏิบัติงาน ช่างเทคนิค และวิศวกรต้องหยุดงานหลัก และเมื่อสต็อกฝาที่ติดฉลากไว้หมดโดยไม่คาดคิด ฝ่ายผลิตก็ต้องหยุดเพื่อทำเพิ่ม

เซลล์ติดฉลากฝาขวดภายในโรงงานของ AlgaeBarn พร้อมม้วนฉลากและตัวนับคุณภาพด้วยระบบวิชัน

เซลล์ติดฉลากภายในโรงงานของ AlgaeBarn: ม้วนฉลาก โครงอะลูมิเนียม และตัวนับด้วยระบบวิชันบนโต๊ะสำหรับฝาที่ผ่านและไม่ผ่านการตรวจสอบ

Akash Chinthamanipeta วิศวกรหุ่นยนต์และระบบอัตโนมัติ มองงานที่ต้องทำซ้ำนี้เป็นปัญหาหน้างานในโรงงาน ไม่ใช่แค่เรื่องการจัดซื้อ เป้าหมายคือเซลล์อัตโนมัติที่สามารถจัดทิศทางฝาแต่ละชิ้น ติดฉลาก ตรวจสอบตำแหน่ง และคัดแยกชิ้นงานที่ผ่านกับไม่ผ่านได้โดยไม่ต้องมีผู้ควบคุมเฝ้าตลอดเวลา พร้อมควบคุมต้นทุนฮาร์ดแวร์และกระบวนการได้ภายในโรงงาน

เหตุผลที่สร้างเองแทนการซื้อ

เครื่องติดฉลากเชิงพาณิชย์มีปัญหาหลักสองด้าน ได้แก่ ต้นทุนเงินลงทุนและลอจิกแบบปิด เครื่องจักรจำนวนมากตั้งสมมติฐานว่าเมื่อปรับตั้งถูกต้องแล้ว ตำแหน่งติดฉลากจะยังคงถูกต้องต่อไป ในสายการผลิตจริง การเลื่อนของม้วนฉลากหรือแผ่นรองหลังจากทำงานไปไม่กี่ร้อยรอบอาจทำให้จุดลอกฉลากเคลื่อนมากพอที่จะทำให้สติกเกอร์ถัดไปติดผิดตำแหน่ง AlgaeBarn ยังต้องการลอจิกของเครื่องจักรที่แก้ไขได้ เพื่อให้เซลล์สามารถพัฒนาไปพร้อมกับการผลิต กลไกส่วนใหญ่ได้รับการออกแบบใน SOLIDWORKS และต้นทุนฮาร์ดแวร์โดยตรงอยู่ต่ำกว่า $1,000 การสร้างระบบเองทำให้สามารถตรวจสอบฝาทุกชิ้นได้ แทนที่จะพึ่งพาเพียงการตั้งค่ากลไกในตอนเริ่มต้น

จากฝาที่เทรวมกันสู่ชิ้นงานที่ผ่านการตรวจสอบ

ผู้ปฏิบัติงานเทฝาที่อยู่รวมกันลงในลิฟต์จ่ายชิ้นงาน เซนเซอร์ตรวจสอบรางป้อนและเดินลิฟต์เฉพาะเมื่อมีฝาจำเป็นต้องเติมเพิ่ม รางแบบพาสซีฟทำหน้าที่จัดทิศทางไปในตัว ฝาที่วางถูกด้านจะเคลื่อนต่อไปยังสถานีติดฉลาก ส่วนฝาที่คว่ำจะตกกลับลงถัง จึงไม่จำเป็นต้องมีชุดจัดทิศทางแบบแอ็กทีฟแยกต่างหาก

ถาดจะนำเสนอฝาทีละชิ้น เลเซอร์ KEYENCE ยืนยันว่ามีชิ้นงานอยู่ จากนั้นคอนโทรลเลอร์สั่งกระบอกลมนิวแมติกจัดตำแหน่งชิ้นงาน โดยมีรีดสวิตช์ยืนยันว่ากระบอกเคลื่อนถึงปลายระยะก่อนดำเนินลำดับถัดไป สเต็ปเปอร์มอเตอร์แบบมีเฟืองจะเลื่อนม้วนฉลากไปรอบขอบลอก เพื่อให้สติกเกอร์แยกออกจากแผ่นรองหลัง ชุดติดฉลากแบบนิวแมติกช่วยด้วยสุญญากาศจะหยิบฉลากและกดลงบนฝา โดยมีรีดสวิตช์ยืนยันอีกครั้ง

ชุดระบบวิชัน OpenCV ระดับ Raspberry Pi ที่ใช้ตรวจสอบตำแหน่งด้วยขอบภาพ

การตรวจสอบด้วย OpenCV โดยอาศัยขอบภาพบนโหนดกล้องระดับ Raspberry Pi จะตรวจสอบตำแหน่งฉลากก่อนคัดแยกชิ้นงานที่ผ่านหรือไม่ผ่าน

