Oplossingen
Selecteer een van de twee opties hieronder voor meer informatie over de op maat gemaakte oplossingen van Blue Engineering
Kies hier een van de vier opties die het beste aansluiten bij de behoeften van jouw bedrijf
Kies hier een van de drie opties die het beste aansluiten bij de behoeften van jouw bedrijf
Robotics
Blue Engineering werkt met alle typen robots. Van cobots die ondersteuning bieden aan operators bij tilwerkzaamheden tot grote robotarmen die geheel autonoom de productie uitvoeren. Blue werkt met meerdere merken robots, zoals Fanuc, Kuka en ABB.
Maar er zijn natuurlijk veel verschillende typen robots, zoals:
- Autonomous mobile robots (AMR)
- Automated guided vehicles (AGV)
- Articulated robots (robotarm)
- Cobot (biedt ondersteuning bij werkzaamheden voor de operator of voert enkelvoudige handelingen uit)
- Hybrids (combinatie van de eerder genoemde typen)
- Scara robots
- Delta robots
Het laatste afgeronde project heeft gebruikgemaakt van de ABB IRB 5710 robotarm. Deze robotarm werd gebruikt als middelpunt om het product tussen verschillende bewerkingsstations te verplaatsen.
Om de robot aan te sturen en te programmeren is er natuurlijk software nodig. In deze situatie is er gebruikgemaakt van RobotStudio. Met deze software is het mogelijk om bewegingen te programmeren, simuleren en optimaliseren, en taken uit te voeren.
Om een optimale bewegingsroute te programmeren, zijn ten eerste 3D-modellen van de stations ingelezen in de visuele software RobotStudio en op de juiste positie gezet ten opzichte van de robotpositie. De stations zijn tevens voorzien van een referentiepunt waarmee de 3D-simulatie gekalibreerd wordt met de werkelijke wereld. Natuurlijk zijn er nog altijd uitbreidingsmogelijkheden zoals een combinatie met vision systems of AI.
Buiten het inleren van de meest optimale en efficiëntste route is het nodig de robotarm te laten communiceren met elk station onderling. Dit is om de doorlooptijd van het product zo kort mogelijk te houden maar ook safety, functionaliteit, betrouwbaarheid en onderhoudsvoorspelling kunnen hierin geïmplementeerd worden. De verschillende situaties, operating speed, veiligheid, etc. worden met behulp van een PLC geprogrammeerd.
Uiteindelijk is er nog de keuze om het systeem op een (bestaand) netwerk aan te sluiten. Een paar voorbeelden van netwerkprotocollen zijn:
- Profinet,
- Ethernet/IP,
- EtherCAT,
- Modbus/TCP.
De robot in het eerder genoemde project is gekoppeld aan het klantspecifieke netwerk Profinet. Hiermee is het mogelijk om de volledige robotcel op afstand te monitoren en te beheren door middel van WIN CC.
Hier is nog een voorbeeld video van hoe robotica toegepast kan worden in de praktijk:
motion & Control
Motion & Control technologieën zijn cruciaal voor een breed scala aan industrieën, waarbij precieze beweging van machines en processen centraal staan. In motion control systemen worden vaak verschillende typen motoren gebruikt, afhankelijk van de toepassing(en). De meest voorkomende zijn:
- Servomotoren: Voor nauwkeurige controle van beweging.
- Stappenmotoren: Gebruikt in toepassingen waarin de motor in exacte stappen moet bewegen.
Naast de motor zijn er enkele componenten nodig om de positie te bepalen en de motor aan te sturen, zoals een controller, drive of encoder. De motion controller kan als het brein gezien worden en bevat bijvoorbeeld de controlealgoritmes, posities, bewegingsprofielen, etc. De drive is de schakel tussen controller en motor en is verantwoordelijk voor het voorzien van de motor van spanning. Kort gezegd zet de drive lage spanning commando’s van de controller om in hoge output signalen om de motor aan te sturen.
Encoders zorgen voor feedback over de positie, snelheid en richting van de motor. Naast motoren is het ook mogelijk om pneumatisch te werk te gaan in de motion en control sector. Bij Blue wordt voornamelijk gewerkt met Festo als het over pneumatiek gaat. Denk hierbij aan ventieleilanden, pneumatische cilinders, elektrische/pneumatisch aangestuurde ventielen, etc.
