Robot BORUNTE BRTIRUS0707A
Kami menggabungkan dua hal yang biasanya berada di dunia yang berbeda: sistem penglihatan mesin engiAI dengan sistem pelatihan jaringan saraf khusus dan robot industri berenam sumbu BORUNTE BRTIRUS0707AHasilnya adalah robot yang tidak menjalankan program yang telah diprogramkan, melainkan.. Sistem tersebut dapat mengenali suatu komponen dan menyesuaikan diri secara *real-time* berdasarkan komponen tersebut.
Uji coba ini menunjukkan bahwa sistem tersebut berfungsi dengan baik: kotak diletakkan di atas meja dalam posisi acak, operator dapat memutarnya ke arah yang diinginkan, dari 0 hingga 360 derajat. Kamera melihat dari atas, jaringan saraf menentukan sudut putaran dengan akurasi hingga satu derajat, dan lengan robot mereproduksi posisi kotak—memposisikan gripper tepat di bawahnya. Tidak ada penyangga, rel, atau sensor posisi: hanya kamera, jaringan saraf, dan robot.
Komponen sistem:
engiAI adalah sistem penglihatan mesin. Sistem ini menyediakan siklus lengkap dalam penggunaan kecerdasan buatan: menghubungkan kamera industri (SICK, Hikrobot, GigE Vision, USB), menandai area inspeksi langsung pada video, menghasilkan kumpulan data pelatihan dari sejumlah kecil gambar, melatih model YOLO pada GPU (CUDA), dan melakukan inferensi secara *real-time* dengan kecepatan sesuai dengan aliran kamera. Modul OUTPUT mengubah hasil pengenalan menjadi tindakan, seperti mengirimkan data melalui protokol TCP ke robot atau PLC, serta mengaktifkan output diskrit dari kamera.
Robot1 – Pengendalian robot. Komunikasi langsung dengan pengontrol HC1 melalui protokol JSON/TCP terbuka, tanpa menggunakan panel kontrol atau perangkat lunak eksklusif: pengendalian manual setiap sumbu, penyimpanan posisi, model 3D robot dengan basis posisi. Yang terpenting adalah penerima perintah TCP dari AI: aturan untuk setiap sumbu dengan nama perintah, kecepatan, pergeseran, inversi, dan penyesuaian sudut ke jalur terdekat (±180°).
Koneksi antar program adalah TCP/IP standar. Ini sangat penting: Anda dapat memasukkan semua perangkat yang mampu membuka soket ke dalam rantai – seperti PLC, robot lain, SCADA, atau ERP.
Cara kerjanya: dari bingkai hingga gerakan
- Frame. Kamera menghasilkan gambar area inspeksi (di booth kami, yaitu SICK, dengan resolusi 2048x2048).
- Sangat bagus. Model YOLO mengklasifikasikan posisi komponen: setiap derajat rotasi merupakan kategori yang berbeda (0…359 untuk putaran penuh atau 0…180 untuk komponen simetris).
- Paket. Aturan OUTPUT membentuk perintah – misalnya “J6 315” – dan mengirimkannya melalui TCP. Aturan ini dibuat sekali untuk seluruh model: fitur penggantian {class} secara otomatis mengirimkan nama kelas yang dikenali.
- Aturan sumbu. Robot1 menerapkan pengaturan sumbu – inversi, pergeseran, dan jalur terdekat – serta memberikan perintah kepada pengendali untuk menentukan sudut target dengan kecepatan yang telah ditentukan.
- Gerakan. Sumbu berputar — alat genggam menempatkan diri dengan tepat pada bagian tersebut.
Penundaan reaksi dari putaran kotak hingga start sumbu — sekitar satu detik, dan penundaan ini dapat dikontrol: semua penundaan telah ditentukan dalam pengaturan.
Pelatihan tanpa dataset dan tanpa insinyur ML
Masalah klasik dalam pembelajaran mesin di bidang manufaktur adalah pengumpulan dan pelabelan ribuan gambar. Dalam engiAI, ini diselesaikan dengan menghasilkan data sintetis: operator mengambil satu gambar bagian dalam suatu area, dan program secara otomatis membuat kumpulan data untuk pelatihan:
- memutar area jendela di atas seluruh bingkai dengan langkah yang ditentukan (misalnya 0,1°) — area tersebut muncul secara utuh dalam bingkai, detail tidak terpotong oleh bingkai: foto secara otomatis diperbesar menjadi persegi diagonal area;
- menambahkan variasi kecerahan dan kontras dalam rentang yang ditentukan dan salinan cermin;
- secara otomatis mengelompokkan bingkai ke dalam kelas-derajat (0…359) dan membagi sampel menjadi data pelatihan dan validasi.
