CN105654151A - 一种工件定位方法及定位系统 - Google Patents

Abstract

本发明公开了一种工件定位方法及定位系统，该定位方法包括以下步骤：1)定位模型构建，通过RSSI值采样及人工神经网络训练获得定位模型；2)待定位超高频RFID标签定位：2.1)工件进入监测区域的网格中，根据超高频RFID读写器数量及位置分布，确定待定位超高频RFID标签所在的监测区域；2.3)获得RSSI值，输入到定位模型中，输出待定位超高频RFID标签所对应的网格位置坐标；2.4)检查待定位超高频RFID标签的位置坐标是否正确。该定位系统包括初始化子系统、定位模型管理子系统和定位子系统。本发明采用人工神经网络建立定位模型，定位精度高，并进行更新，以解决定位精度随时间的漂移与下降。

Description

一种工件定位方法及定位系统

技术领域

本发明属于工件定位技术领域，更具体地，涉及一种工件定位方法及定位系统。

背景技术

随着物联技术的不断成熟，加工制造业，譬如模具制造业也开始尝试应用物联技术。在物联技术应用过程中，工件的定位是最基本的需求之一。模具生产企业的加工车间环境大致可以分为两大类，一类是加工设备区，另一类则是加工设备较少、面积较大的区域，如模具装配区、试模区和修模区等。对于加工设备区，将每一台加工设备与定位设备绑定，即可实现工件的定位。而对模具装配区、试模区、修模区这类面积较大，则需要考虑另外的定位方法。

常见的室内定位技术包括：基于红外线定位、基于超声波定位、基于RADAR定位、基于RFID定位等。与其他定位技术相比，RFID定位技术更容易搭建。RFID定位算法从原理上可以分为：信号强度信息法、传播时间测量法和到达角度法等。信号强度测量法不需要额外硬件，便于度量，可使用现有网络收集信号强度，同时不会对网络数据传输和成本产生明显影响，更易于大规模推广应用。因此，现在应用最广泛的LANDMARC算法及其后续改进VIRE算法和BVRE算法都属于信号强度测量法。这些算法的基本原理都是采用参考标签，建立信号强度信息与位置的关系，对待定标签，采用一定的定位模型建立与参考标签强度信息的关系，求出其位置。

但是模具生产加工车间零件众多，电磁环境复杂，将上述这些方法用于模具加工车间的定位时，精度不高，随着时间的流逝，由于强度信息的漂移变化，精度还会下降。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种工件定位方法及定位系统，使得定位精度得到提高。

为实现上述目的，按照本发明，提供了一种工件定位方法，其特征在于，包括以下步骤：

1)定位模型的构建，具体包括以下子步骤：

1.1)按照超高频RFID读写器的读写距离，将加工车间的区域初次划分为多个监测区域；

1.2)根据所需的定位精度，将初次划分的各监测区域分别进行二次划分为网状结构，以使每个监测区域均具有多个网格，从而便于对工件进行定位；

1.3)在每个监测区域分别放置超高频RFID读写器组，并将每个监测区域及与其相应的超高频RFID读写器组进行绑定，其中，每个超高频RFID读写器组包含三个以上的超高频RFID读写器；

1.4)将超高频RFID标签依次放置在每个监测区域的各网格处，并利用超高频RFID读写器组进行采样，接收并测量每个超高频RFID读写器的RSSI值，此外，每个网格处分别进行多次采样并计算获得的采样值的算术平均值，然后将每个网格处获得的RSSI值的算术平均值和对应的网格位置坐标进行保存，以建立采样样本；

1.5)利用人工神经网络对步骤1.4)获得的采样样本进行训练，获得RSSI值与网格位置坐标之间的关系，从而获得定位模型；

2)待定位超高频RFID标签的定位，具体包括以下步骤：

2.1)贴有待定位超高频RFID标签的工件进入监测区域的网格中，根据读取到待定位超高频RFID标签的超高频RFID读写器数量及位置分布，确定待定位超高频RFID标签所在的监测区域；

2.2)获得待定位超高频RFID标签在超高频RFID读写器中的RSSI值，输入到步骤1.5)获得的定位模型中，然后输出待定位超高频RFID标签所对应的网格位置坐标，则也获得工件的位置；