Afhankelijk van de specificaties is het mogelijk een ventielblok samen te stellen naar wens. Dit wordt bijvoorbeeld gebruikt als aansturingsblok in combinatie met een ventiel om een (pneumatische) cilinder in en uit te trekken.
Een voorbeeldproject dat Blue heeft uitgevoerd betreft het verplaatsen van een product, waarbij enkele handelingen tussen het verplaatsen, uitgevoerd dienden te worden. Het product werd op een rollerbaan geplaatst. De volledige rollerbaan bestond uit meerdere delen die onderling met elkaar communiceerden aan de hand van sensoren en een PLC. De positie werd waargenomen door de sensoren die vervolgens feedback gaven aan de PLC. De PLC stuurde hiermee weer de motoren aan. Met deze methode wordt de positie bepaald van het te verplaatsen product en welke motoren aan moeten gaan.
Tevens dienden de producten overgezet te worden op een parallelle rollerbaan. Dit is verwezenlijkt met een rollerbaan met.
Pak het voorbeeld van de grijper op de robot, door pneumatisch gebruik te maken kunnen we makkelijk de verschillende diameters vastgrijpen en vooral, door slim gebruik te maken van een grote zuiger, kunnen we de luchtdruk laag houden en daardoor minder lucht verbruiken.
MACHINE VISION
“Machine Vision” stelt computers in staat om visuele informatie te interpreteren zoals mensen dat doen. Dit proces begint met camera’s en lenzen die beelden vastleggen, die vervolgens door een systeem van sensoren en algoritmen worden verwerkt.
Camera’s en Lenzen
Camera’s en lenzen vormen de basis van elk Machine Vision systeem. Camera’s vangen licht op en zetten dit om in elektrische signalen, die door sensoren zoals CCD en CMOS worden verwerkt. Deze signalen worden gedigitaliseerd door analoog-naar-digitaal converters (ADC), zodat de beelden door een computer kunnen worden geanalyseerd. De kwaliteit van de lens bepaalt de scherpte en helderheid van de vastgelegde beelden.
Digitale Afbeeldingen en Pixels
Een digitale afbeelding bestaat uit een raster van pixels. Elke pixel heeft een waarde die de helderheid en kleur vertegenwoordigt. In grijswaardenbeelden variëren deze waarden van zwart tot wit, terwijl kleurenbeelden gebruik maken van RGB-waarden (rood, groen, blauw). De precisie van deze pixels, oftewel de resolutie, is bepalend voor de nauwkeurigheid van de beeldanalyse.
Edge Detection via Kernels
De eerste stap in beeldverwerking is edge detection. Dit gebeurt met behulp van kernels, kleine matrixen die over de afbeelding worden geschoven om specifieke kenmerken te benadrukken. Het Sobel-algoritme detecteert randen door het verschil in helderheid tussen aangrenzende pixels te berekenen. Het Canny-algoritme gaat verder door meerdere stappen te omvatten, zoals ruisonderdrukking en dubbele drempelwaarde, om nauwkeurige randen te detecteren.
Vormdetectie en Metingen
Na edge detection worden geavanceerdere algoritmen toegepast, zoals de Hough-transformatie voor vormdetectie. Hiermee kunnen specifieke vormen zoals cirkels worden geïdentificeerd. Deze technieken maken nauwkeurige metingen mogelijk, essentieel in industriële toepassingen waar precisie van groot belang is.
Detectie van Afwijkingen
Algoritmen detecteren ook afwijkingen in afbeeldingen, cruciaal voor kwaliteitscontrole. Filters zoals Gaussiaanse en mediane filters verwijderen ruis, terwijl andere technieken patronen en onregelmatigheden identificeren. Dit helpt bij het detecteren van defecten zoals krassen op een oppervlak of fouten in textielpatronen.
AI in Machine Vision
AI speelt een steeds grotere rol in Machine Vision, zo ook bij Blue Engineering. Convolutienetwerken (CNN’s) gebruiken lagen van convolutiekernen om kenmerken in een afbeelding te detecteren. Dit maakt abstracte herkenning mogelijk voor taken zoals objectherkenning en classificatie. AI algoritmen kunnen zeer veelzijdig worden ingezet en maken zeer complexe analyses mogelijk, die voorheen met “traditionele Machine Vision” niet mogelijk waren. Een voorbeeld hiervan is het herkennen van specifieke objecten in een drukke afbeelding.
