دیصنعتی روبوٹ 3D وژنبے ترتیب گراسنگ سسٹم بنیادی طور پر صنعتی روبوٹس، تھری ڈی ویژن سینسرز، اینڈ ایفیکٹرز، کنٹرول سسٹمز اور سافٹ ویئر پر مشتمل ہوتا ہے۔ ہر حصے کے کنفیگریشن پوائنٹس درج ذیل ہیں:
صنعتی روبوٹ
بوجھ کی گنجائش: روبوٹ کی بوجھ کی گنجائش کو پکڑی ہوئی چیز کے وزن اور سائز کے ساتھ ساتھ اختتامی اثر کے وزن کی بنیاد پر منتخب کیا جانا چاہیے۔ مثال کے طور پر، اگر بھاری گاڑیوں کے پرزہ جات کو پکڑنا ضروری ہو، تو بوجھ کی گنجائش کو دسیوں کلوگرام یا اس سے بھی زیادہ تک پہنچنے کی ضرورت ہے۔ اگر چھوٹی الیکٹرانک مصنوعات کو پکڑا جائے، تو بوجھ صرف چند کلو گرام کی ضرورت ہو سکتی ہے۔
کام کا دائرہ کار: کام کا دائرہ اس علاقے کا احاطہ کرنے کے قابل ہونا چاہئے جہاں چیز کو پکڑا جانا ہے اور جگہ کا تعین کرنے کے لئے ہدف کا علاقہ۔ بڑے پیمانے پر گودام اور لاجسٹکس کے منظر نامے میں،روبوٹ کے کام کرنے کی حدگودام کی شیلف کے ہر کونے تک پہنچنے کے لیے کافی بڑا ہونا چاہیے۔
بار بار پوزیشننگ کی درستگی: یہ عین مطابق گرفت کے لیے اہم ہے۔ اعلی ریپیٹیبلٹی پوزیشننگ کی درستگی کے ساتھ روبوٹ (جیسے ± 0.05mm - ± 0.1mm) ہر ایک کو پکڑنے اور رکھنے کی کارروائی کی درستگی کو یقینی بنا سکتے ہیں، اور انہیں درست اجزاء کو جمع کرنے جیسے کاموں کے لیے موزوں بنا سکتے ہیں۔
3D ویژن سینسر
درستگی اور ریزولوشن: درستگی کسی چیز کی پوزیشن اور شکل کی پیمائش کی درستگی کا تعین کرتی ہے، جبکہ ریزولیوشن آبجیکٹ کی تفصیلات کو پہچاننے کی صلاحیت کو متاثر کرتی ہے۔ چھوٹی اور پیچیدہ شکل والی اشیاء کے لیے اعلیٰ درستگی اور ریزولوشن کی ضرورت ہوتی ہے۔ مثال کے طور پر، الیکٹرانک چپس کو پکڑنے میں، سینسر کو چھوٹے ڈھانچے جیسے چپ کے پنوں کو درست طریقے سے تمیز کرنے کے قابل ہونے کی ضرورت ہے۔
فیلڈ آف ویو اور ڈیپتھ آف فیلڈ: فیلڈ آف ویو کو ایک ہی وقت میں متعدد اشیاء کے بارے میں معلومات حاصل کرنے کے قابل ہونا چاہئے، جبکہ فیلڈ کی گہرائی اس بات کو یقینی بنائے کہ مختلف فاصلوں پر موجود اشیاء کو واضح طور پر امیج کیا جا سکے۔ لاجسٹک چھانٹنے والے منظرناموں میں، فیلڈ آف ویو کو کنویئر بیلٹ پر موجود تمام پیکجوں کا احاطہ کرنے کی ضرورت ہوتی ہے اور مختلف سائز اور اسٹیکنگ ہائٹس کے پیکجوں کو سنبھالنے کے لیے فیلڈ کی کافی گہرائی ہوتی ہے۔
ڈیٹا اکٹھا کرنے کی رفتار: ڈیٹا اکٹھا کرنے کی رفتار اتنی تیز ہونی چاہیے کہ روبوٹ کی ورکنگ تال کے مطابق ہو سکے۔ اگر روبوٹ کی نقل و حرکت کی رفتار تیز ہے تو، بصری سینسر کو ڈیٹا کو تیزی سے اپ ڈیٹ کرنے کے قابل ہونے کی ضرورت ہے تاکہ یہ یقینی بنایا جا سکے کہ روبوٹ تازہ ترین آبجیکٹ کی پوزیشن اور حیثیت کی بنیاد پر سمجھ سکتا ہے۔
اختتامی اثر کرنے والا