2.3)检查待定位超高频RFID标签的位置坐标是否正确，如果正确则将待定位超高频RFID标签的RSSI值与位置保存。

优选地，还包括定位模型的更新，即每间隔时间T，以上一次保存的、与RSSI值对应的网格位置坐标信息作为样本，利用人工神经网络对此样本进行重新训练，从而得到更新后的定位模型。

优选地，所述时间T＝7天。

优选地，每个监测区域均为长方形，每个网格也为长方形。

优选地，二次划分时，每个网格均位于一长方形内并且该长方形的长度L₁满足1m≤L₁≤2m，宽度L₂满足1m≤L₂≤2m。

优选地，在加工车间有障碍物的地方，可选择只在该地方的过道出入口和过道中部设置采样点。

优选地，所述定位模型包括数据选择子模块、数据预处理子模块、模型构建子模块和模型管理模块子模块，其中：

数据选择子模块用于选择训练数据；

数据预处理子模块用于空值处理和数据规约，其中，空值处理是填充数据丢失的值，以确保训练样本的完整，数据规约是完成数据的规格化并使规格化后的数据落入区间[-1,1]，以为后续的神经网络建模服务；

模型构建子模块用于利用训练样本对人工神经网络进行训练，并进行参数设置，以获得定位模型；

模型管理子模块用于对性能达到要求的定位模型进行保存。

按照本发明的另一个方面，还提供了一种工件定位系统，其特征在于，包括初始化子系统、定位模型管理子系统和定位子系统，其中，

初始化子系统，用于对超高频RFID读写器进行初始化，建立每一台超高频RFID读写器和与其对应的监测区域的关系，并对定位区域的每一个待定位工件进行标签绑定；

定位模型管理子系统，用于构建与保存定位模型；

定位子系统，用于在对待定位超高频RFID标签进行定位，保存待定位超高频RFID标签的信息，并将定位数据上传到工厂的MES生产管理系统。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1)本发明一是采用人工神经网络建立定位模型，二是除了用参考标签信号强度与位置信息训练人工神经网络，建立定位模型外，还用后续的实际标签信号强度与位置信息对人工神经网络进行持续训练，以克服强度信息的漂移对定位精度的影响。

2)相对于传统方法及系统，本发明加入了优化算法，并构建了相应的定位系统，在不增加硬件设备的条件下，定位精度进一步提高，并考虑到加工车间生产中的复杂电磁环境对定位精度的影响，对定位模型不断地进行更新，以确保定位精度不会随时间的进行而下降。

附图说明

图1是本发明的定位模型构建流程示意图；

图2是本发明完成的人工神经网络定位模型训练效果图；

图3是本发明中定位系统的组成及工作流程示意图；

图4是本发明中在加工车间初次划分监测区域的示意图；

图5是本发明中其中一个监测区域二次划分为网格结构的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

参照图1～图5，一种工件定位方法，其特征在于，包括以下步骤：

1)定位模型的构建，具体包括以下子步骤：

1.1)按照超高频RFID读写器的读写距离，将加工车间的区域初次划分为多个监测区域；

1.2)根据所需的定位精度，将初次划分的各监测区域分别进行二次划分为网状结构，以使每个监测区域均具有多个网格，从而便于对工件进行定位；

1.3)在每个监测区域分别放置超高频RFID读写器组，并将每个监测区域及与其相应的超高频RFID读写器组进行绑定，其中，每个超高频RFID读写器组包含三个以上的超高频RFID读写器；

1.4)将超高频RFID标签依次放置在每个监测区域的各网格处，并利用超高频RFID读写器组进行采样，接收并测量每个超高频RFID读写器的RSSI值，此外，每个网格处分别进行多次采样并计算获得的采样值的算术平均值，然后将每个网格处获得的RSSI值的算术平均值和对应的网格位置坐标进行保存，以建立采样样本；

1.5)利用步骤1.4)获得的采样样本对人工神经网络进行训练，获得RSSI值与网格位置坐标之间的关系，从而获得定位模型；

2)待定位超高频RFID标签的定位，具体包括以下步骤：

2.1)贴有待定位超高频RFID标签的工件进入监测区域的网格中，根据读取到待定位超高频RFID标签的超高频RFID读写器数量及位置分布，确定待定位超高频RFID标签所在的监测区域；

