Kaynak Robotu ve Robotik Kaynak Sistemleri: 3D Vision ile Esnek Kaynak Otomasyonu

Kaynak robotu, metal işleme yapan üreticilerin otomasyon gündemindeki en somut kalemlerden biri. Sahada sık gördüğümüz tablo ise şu: robotik kaynak hücresi kuruldu, ilk parti sorunsuz aktı, sonra parça geometrisi biraz değişti ve hücre yeniden programlamaya girdi. Bu yazıda kaynak robotu sistemlerinin nasıl çalıştığını, esnekliği asıl neyin sınırladığını ve 3D görüntü işleme katmanının bu sınırı nasıl kaldırdığını anlatıyoruz.

Kaynak Robotu Nedir, Hangi Uygulamalarda Kullanılır?

Kaynak robotu, kaynak torcunu taşıyan ve öğretilmiş bir yol boyunca tekrarlı şekilde hareket ettiren endüstriyel robottur. Robotun kendisi kaynak yapmaz; kaynak makinesi, tel sürme ünitesi, gaz beslemesi ve torç birlikte bir hücre oluşturur. Robot bu hücrede pozisyon ve hız tekrarlanabilirliğini sağlar.

Türkiye’de en yaygın robotik kaynak uygulamaları şunlar:

• Gazaltı kaynak robotu (MIG/MAG): sac ve profil konstrüksiyonda en yaygın kullanım; yüksek dolgu hızı gerektiren dikişler.
• TIG kaynak robotu: paslanmaz ve alüminyumda görünür dikiş kalitesinin önemli olduğu işler.
• Punta (nokta) kaynak robotu: otomotiv gövde hatlarının klasik uygulaması.
• Lazer kaynak robotu: düşük ısı girdisi ve dar dikiş isteyen hassas parçalar.
• Boru kaynak robotu: dairesel dikişlerde pozisyoner ile eşzamanlı hareket.

Ortak nokta hepsinde aynı: robot, öğretilen yolu milimetrik tekrarlar. Sorun da tam buradan çıkıyor.

Robotik Kaynak Sistemlerinin Gerçek Sınırı: Parça Pozisyon Toleransı

Klasik bir kaynak robotu “kör” çalışır. Parçanın fikstüre her seferinde aynı noktada, aynı açıyla oturduğunu varsayar. Gerçek üretimde bu varsayım şu nedenlerle bozulur:

• Lazer/plazma kesim toleransı ve sac büküm sapmaları
• Punta ile ön birleştirmede oluşan çarpıklık
• Kaynak ısısının parçayı dikiş sırasında hareket ettirmesi (distorsiyon)
• Operatörün parçayı fikstüre yerleştirme farkları
• Aynı hücrede birden fazla parça varyantının işlenmesi

Bu sapmaları telafi etmenin klasik yolu fikstürdür: her parça varyantı için hassas işlenmiş, konumlama pimli, sıkma elemanlı özel bir aparat. Fikstür maliyeti çoğu projede robotun kendisiyle yarışır ve daha kötüsü, üretim değiştiğinde yeniden yapılması gerekir. Küçük partili, çok varyantlı üretimde kaynak otomasyonunun önündeki asıl engel robot fiyatı değil, bu fikstür ve programlama yüküdür.

3D Vision Destekli Kaynak: Dikişi Robot Bulsun

Kaynak hücresine 3D görüntü işleme eklendiğinde denklem değişir. Robot artık parçanın nerede olduğunu varsaymaz, ölçer:

• Dikiş bulma (seam finding): 3D kamera parçanın gerçek pozunu (x, y, z ve üç açı) çıkarır; öğretilmiş robot yolu bu pozla ötelenir. Parça fikstüre 5 mm kaykılmış oturduysa dikiş de 5 mm kaymış aranır.
• Dikiş takibi (seam tracking): kaynak sürerken dikiş hattı izlenir ve sapma anlık düzeltilir; ısı distorsiyonunun ortasında bile torç dikişte kalır.
• Varyant tanıma: hücreye gelen parçanın hangi tip olduğu görüntüden anlaşılır ve doğru program otomatik seçilir.