پکڑنے کا طریقہ: پکڑے جانے والے شے کی شکل، مواد اور سطح کی خصوصیات کی بنیاد پر گریسنگ کا مناسب طریقہ منتخب کریں۔ مثال کے طور پر، سخت مستطیل اشیاء کے لیے، گرفت کو پکڑنے کے لیے استعمال کیا جا سکتا ہے۔ نرم اشیاء کے لیے، گرفت کے لیے ویکیوم سکشن کپ کی ضرورت پڑ سکتی ہے۔
موافقت اور لچک: اختتامی اثر کرنے والوں کے پاس ایک خاص حد تک موافقت ہونی چاہیے، جو آبجیکٹ کے سائز اور پوزیشنی انحراف میں تبدیلیوں کے مطابق ڈھال سکیں۔ مثال کے طور پر، لچکدار انگلیوں والے کچھ گریپرز خود بخود کلیمپنگ فورس اور گرفت کے زاویے کو ایک خاص حد کے اندر ایڈجسٹ کر سکتے ہیں۔
طاقت اور استحکام: طویل مدتی اور بار بار گرفت کرنے والے آپریشنز میں اس کی طاقت اور استحکام پر غور کریں۔ سخت ماحول میں جیسے کہ دھاتی پروسیسنگ، اختتامی اثر کرنے والوں کو کافی طاقت، پہننے کی مزاحمت، سنکنرن مزاحمت، اور دیگر خصوصیات کی ضرورت ہوتی ہے۔
کنٹرول سسٹم
مطابقت: کنٹرول سسٹم صنعتی روبوٹ کے ساتھ اچھی طرح سے مطابقت رکھتا ہے،3D وژن سینسر،اینڈ ایفیکٹرز، اور دیگر آلات ان کے درمیان مستحکم مواصلات اور باہمی تعاون کو یقینی بنانے کے لیے۔
حقیقی وقت کی کارکردگی اور ردعمل کی رفتار: یہ ضروری ہے کہ حقیقی وقت میں بصری سینسر کے ڈیٹا پر کارروائی کرنے کے قابل ہو اور روبوٹ کو فوری طور پر کنٹرول ہدایات جاری کریں۔ تیز رفتار خودکار پیداوار لائنوں پر، کنٹرول سسٹم کی ردعمل کی رفتار براہ راست پیداوار کی کارکردگی کو متاثر کرتی ہے۔
اسکیل ایبلٹی اور پروگرام ایبلٹی: اس میں مستقبل میں نئی خصوصیات یا آلات کے اضافے کی سہولت کے لیے اسکیل ایبلٹی کی ایک خاص ڈگری ہونی چاہیے۔ دریں اثنا، اچھی پروگرامیبلٹی صارفین کو مختلف گرفت کے کاموں کے مطابق لچکدار طریقے سے پروگرام کرنے اور پیرامیٹرز کو ایڈجسٹ کرنے کی اجازت دیتی ہے۔
سافٹ ویئر
بصری پروسیسنگ الگورتھم: سافٹ ویئر میں بصری پروسیسنگ الگورتھم کو درست طریقے سے پروسیس کرنے کے قابل ہونا چاہئے3D بصری ڈیٹا، بشمول آبجیکٹ کی شناخت، لوکلائزیشن، اور پوز کا تخمینہ۔ مثال کے طور پر، بے ترتیب شکل والی اشیاء کی شناخت کی شرح کو بہتر بنانے کے لیے گہری سیکھنے کے الگورتھم کا استعمال۔
پاتھ پلاننگ فنکشن: یہ روبوٹ کے لیے ایک معقول حرکت کا منصوبہ بنا سکتا ہے، تصادم سے بچ سکتا ہے، اور گرفت کی کارکردگی کو بہتر بنا سکتا ہے۔ پیچیدہ کام کے ماحول میں، سافٹ ویئر کو ارد گرد کی رکاوٹوں کے مقام پر غور کرنے اور روبوٹ کی گرفت اور جگہ کا تعین کرنے کے راستوں کو بہتر بنانے کی ضرورت ہے۔
یوزر انٹرفیس دوستی: آپریٹرز کے لیے پیرامیٹرز، پروگرام کے کاموں، اور مانیٹر کرنے کے لیے آسان۔ ایک بدیہی اور استعمال میں آسان سافٹ ویئر انٹرفیس آپریٹرز کے لیے تربیت کی لاگت اور کام کی دشواری کو کم کر سکتا ہے۔
پوسٹ ٹائم: دسمبر-25-2024