2.2)获得待定位超高频RFID标签在超高频RFID读写器中的RSSI值，输入到步骤1.5)获得的定位模型中，然后输出待定位超高频RFID标签所对应的网格位置坐标，则可获得工件的位置；

2.3)检查待定位超高频RFID标签的位置坐标是否正确，如果正确则将待定位超高频RFID标签的RSSI值与位置保存。

优选地，还包括定位模型的更新，即每间隔时间T，以上一次保存的、与RSSI值对应的网格位置坐标信息作为样本，利用人工神经网络对此样本进行重新训练，从而得到更新后的定位模型。

优选地，所述时间T＝7天。

优选地，每个监测区域均为长方形，每个网格也为长方形。

优选地，二次划分时，每个网格均位于一长方形内并且该长方形的长度L₁满足1m≤L₁≤2m，宽度L₂满足1m≤L₂≤2m。

优选地，在加工车间有障碍物的地方，可选择只在该地方的过道出入口和过道中部设置采样点。

优选地，所述定位模型包括数据选择子模块、数据预处理子模块、模型构建子模块和模型管理模块子模块，其中：

数据选择子模块用于选择训练数据；

数据预处理子模块用于空值处理和数据规约，其中，空值处理是填充数据丢失的值，以确保训练样本的完整，数据规约是完成数据的规格化并使规格化后的数据落入区间[-1,1]，以为后续的神经网络建模服务；

模型构建子模块用于利用训练样本对人工神经网络进行训练，并进行参数设置，以获得定位模型；

模型管理子模块用于对性能达到要求的定位模型进行保存。

按照本发明的另一个方面，还提供了一种工件定位系统，其特征在于，包括初始化子系统、定位模型管理子系统和定位子系统，其中，

初始化子系统，用于对超高频RFID读写器进行初始化，建立每一台超高频RFID读写器和与其对应的监测区域的关系，并对定位区域的每一个待定位工件进行标签绑定；

定位模型管理子系统，用于构建与保存定位模型；

定位子系统，用于在对待定位超高频RFID标签进行定位，保存待定位超高频RFID标签的信息，并将定位数据上传到工厂的MES生产管理系统。

定位模型构建的流程如图1所示。

参照图4、图5，图4是将加工车间初次划分为多个监测区域，譬如加工区、检测区、装配区、缓存区等；参照图5，以一个4×4m的正方形区域为例，将其作为一个监测区域，在上述监测区域的边上放置三台超高频RFID读写器，分别为第一超高频RFID读写器，第二超高频RFID读写器和第三超高频RFID读写器，然后再将正方形的监测区域划分为16个1×1m的正方形网格，每一个网格用标号表示。在16个1×1m的网格里面，把超高频RFID标签依次放置在这个监测区域的16个采样点处(只需使用一个超高频RFID标签即可)，接收并测量每个超高频RFID读写器的RSSI值，并且每个网格位置坐标分别进行20次采样，计算每个网格处获得的这些采样值的算术均值，将算术平均值与采样点(网格位置)一一对应并进行保存。网格标号1和网格标号2处的样本采集的存储形式如表1所示，RSSI值的单位为分贝dB。表1中，譬如第一超高频RFID读写器在网格标号为1的采样点共获得了2个RSSI值的平均值，其中一个平均值是230，另一个平均值是210。

表1离线采样数据的保存格式

定位模型构建过程分为下面五个步骤：数据选择、数据预处理、模型构建、模型评估和模型管理。数据选择是选择离线采样的保存数据，数据预处理包含数据清理和数据规格化等，数据清理目的是填充数据中的缺省值、平滑噪声数据、识别和纠正数据中的不一致部分。

对训练元组中的输入数据进行规格化，使它们落入[-1,1]，规格化公式为：

$f\left(x\right)=\frac{2x-\min -max}{max-\min }$

对训练元组中的输出数据进行规格化，使它们落入[0,1]，规格化公式为：

$f\left(x\right)=\frac{x-\min }{max-\min }$

以上两公式中，x为输入数据，min为x的最小值，max为x的最大值。

表1中的值规格化后的训练样本如表2所示。

表2规格化后的训练样本

模型构建中使用的人工神经网络定位模型表示为：

P＝f(X)