Dari satu gambar, ratusan file pelatihan dapat dihasilkan. Selanjutnya, dengan menekan tombol «TRAIN AI MODEL», model siap digunakan. Seluruh siklus «menunjukkan detail → melatih → robot bekerja» dilakukan oleh operator lini, bukan oleh insinyur ML yang diundang.
Aliran data tidak boleh mengganggu robot.
Jaringan saraf dapat melakukan pengenalan ratusan kali dalam satu detik, dan mencoba mengirimkan hasil pengenalan tersebut langsung ke gerakan tidak memungkinkan – motor-motor akan mengalami kerusakan akibat terlalu banyak perintah. Sistem ini menggunakan perlindungan berlapis yang telah diuji pada robot fisik:
- Zona Mati – pergerakan antara kelas-kelas yang berdekatan (315↔312) tidak memengaruhi sumbu sama sekali;
- Stabilitas – kelas baru ini harus bertahan selama waktu yang ditentukan: gambar palsu dari jaringan saraf tidak menyebabkan sumbu bergerak ke rute jarak jauh;
- Perubahan arah yang halus — jika tujuan telah berubah saat robot bergerak, robot tidak akan mencapai titik yang sudah usang: pengereman terkontrol, pembersihan antrean kontrol, dan langsung menuju tujuan terakhir. Perintah-perintah sebelumnya dibuang — hanya perintah yang relevan yang penting.
- Jeda antara gerakan – batasan ketat pada frekuensi perintah yang dikirim ke pengendali;
- Pemulihan Otomatis — jika terjadi kesalahan, sistem pemulihan akan berjalan secara otomatis, setelah proses pemulihan, tujuan akan diatur ulang; kedua program mencatat riwayat file secara terus-menerus.
Apa keunggulan sistem ini dibandingkan robot manipulator konvensional?
Robot industri konvensional mengikuti jalur yang telah ditentukan dengan tepat. Semua informasi yang dimiliki robot tentang objek diperoleh melalui mekanisme di sekitarnya. Inilah sumber utama biaya dan batasan utama dalam otomatisasi. Teknologi AI dapat menghilangkan hal-hal ini satu per satu.
Biaya dan waktu
- Tidak diperlukan peralatan dasar mekanis – seperti dudukan, penyangga, bunker getaran, dan stasiun sentris. Komponen dapat diletakkan dengan cara apa pun; robot akan menyesuaikan diri dengan komponen tersebut. Peralatan untuk satu komponen seringkali seharga robot itu sendiri – dalam hal ini, peralatan tersebut tidak ada sama sekali.
- Penyesuaian untuk produk baru – yaitu jam tangan, bukan satuan minggu. Detail kamera telah diperlihatkan, model telah dilatih, aturan telah ditetapkan – garis berfungsi. Tidak diperlukan kunjungan dari integrator dan penghentian produksi.
- Produksi skala kecil menjadi menguntungkan. Otomatisasi konvensional hanya menguntungkan pada produksi dalam jumlah besar. Ketika penyesuaian hampir tidak memerlukan biaya, otomatisasi menjadi menguntungkan bahkan untuk produksi dalam jumlah kecil setiap hari.
- Satu alat menggantikan tiga sistem: robot melakukan penyesuaian, kontrol kualitas, dan pemilahan bekerja dalam satu program dengan satu kamera.
Fleksibilitas dan kualitas
- Kemampuan beradaptasi dengan dunia nyata. Mesin telah mengalami gangguan, bagian tersebut berada dalam posisi yang tidak benar, tiba-tiba datang sejumlah bagian dengan warna yang berbeda – bagian dengan desain tradisional berfungsi dengan baik, sedangkan bagian dengan teknologi AI terus beroperasi: ia melihat bagian tersebut, bukan koordinatnya.
- Kontrol kualitas gratis. Model yang sama, yang digunakan untuk memeriksa robot, dapat mendeteksi cacat seperti: kotak yang rusak, label yang terlepas, perakitan yang tidak tepat, dan mengirimkannya ke bagian penyortiran menggunakan mekanisme aturan yang sama.