Beeldclassificatie en Segmentatie
Beeldclassificatie deelt afbeeldingen in vooraf gedefinieerde categorieën in, terwijl beeldsegmentatie objecten in een afbeelding lokaliseert en identificeert. Segmentatienetwerken zoals U-Net zijn hierbij zeer effectief.
Realtime Objectdetectie
Realtime objectdetectie gebruikt neurale netwerken om objecten snel en nauwkeurig te identificeren. Via ‘Region proposal networks’ genereren we potentiële objectgebieden, die vervolgens worden geclassificeerd en omkaderd. Met het resultaat kan bijvoorbeeld een robot arm worden aangestuurd die het aangewezen object oppakt.
Conclusie
Machine Vision combineert camera’s, lenzen, sensoren, verlichtingssystemen en geavanceerde algoritmen om visuele informatie te interpreteren. De integratie van AI maakt systemen krachtiger en flexibeler. De business case voor Machine Vision is sterk, want automatische inspectiesystemen werken continu en nauwkeurig, wat leidt tot lagere kosten en hogere betrouwbaarheid, en uiteindelijk tot tevredenere klanten.
Data Science
Data Science speelt een essentiële rol in moderne productieprocessen door het verzamelen, analyseren en interpreteren van data om waardevolle inzichten te verkrijgen. Het is één van de pijlers van Industrie 4.0. Met de juiste technieken kunnen bedrijven hun processen optimaliseren, kosten verlagen en de productkwaliteit verbeteren.
Voorbeeld: Automatisering van de Productie van Drinkbekers
Bij een van onze klanten, een producent van plastic drinkbekers, hebben we een systeem ontworpen om de kwaliteit van hun producten te monitoren. Er werden hier drinkbekers geproduceerd in hoeveelheden van 40, elk met een vooraf gedefinieerde plek, op trays vervoerd via lopende banden.
De klant zag dat er vaak defecten zijn: Er ontbreken bekers of er zijn imperfecties, vooral om de drink rand.
De klant wilde uitzoeken waarom dit gebeurde. Wij hebben een Machine Vision systeem gemaakt dat de metingen voor hen uitvoert. De metingen worden elke productieronde naar de cloud gestuurd waar deze geanalyseerd wordt.
Het Begin: Data Verzamelen
Het begint allemaal met het verzamelen van data uit verschillende bronnen binnen het productieproces, zoals sensorgegevens en kwaliteitscontroles. Bij Blue komen we vaak bedrijven tegen met oude productielijnen die volledig handmatig worden bediend. Er is hier weinig informatie over de proceskwaliteit beschikbaar. Elk proces is natuurlijk anders, dus vergt maatwerk: wat voor informatie gaan we allemaal verzamelen, en hoe? In het voorbeeld van de drinkbekers was dit bijvoorbeeld een Vision Systeem. Vaak heeft geautomatiseerd data verzamelen de voorkeur omdat dit zeer consistente en betrouwbare data oplevert.
Data Voorbereiding en Schoonmaken
Nadat de data is verzameld, moeten we deze voorbereiden en schoonmaken. Dit is cruciaal omdat de kwaliteit van de data direct invloed heeft op de nauwkeurigheid van de analyses. In het geval van de drinkbekers verzamelen we dagelijks data over de kwaliteit van de bekers, zoals of er stukjes uit de rand ontbreken of de diepte van de beker correct is. Deze data wordt in CSV-bestanden opgeslagen. We verwijderen ruis, corrigeren fouten en vullen ontbrekende waarden in om ervoor te zorgen dat de data betrouwbaar is voor verdere analyse.
Exploratieve Data-analyse (EDA)
De volgende stap is Exploratieve Data-analyse (EDA): we gebruiken visuele en statistische technieken om patronen, trends en afwijkingen in de data te ontdekken. In het geval van de drinkbekers kunnen we bijvoorbeeld ontdekken dat defecten vaker voorkomen bij bepaalde dienst wissels of dat bepaalde machine delen meer fouten produceren. Deze inzichten helpen ons de data te begrijpen en vormen de basis voor verdere analyses.
