Smart Gripper & Fiabilisation Robotique

Sur le site de Forvia Étupes, la machine "AUTOCLIP", équipée d'un bras robotisé 6 axes, est chargée de l'assemblage de panneaux de portes. Le processus souffrait d'un taux d'échec critique lors de l'insertion des agrafes plastiques.

La première phase a consisté à réaliser une cartographie statistique complète des erreurs (agrafes "mal engagées" ou "absentes") en fonction de leur position sur le panneau (PAVD/PAVG), tout en mesurant les efforts d'engagement nécessaires (entre 14N et 21N).

Plutôt que de recalibrer continuellement la trajectoire du robot, j'ai repensé la mécanique de l'effecteur. Sous Pro/ENGINEER (PTC Creo), j'ai modélisé un nouveau "doigt de préhension".

L'innovation réside dans l'usinage d'un chanfrein intérieur spécifique en acier. Cette forme en entonnoir permet de guider mécaniquement l'agrafe et d'absorber physiquement les micro-erreurs de positionnement. Le nouveau doigt recouvre également mieux l'agrafe et peut donc encaisser plus d'efforts avant que celle-ci ne lui échappe.

• Résultat industriel : Lors d'un test "run" d'une heure, le prototype a affiché 100% de réussite (agrafes présentes et engagées) sur l'agrafe la plus critique.
• Déploiement : La direction a validé la généralisation de cette solution avec le déploiement de 5 doigts sur les stations.

La machine travaillant "à l'aveugle", il fallait lui donner la capacité de vérifier elle-même son travail. J'ai développé une solution IoT (Arduino Nano, module radio NRF24L01+ et MPU-6050) pour capter l'accélération caractéristique générée par le "clic" mécanique lors du verrouillage.

L'algorithme permet au robot de réagir en temps réel :

• Accélération caractéristique : L'agrafe est validée.
• Aucune accélération : L'agrafe est mal engagée. Le robot vérifie son capteur laser et recommence un cycle.
• Accélération anormale : L'agrafe a sauté ou est mal positionnée. Le robot se retire pour éviter une collision.

Traitement des données : Les mesures sont envoyées sans fil à un ordinateur et traitées sur Excel via la macro PLX-DAQ. Une intégration d'algorithmes de Pattern Recognition (R-CNN, YOLO v2) sous MATLAB a été étudiée pour classifier les erreurs complexes.

Autonomie : Le système consommant 33.6 mA, j'ai conçu une alimentation sur-mesure utilisant deux batteries LiPo de 3.7V (250mAh) en série, garantissant plus de 3 heures d'autonomie pour les essais.

Mesure d'usure : Pour valider l'impact mécanique des nouveaux doigts de préhension, j'ai ajouté un capteur résistif de pression à couche mince. Intégré entre le vérin et la glissière avec une résistance de 10 kOhm, il permet de quantifier l'effort normal et d'anticiper l'usure de la machine.

Avant : Taux d'échec élevé

Après : Opération fiabilisée

La mise en place de ce nouveau système a eu un impact immédiat sur la ligne de production. Dès les premiers essais en conditions réelles de production (run de 1h), le taux d'erreur a chuté drastiquement pour atteindre un taux de 100% de réussite sur les points de clippage les plus critiques.

Pour cette initiative d'ingénierie combinant reconception mécanique astucieuse et validation IoT, le projet a été récompensé par la direction de l'usine avec le prix de "L'Idée d'Amélioration du Mois".