จากนั้นคอนโทรลเลอร์จะเผยแพร่ข้อความ MQTT ไปยังโหนดกล้อง Raspberry Pi รูทีน OpenCV ที่พัฒนาขึ้นเองจะถ่ายภาพ วัดระยะห่างระหว่างขอบฝาที่ตรวจพบกับขอบฉลาก และตรวจสอบตำแหน่งเทียบกับค่าความคลาดเคลื่อนที่แคบ ผลลัพธ์จะส่งกลับไปยังคอนโทรลเลอร์ แล้วหุ่นยนต์ถ้วยดูดจะนำชิ้นงานไปวางในถังรับชิ้นงานที่ผ่านหรือไม่ผ่าน

หนึ่งมิลลิเมตรที่ไม่เคยเป็นเพียงหนึ่งมิลลิเมตร

ปัญหาที่ยากที่สุดคือการหยุดม้วนฉลากให้อยู่ในตำแหน่งที่ทำซ้ำได้ การขับเคลื่อนในช่วงแรกทำตามคำสั่งหยุด แต่ยังเคลื่อนต่อจากพลังงานตกค้างและแรงเฉื่อย บางครั้งเลยตำแหน่งไปเกือบหนึ่งนิ้ว ซึ่งมากพอที่จะทำให้การติดฉลากครั้งถัดไปเสียหาย การออกแบบใหม่โดยใช้สเต็ปเปอร์ NEMA 24 แบบมีเฟืองช่วยให้คอนโทรลเลอร์สั่งจำนวนก้าวคงที่ต่อฉลากและหยุดได้อย่างแม่นยำ บทเรียนสำหรับเซลล์บรรจุภัณฑ์นี้เป็นสิ่งที่พบเห็นได้ทั่วไปในโรงงาน: ความคลาดเคลื่อนระดับต่ำกว่ามิลลิเมตรที่เกิดซ้ำหลายครั้งจะกลายเป็นของเสียเมื่อทำงานหลายร้อยรอบต่อชั่วโมง

ให้ความแม่นยำมาก่อนความเร็วสูงสุด

เซลล์ที่เสร็จสมบูรณ์ทำงานได้ประมาณ 450 ฝาต่อชั่วโมง ซึ่งเพียงพอต่อความต้องการของ AlgaeBarn ปริมาณการผลิตมีความสำคัญรองจากคุณภาพที่ทำงานได้โดยไม่ต้องเฝ้าดู ผู้ปฏิบัติงานเติมฝา เริ่มเครื่อง แล้วกลับไปทำงานอื่น หากวัสดุป้อนหมดหรือเกิดข้อผิดพลาดอื่น เซลล์จะหยุดทำงานและส่งสัญญาณเตือน แทนที่จะผลิตสินค้าที่ไม่แน่นอน ในการทดลอง 100 ฝา มี 98 ชิ้นที่อยู่ภายในค่าความคลาดเคลื่อนของตำแหน่ง ส่วนอีก 2 ชิ้นถูกคัดออกเนื่องจากความคลาดเคลื่อนของตำแหน่งเล็กน้อย ภายใต้เกณฑ์ที่ตั้งไว้อย่างระมัดระวัง

โครงการนี้ใช้เวลาประมาณ 4 เดือนควบคู่ไปกับงานระบบอัตโนมัติอื่น ๆ และช่วยยุติการจัดปาร์ตี้ติดสติกเกอร์ที่เกิดขึ้นเป็นประจำ แม้ผู้ปฏิบัติงานบางคนจะพูดติดตลกว่าคิดถึงช่วงเวลาพูดคุยกันก็ตาม คาดว่าจะช่วยประหยัดค่าแรงและลดการหยุดชะงักที่หลีกเลี่ยงได้ประมาณ $40,000–$50,000 ต่อปี ข้อสรุปที่กว้างกว่าสำหรับผู้ผลิตรายเล็กคือ ควรเริ่มจากความต้องการในการปฏิบัติงานจริง กำหนดเวลาและงบประมาณให้เหมาะกับมูลค่าที่จะได้รับ และให้ความสำคัญกับฟีดแบ็กที่เชื่อถือได้และคุณภาพที่ทำซ้ำได้ มากกว่าเครื่องจักรในแค็ตตาล็อกที่มีความเร็วสูงที่สุด โครงการสร้างระบบบรรจุภัณฑ์และระบบควบคุมที่เกี่ยวข้องมักทำงานร่วมกับ ระบบ PLC และ PAC รวมถึงเส้นทางเซนเซอร์ เช่น เครื่องมือวัดของ Honeywell เมื่อโรงงานขยายเซลล์เดียวกันในภายหลัง

เกี่ยวกับผู้เขียน

Akash Chinthamanipeta | วิศวกรหุ่นยนต์และระบบอัตโนมัติ – AlgaeBarn

Akash Chinthamanipeta เป็นวิศวกรหุ่นยนต์และระบบอัตโนมัติที่ AlgaeBarn ในเมืองคอมเมิร์ซซิตี รัฐโคโลราโด เขาสำเร็จการศึกษาระดับปริญญาโทด้านวิศวกรรมเครื่องกลจาก University of Colorado Boulder โดยมุ่งเน้นด้านหุ่นยนต์และระบบควบคุม

แสดงความคิดเห็น

โปรดทราบว่าความคิดเห็นจะต้องได้รับการอนุมัติก่อนที่จะได้รับการเผยแพร่