Geavanceerde Analyses
Vervolgens passen we geavanceerde analysetechnieken toe. Denk aan regressie, classificatie en clustering. Met regressie kunnen we bijvoorbeeld voorspellen hoe veranderingen in bepaalde procesparameters, zoals temperatuur of druk, de productkwaliteit beïnvloeden. Classificatie helpt ons om de bekers op basis van kwaliteitsmetingen in categorieën te verdelen, zoals goedgekeurd, defect, twijfelachtig, enz… Clustering kan natuurlijke groepen binnen de data identificeren, zoals verschillende types defecten die zich voordoen.
Voorspellend Onderhoud
Achteraf kunnen met de resultaten technieken zoals voorspellend onderhoud ingezet worden. Door continu sensorgegevens te monitoren en machine learning-modellen te gebruiken, kunnen we voorspellen wanneer een machine waarschijnlijk zal falen. We kunnen ook automatisch bijsturen bij processen met veel verandering. Voor de drinkbekersproductie kunnen we bijvoorbeeld sensorgegevens van de machines analyseren om te voorspellen wanneer een machineonderdeel aan vervanging toe is. Dit minimaliseert downtime en verlengt de levensduur van de apparatuur.
Procesoptimalisatie
Data science helpt ook bij het optimaliseren van productieprocessen. Door historische gegevens en real-time data te analyseren, kunnen we knelpunten identificeren en oplossingen ontwerpen om de efficiëntie te verhogen. Voor de drinkbekersproductie zou bijvoorbeeld de temperatuurinstellingen van de machines veranderen de productkwaliteit verbeteren en het afval verminderen.
Kwaliteitscontrole en Verbetering
Door data-analyse kunnen we patronen en afwijkingen in kwaliteitsgegevens identificeren. Dit stelt ons in staat snel te reageren op kwaliteitsproblemen en de oorzaken van defecten te achterhalen. Geavanceerde technieken zoals Six Sigma en SPC (Statistical Process Control) helpen ons om de kwaliteit continu te verbeteren. In het geval van de drinkbekersproductie kunnen we deze technieken gebruiken om systematisch de oorzaken van defecten te analyseren en corrigerende maatregelen te implementeren.
Conclusie
Data Science wordt gebruikt productieprocessen door waardevolle inzichten te onthullen en betere beslissingen mogelijk te maken. Door data te verzamelen, analyseren en interpreteren, kan een proces worden geoptimaliseerd wat leidt tot lagere kosten, hogere efficiëntie en tevredenere klanten.
Pre-engineering
Een pre-engineering is een traject volgend op de projectinitiatie en voorafgaand aan de eigenlijke engineeringsactiviteiten van een project. In deze fase wordt het projectidee geanalyseerd, geëvalueerd en voorbereid voordat het daadwerkelijk wordt uitgevoerd. Het doel van een pre-engineering is het leggen van een solide basis voor het project, zodat engineering- en constructiefasen efficiënter en effectiever kunnen verlopen. Door het doorlopen van een pre-engineering worden de risico’s rondom een project verlaagd.
Een pre-engineering kan uitgevoerd worden om duidelijkheid te verkrijgen op de volgende gebieden:
Haalbaarheid: Een haalbaarheidsstudie kan worden uitgevoerd om te kijken of een project levensvatbaar is vanuit verschillende perspectieven. Vaak zal dit bekeken worden op het technische aspect. Echter kan hier ook onderzoek gedaan worden naar het financiële, operationele of juridische aspect. De uitkomst van deze onderzoeken helpen bij het nemen van een weloverwogen beslissing over het al dan niet voortzetten van het project.
Kostenraming: Bij een kostenraming wordt een schatting gedaan van de financiële investering die nodig is om een project te voltooien. Het doen van een kostenraming tijdens een pre-engineering helpt om financiële verrassingen en budgetoverschrijdingen tijdens de uitvoering van het project te voorkomen.
Risicoanalyse: Met een risicoanalyse worden potentiële risico’s geïdentificeerd, geanalyseerd en beoordeeld die de doelstellingen van het project kunnen bedreigen. Het doel van risicoanalyse is om het projectteam in staat te stellen proactief risico’s te identificeren en te beheren.
