分拣设备运动仿真

这一次我们来分享一下如何在Solidworks 中做出传送台的分拣动作并通过分拣动作生成过程动画,以便于我们可以用于产品展示又或者验证运行程序无误的情况下结构是否会影响输送效率。

首先创建一个新的运动算例

将窗口切换至Motion分析

在设置之前我们先理清设置传送带的动作思路目前我们有三个传感器可用于货物大小的识别,暂停传送带以及导板回归原位.

首先传送带会以100mm/s的速度启动,在碰到高度传感器会进行减速,导板会根据识别的高度进行转动,调整好导板位置后传送带继续移动,当碰触到第二个传感器后传送带停止,货物滑落,当货物滑落碰触到复位功能的传感器,导板复位至中间位置传送台继续输送货物

理清楚这里面的逻辑,就可以进行设置了,这里只需要设置两个马达,一个是传送带的直线马达,一个是使导轨进行转动的旋转马达,根据刚才的提到的这些马达的速度是在变化的所以设置这里就直接采用伺服马达。

完成伺服马达的设置就需要设置货物与传送带,货物与导板以及货物与底板的接触关系,我们知道传送带带动货物运动是需要摩擦力,这里就可以选项设置里把摩擦勾选上

其他接触的做法也是一样的

当然了不要忘记设置引力

当完成了以上设置后就可以编辑具体动作流程,根据上面的逻辑可以知道整体需要完成的动作较多如果是通过Motion时间轴方法就比较难去做同时一旦调换货物顺序,动画就会出错,这里我们就采用了基于事件的方式,设置方法就跟PLC的梯形图相似.,具体操作如下

这里我们完成其中一种大小货物的识别路线后,运行计算一次查看动作是否正常

运行完成后就可以点击播放查看动作了

确认动作无误后,再把其他路线的设置也做出来,完成计算过后就可以输出动画

相关推荐
数据知道3 小时前
GRU模型:门控循环单元的原理与优势及Python实现
python·深度学习·gru
胡乱编胡乱赢11 小时前
联邦学习之------VT合谋
人工智能·深度学习·机器学习·vt合谋
dundunmm11 小时前
【论文阅读】Deep Adversarial Multi-view Clustering Network
论文阅读·人工智能·深度学习·聚类·对抗网络·多视图聚类·深度多视图聚类
不焦躁的程序员12 小时前
AI时代人人都要懂的概念-深度学习
人工智能·深度学习·神经网络
云之渺19 小时前
英语文章翻译二
深度学习
数据饕餮20 小时前
PyTorch 深度学习实战教程-番外篇04:卷积层详解与实战指南
人工智能·pytorch·深度学习·卷积神经网络
CoovallyAIHub1 天前
雾天、夜晚都能识别?MEIWVD数据集+MSG-Net攻克内河航道检测三大难关
深度学习·算法·计算机视觉
楚潸潸1 天前
从onnx模型到om模型的全自动化转化
深度学习·边缘计算·onnx·昇腾·om模型
账户不存在1 天前
《Learning To Count Everything》论文阅读
论文阅读·pytorch·深度学习·无监督训练
七77.1 天前
Track Any Anomalous Object: A Granular Video Anomaly Detection Pipeline
深度学习·计算机视觉·异常检测