Bu katman, Mech-Mind 3D vision sistemleri ve Photoneo PhoXi / MotionCam gibi endüstriyel tarayıcılarla kurulur. Pratik kazanç şudur: hassas fikstür yerine daha basit ve ucuz bağlama elemanları yeterli olur, yeni parça devreye alma süresi günlerden saatlere iner.

Kaynak Kalitesini Yapay Zekâ ile Muayene Etmek

Kaynak otomasyonunun ikinci yarısı, dikişin doğru yapıldığını doğrulamaktır. Manuel görsel muayene vardiya sonuna doğru yorulur ve kayıt bırakmaz. MIS-INSPECT gibi derin öğrenme tabanlı görsel muayene sistemleri kaynak dikişinde şu kusurları sınıflandırır:

• Gözenek ve yüzey çatlağı
• Eksik veya kesintili dikiş
• Dikiş genişliği ve konum sapması
• Aşırı sıçrama (spatter) ve yanma
• Atlanmış punta ya da yanlış dikiş sırası

Kritik ayrım şu: kural tabanlı klasik görüntü işleme kaynak dikişinde zorlanır, çünkü her dikiş biraz farklı görünür. Derin öğrenme yaklaşımı “kabul edilebilir varyasyon” ile “gerçek kusur” arasındaki sınırı örneklerden öğrenir. Aynı mantığı otomotiv görsel kalite kontrol uygulamalarında da kullanıyoruz.

Kaynak Robotu Fiyatlarını Belirleyen Kalemler

“Kaynak robotu fiyatı nedir?” sorusunun tek bir cevabı yok, çünkü fiyat robotu değil hücreyi tanımlar. Bütçeyi belirleyen kalemler:

• Robot kol (erişim mesafesi ve yük kapasitesi) ya da cobot
• Kaynak makinesi, torç, tel sürme ve torç temizleme ünitesi
• Pozisyoner veya döner tabla (çift istasyonlu çalışma isteniyorsa iki kat)
• Fikstür ve bağlama elemanları — vision kullanılmıyorsa en oynak kalem
• Güvenlik çevresi, kaynak perdesi, duman emiş sistemi
• 3D kamera ve vision yazılımı
• Entegrasyon, devreye alma, operatör eğitimi

Yatırım kararında yalnızca ilk maliyete değil toplam sahip olma maliyetine bakmak gerekir. Geri dönüş hesabının nasıl kurulduğunu robotik yatırım maliyeti ve geri dönüş süresi yazımızda örnekle anlattık; kaynakta ek olarak tel/gaz tüketimi ve tamir kaynağı (rework) kalemleri de hesaba girer.

Küçük Partili Üretimde Kaynak Otomasyonu Mantıklı mı?

Uzun yıllar cevap “hayır”dı: parti küçükse programlama ve fikstür süresi kaynağın kendisinden uzun sürüyordu. Bugün iki gelişme bu dengeyi değiştirdi. Birincisi kolaboratif robotların elle yol öğretme kolaylığı. İkincisi vision destekli konum telafisi — parçanın tam yerinde olması gerekmediği için hazırlık süresi kısalıyor. 20–50 adetlik partilerde bile kaynak otomasyonu artık tartışılabilir bir seçenek.

MIS Otomasyon Bu Denklemde Nerede Duruyor?

Açık olalım: MIS Otomasyon kaynak makinesi veya torç üreticisi değil. Bizim katkımız robotik kaynak hücresinin gören ve karar veren katmanı: 3D kamera seçimi ve kalibrasyonu, parça pozu çıkarma ve robot yolu telafisi, kaynak dikişinin yapay zekâ ile muayenesi ve sonuçların üretim verisine bağlanması. MIS-PICK ile parça besleme, MIS-INSPECT ile dikiş kontrolü aynı hücrede birlikte çalışabilir.

Mevcut kaynak hücrenizin esnekliğini artırmak veya yeni bir robotik kaynak yatırımının vision tarafını doğru kurmak istiyorsanız, parça resimleriniz ve çevrim süresi hedefinizle birlikte ekibimizle iletişime geçin — uygulamanızın vision ile çözülebilirliğini ön değerlendirmeyle paylaşıyoruz.