Conceptuele ideeën: Voorbereidend op een project kan een pre-engineering gebruikt worden om een aantal concepten op papier te zetten. Deze conceptuele ontwerpen omvatten vaak schetsen, tekeningen of schematische voorstellingen die de algemene vorm, functie en lay-out van het project weergeven. De conceptuele ontwerpen helpen bij het communiceren van het projectconcept aan de belanghebbenden en bieden een basis voor de verdere ontwikkeling en het detailontwerp.
Tijdens onze pre-engineering trajecten streven we naar flexibiliteit en snelheid om projecten effectief te analyseren en te beoordelen. Daarnaast hechten we veel waarde aan effectieve communicatie met de klant om de benodigde informatie te verkrijgen en de verwachtingen te begrijpen en daarmee hun behoefte te vervullen.
Simulations
Simulaties zijn essentieel in het moderne engineeringproces, waarmee complexe fysieke realiteiten nauwkeurig in een virtuele omgeving kunnen worden nagebootst. Dit stelt ons in staat om ontwerpen te optimaliseren voordat fysieke realisatie plaatsvindt, wat cruciaal is voor kostenbeheersing en innovatie.
FEM staat voor Finite Element Method, in het Nederlands bekend als eindige elementen software/berekening. FEM-simulatie wordt ingezet om engineeringproblemen accurater uit te rekenen dan handmatig mogelijk is. Ingenieurs leren de basisberekeningen tijdens hun opleiding, maar deze zijn vaak beperkt tot vereenvoudigde problemen. Een FEM-berekening benadert de praktijk veel nauwer. De echte wereld is immers niet altijd recht of vierkant.
Bij een standaard FEM-berekening wordt een CAD-model aangeleverd. We laden dit model in onze software, die het vervolgens opdeelt in een eindig aantal blokjes (elementen) en knooppunten. Voor elk knooppunt worden relevante formules opgesteld. Vervolgens worden er belastingen op het model toegepast en berekent de software de effecten op het model.
FEM-berekeningen worden typisch op drie manieren ingezet:
- Virtueel prototype: hiermee kun je een ontwerp testen voordat het gebouwd wordt. Dit is vooral waardevol bij complexe of dure onderdelen die je in één keer goed wilt ontwerpen.
- Diepgaander inzicht: berekeningen aan al gebouwde onderdelen bieden inzichten waarom onderdelen falen of kapot gaan. Dit is ook nuttig bij testopstellingen om te controleren of gemeten gedrag overeenkomt met de verwachtingen, zoals bij stromingen door een vloeistofsysteem of trillingsmetingen.
- Voldoen aan wetgeving en veiligheid: Voordat bepaalde onderdelen in productie worden genomen, is het noodzakelijk dat ze eerst grondig berekend worden. Dit zijn bijvoorbeeld stellingen in fabriekshallen of hijswerktuigen. Hierbij houden we rekening met de geldende normen.
We gebruiken FEM voornamelijk voor het doorrekenen van mechanische constructies. We werken met pakketten als ANSYS, maar ook met COMSOL en ingebouwde modules van CAD-systemen zoals SolidWorks, Inventor en NX.
Typische mechanische problemen die wij analyseren omvatten:
- De sterkte van kritische constructies, waarbij we letten op vervorming en interne spanningen om te bepalen of onderdelen te veel doorbuigen of zullen breken, zoals bij hijswerktuigen of machineframes. Daarbij observeren we vaak kritische spanningen in lasverbindingen, die we analyseren volgens de “pressure vessel codes”, de standaardnormeringen uit de procestechniek.
- Eigenfrequenties en dynamisch gedrag van constructies, bijvoorbeeld transportframes die niet mogen trillen tijdens het vervoer van gevoelige apparatuur.
- Dynamische problemen, zoals impactsimulaties voor kritische delen tijdens crashes of noodstops bij transport.
De software is naast mechanische simulaties ook geschikt voor andere problemen. Wij hebben ervaring met warmte-overdracht, stromings-problemen en elektromagnetisme.
Typische problemen die wij doorrekenen:
- Thermische expansies van meetapparatuur
- Koelsystemen van elektronica
- Airflow in machine-afzuiginstallaties
- Opgewekte magneetvelden bij puls-las technologie
Onze krachten: snelheid, correctheid en praktijk-gerichtheid (no-nonsense mentaliteit)
Onze kracht ligt in de snelheid, correctheid en praktijkgerichtheid van onze aanpak. We kunnen binnen 1 tot 5 werkdagen vrijwel elk engineeringprobleem doorrekenen, dankzij onze flexibele softwarelicenties en een efficiënte samenwerking met klanten, wat ons in staat stelt snel te schakelen en complexe problemen effectief aan te pakken.
