::: 前往中央內容區塊
:::

當期雜誌

購物提醒:當您要離開或跳轉頁面時,請先將您想要購買的文章加入購物車,以便快速紀錄完成購買流程!

基於Omniverse優化CNC加工後的纏屑處理

作者 彭達仁黃秋杰劉恩承林妍伶黃健瑋

刊登日期:2025/04/30

摘要

隨著產線自動化的推進,CNC (Computer numerical control) 加工過程中的纏屑問題易導致刀具損害、生產停機與維護成本上升。為解決此問題,本研究基於 NVIDIA Omniverse 平台建立數位雙生環境,結合強化學習提升 YOLO 模型之辨識效率與準確度,並透過高精度辨識結果即時控制機械手臂執行多階段清除機制,包括噴氣與勾取操作,必要時進行人工輔助。實驗結果顯示,本系統在不同光線與作業條件下辨識準確率超過 90%,有效降低停機頻率、縮短清理時間,提升刀具壽命與加工品質。本研究透過 Omniverse 虛擬訓練與模擬環境,成功實現智慧化纏屑處理,為產線自動化與先進製造提供關鍵技術參考。

Abstract

With the rapid advancement of production line automation, robotic arms have been widely adopted for loading and unloading tasks. However, swarf generated during CNC machining can entangle cutting tools or workpieces if not promptly removed, leading to production downtime, tool damage, and increased maintenance costs. To address this issue, this study establishes a virtual production line environment using the NVIDIA Omniverse platform and integrates reinforcement learning to enhance the training efficiency and accuracy of the YOLO algorithm. The system employs high-precision swarf detection to activate a robotic arm for a multi-stage removal process, including a custom-designed air-jet mechanism and hook-based extraction, with manual intervention as a last resort. Experimental results show that the system achieves over 90% detection accuracy under varying lighting and operational conditions, significantly reducing downtime and cleaning time while extending tool lifespan and improving machining quality. By leveraging the digital twin environment and reinforcement learning capabilities of Omniverse, this study demonstrates an intelligent, fully automated swarf removal approach, contributing to the advancement of production line automation and smart manufacturing.

前言

    隨著產線自動化在近年來快速發展,機械手臂逐漸取代人工於上下料等重複性與危險性較高的工作,顯著提升生產效率與安全性[1]。然而,在CNC加工流程中產生的切屑若未能即時且有效地清除,往往引發纏繞刀具或工件的突發狀況,不僅導致機台停機與人員額外干預,亦使維護成本上升。現行的纏屑處理多著重於機械結構或單點式的偵測手段,對於突發纏繞的完整解決方案尚不成熟,尤其現代人才流失嚴重,使自動化需求日益增加,此問題更顯迫切[1]。
    為了解決上述痛點,本研究首先針對 CNC產生之切屑纏繞狀況[2],提出多階段清除機制。系統運用YOLO模型辨識切屑位置[3-6],並透過自設計之噴氣機構執行第一階段清除;若纏繞較為嚴重,則由機械手臂在第二階段進行勾取作業;若兩階段皆無法徹底處理,則進行第三階段的人工輔助清理,以確保完整排除纏屑問題。且為提升演算法訓練效率與辨識精準度,在NVIDIA Omniverse平台上建構與實體產線對應的虛擬環境[7],並採用強化學習方法優化YOLO模型之訓練流程,使其能快速收斂並適應多變的加工情境。最終,結合機械手臂與自動化辨識清除機制,期能打造智慧化、無人化之加工環境,不僅降低停機頻率與維護成本,亦有助於延長刀具壽命並提升產品品質,為工業自動化提供新穎且高效的解決方案。

實驗設備及設定

    本實驗中,主要操作設備包括 Fanuc M20id/25 機械手臂如1以及工研院研發的 CNC DemoKey 模擬器如2。機械手臂的末端配備了一個專為除屑設計的鉤具如3所示,同時裝有一組鏡頭,用於判斷纏屑的狀況與位置。在 CNC 端,安裝了一個可旋轉的噴氣除屑裝置並配備另一組鏡頭如4,用於即時監測纏屑的狀態以及調整噴氣角度如5所示。

 
「如欲訂購單篇,請至 「華藝線上圖書館」
回文章內容列表

更完整的內容歡迎訂購 2025年05月號 (單篇費用:參考材化所定價)

3篇450元

NT$450
訂閱送出

10篇1200元

NT$1,200
訂閱送出