- Setiap sumbu diatur oleh AI. Aturan ditetapkan untuk setiap dari enam sumbu secara independen: hari ini, satu kali lipat gripper beroperasi, sedangkan besok, seluruh posisi dapat dicapai dengan menggunakan beberapa sumbu secara bersamaan.
- Umpan balik berkelanjutan. Robot ini bukanlah sekadar "pelaksana buta": setiap gerakan adalah respons terhadap apa yang sebenarnya terlihat dalam bingkai, dengan referensi ke semua keputusan.
Keterbukaan dan skalabilitas
- Kemampuan untuk terhubung dengan robot tanpa bergantung pada merek tertentu. Koneksi menggunakan protokol TCP/IP yang terbuka: saat ini menggunakan BORUNTE, tetapi aturan yang sama dapat digunakan untuk mengontrol manipulator lain, meja putar, atau PLC.
- Pelatihan tambahan di tempat. Model ini bukanlah "pembaruan": jika ada detail atau cacat baru yang muncul, model tersebut dilatih ulang dalam waktu singkat, langsung di lokasi, menggunakan rekaman video dengan pencahayaan yang sesuai dengan kondisi di pabrik.
- Pembuatan salinan sel – menyalin program dan file model, bukan membuat proyek integrasi ulang.
- Transparansi. Kedua program memiliki log yang konsisten dan log kejadian yang tersimpan dalam database: seluruh riwayat dapat dilihat, mulai dari frame hingga pergerakan sumbu. Ini menjadi dasar untuk statistik, metrik kualitas batch, dan pemeliharaan prediktif.
Di mana sistem ini dapat diterapkan
- Pengemasan dan Logistik: Penataan kotak sebelum dimasukkan ke dalam palet, pembuatan dan pembongkaran palet campuran, pengambilan barang secara manual dari palet yang tidak teratur.
- Kontrol kualitas dengan penolakan: Satu kamera memeriksa dan mengendalikan mekanisme eksekusi.
- Penggunaan mesin (CNC, mesin cetak): menggunakan bahan mentah dalam jumlah besar atau pada palet, tanpa menggunakan bunker getaran.
- Perakitan: penempatan komponen, serta memastikan pemasangan yang benar pada setiap tahap.
- Produksi makanan dan pertanian: merupakan objek yang beragam, di mana pendirian berdasarkan mesin tidak mungkin dilakukan secara prinsip.
- Pemrosesan dan Pemilahan: Objek-objek yang "tidak ada dalam katalog" merupakan area di mana otomatisasi konvensional tidak efektif.
Apa yang akan terjadi selanjutnya
- Tahapan dan pemicu eksternal: Program teknologi yang terdiri dari tahapan (koordinat semua sumbu dan kecepatan pada setiap tahapan), penambahan dan penghapusan tahapan dari antarmuka, peluncuran tahapan berdasarkan sinyal TCP dari penglihatan, PLC, atau operator;
- cengkeraman dalam posisi penuh: dari sudut satu sumbu – ke posisi dan orientasi bagian secara bersamaan di beberapa sumbu;
- Sel-sel dengan beberapa kamera dan sinkronisasi beberapa robot;
- Pembelajaran otomatis secara berkelanjutan: sistem secara otomatis mengumpulkan klip-klip yang kompleks dan menyajikannya dalam kumpulan data pelatihan baru.
Struktur teknologi
.NET 9 (WinForms) · Klasifikasi YOLO, ONNX, CUDA · Kamera SICK / Hikrobot / GigE Vision / DirectShow · Robot BORUNTE BRTIRUS0707A (kontroler HC1, protokol JSON/TCP terbuka) · SQLite · Integrasi TCP/IP dengan perangkat apa pun.
Proyek ini menunjukkan hal penting: hambatan untuk memasuki bidang robotika "tidak masuk akal" telah berkurang. Tidak diperlukan tim insinyur ML dan waktu integrasi selama berbulan-bulan—cukup dengan satu gambar komponen, tombol pelatihan, dan protokol terbuka. Robot tersebut berhenti menjadi mesin paling mahal dan paling tidak fleksibel di pabrik—dan menjadi alat serbaguna yang dapat dilatih dalam waktu singkat.