Applied Research
Onze natuurwetenschappelijk opgeleide ingenieurs zijn gericht op het onderzoeken van jouw technische vraagstukken en het vinden van pragmatische oplossingen. Wij zijn sterk in het ontwikkelen van technologieën voor (nog) niet-gangbare toepassingen. Denk daarbij aan elektromagnetische puls-lastechnologie (EMPW) toegepast in industriële lassen waar geen hitte bij mag vrijkomen. Denk aan het ontwikkelen van een methodiek en opstelling om trillingen en geluidsdruk in optische precisiemachines te meten. Wij beginnen waar de OEM’s (sensor- en toolingfabrikanten) eindigen, als het toch iets moeilijker blijkt dan gedacht. Dan vinden wij oplossingen die haalbaar en betaalbaar zijn. Je kunt niet bewijzen dat iets NIET kan, wij gaan dus ook op zoek naar hoe het wel kan.
Samen met onze mechanici en mechatronici bouwen we ook een werkende opstelling waarmee we jouw researchvragen beantwoorden.
Aanpak van Blue:
Bij technische vraagstukken en onderzoeken weten we vooraf niet wat het antwoord zal zijn of waar we tegenaan lopen. Daarom pakken we jouw vraagstuk op een pragmatische en iteratieve manier aan. Dat betekent dat we jouw complexe vraag opsplitsen in behapbare kleine tussenstapjes en deelonderzoeken, en deze stap voor stap uitwerken. Gaandeweg dit proces sturen we continu deze tussenstapjes bij aan de hand van tussentijdse bevindingen en resultaten, zonder het uiteindelijke doel uit het oog te verliezen. Dit proces gebeurt in nauw overleg, zodat jij zelf ook kunt bijsturen en eventuele tussenresultaten of deelopstellingen al kunt gebruiken. Deze aanpak is succesvol gebleken in vele onderzoeksprojecten uitgevoerd bij Blue Engineering.
Nauwkeurigheid:
Tijdens het onderzoek of het bouwen van een meetopstelling houden we altijd rekening met de volgende principes:
- Betrouwbaarheid: De metingen moeten betrouwbaar zijn onder alle omstandigheden.
- Herhaalbaarheid en reproduceerbaarheid: Het is essentieel dat we onze metingen kunnen herhalen, zowel in vergelijkbare als in veranderende omstandigheden.
- Praktijkgericht: De resultaten en antwoorden op de onderzoeksvraag moeten duidelijk en direct bruikbaar zijn voor jou.
- Vertaalbaarheid: De gemeten resultaten moeten toepasbaar zijn op jouw specifieke situatie.
Wanneer we een meetopstelling voor jou bouwen, moet deze zowel makkelijk als betrouwbaar te gebruiken zijn in de praktijk, en niet alleen onder ideale omstandigheden.
Praktijkgericht:
Onze onderzoekers zijn academisch geschoold en hebben een sterke natuurwetenschappelijke achtergrond, maar zijn tevens zeer praktijkgericht ingesteld. Dit betekent dat we onderzoeken wat nodig is om jouw vraag te beantwoorden of jouw meetopstelling te bouwen, zonder er een wetenschappelijke studie van te maken. We brengen in kaart wat jouw vraag daadwerkelijk is en welke resultaten relevant en bruikbaar zijn in jouw situatie. We handelen vanuit het gezonde verstand en focussen op het vinden van de antwoorden die nodig zijn.
Technical Due Diligence
Bij een technical due diligence toetsen we de technische claims van een bedrijf of product op haalbaarheid en juistheid, en schatten we de voornaamste technische risico’s in. Dit instrument is populair onder investeerders die een soort ‘second opinion’ zoeken over de propositie van start-ups. Blue Engineering voert deze due diligences uit en levert een rapport met conclusies over de haalbaarheid van de techniek, de grootste risico’s en aanbevelingen. Onze breed geschoolde, natuurwetenschappelijk opgeleide engineers, aangevuld door de expertise van onze mechanici en mechatronici, maken ons de ideale one-stop-shop voor dergelijke opdrachten.