式中：

P--目标位置，定位模型的输出；

X--超高频RFID读写器测量的强度序列，模型的输入；

f--输入和输出关系的抽象模型；

模型的输出为目标位置，用区域标号表示。采用三层人工神经网络，隐含节点数定为16，学习速率为0.3，动量为0.2。

模型评估采用10折交叉验证，即数据集被分割成了10等份，每份的类比例和整个数据的类比例相近，然后每一等份被依次旁置用来测试，其余的十分之九用来训练。进行10次训练和测试，将10次误差的统计平均值作为综合误差估计。

模型的训练效果如图2所示。其中横轴表示模型根据标签强度对其位置的估计值，纵坐标标示待定标签强度对应的标签实际位置区号。评估结果为：实例总数32，正确定位的实例为31；错误定位的实例为1；Kappa统计量为1；评价绝对误差为0.0569；均方绝对误差为0.1304；相对绝对误差为48.5611％；相对平安根误差为53.9156％；

定位系统的组成及过程如图3所示。

首先对系统进行初始化工作，绑定超高频RFID读写器与监测区域，建立超高频RFID读写器自身的位置信息，对定位区域的每一个待定位目标进行标签绑定。超高频RFID读写器读取其周围的标签获取对应的RSSI值，然后更新数据库中对应RSSI序列值中的一个RSSI值。

定位时，系统读取标签的RSSI强度序列，根据读取工件RSSI值的超高频RFID读写器位置信息对工件进行初次定位。接着利用定位模型，输入标签的RSSI序列值，输出标签的位置。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种工件定位方法，其特征在于，包括以下步骤：

1)定位模型的构建，具体包括以下子步骤：

1.1)按照超高频RFID读写器的读写距离，将加工车间的区域初次划分为多个监测区域；

1.2)根据所需的定位精度，将初次划分的各监测区域分别进行二次划分为网状结构，以使每个监测区域均具有多个网格，从而便于对工件进行定位；

1.3)在每个监测区域分别放置超高频RFID读写器组，并将每个监测区域及与其相应的超高频RFID读写器组进行绑定，其中，每个超高频RFID读写器组包含三个以上的超高频RFID读写器；

1.4)将超高频RFID标签依次放置在每个监测区域的各网格处，并利用超高频RFID读写器组进行采样，接收并测量每个超高频RFID读写器的RSSI值，此外，每个网格处分别进行多次采样并计算获得的采样值的算术平均值，然后将每个网格处获得的RSSI值的算术平均值和对应的网格位置坐标进行保存，以建立采样样本；

1.5)利用步骤1.4)获得的采样样本对人工神经网络进行训练，获得RSSI值与网格位置坐标之间的关系，从而获得定位模型；

2)待定位超高频RFID标签的定位，具体包括以下步骤：

2.1)贴有待定位超高频RFID标签的工件进入监测区域的网格中，根据读取到待定位超高频RFID标签的超高频RFID读写器数量及位置分布，确定待定位超高频RFID标签所在的监测区域；

2.2)获得待定位超高频RFID标签在超高频RFID读写器中的RSSI值，输入到步骤1.5)获得的定位模型中，然后输出待定位超高频RFID标签所对应的网格位置坐标，则也获得工件的位置；

2.3)检查待定位超高频RFID标签的位置坐标是否正确，如果正确则将待定位超高频RFID标签的RSSI值与位置保存。

2.根据权利要求1所述的方法，其特征在于，还包括定位模型的更新，即每间隔时间T，以上一次保存的、与RSSI值对应的网格位置坐标信息作为样本，利用人工神经网络对此样本进行重新训练，从而得到更新后的定位模型。

3.根据权利要求2所述的方法，其特征在于，所述时间T＝7天。

4.根据权利要求1所述的方法，其特征在于，每个监测区域均为长方形，每个网格也为长方形。

5.根据权利要求1所述的方法，其特征在于，二次划分时，每个网格均位于一长方形内并且该长方形的长度L₁满足1m≤L₁≤2m，宽度L₂满足1m≤L₂≤2m。

6.根据权利要求1所述的方法，其特征在于，在加工车间有障碍物的地方，可选择只在该地方的过道出入口和过道中部设置采样点。

7.根据权利要求1所述的方法，其特征在于，所述定位模型包括数据选择子模块、数据预处理子模块、模型构建子模块和模型管理模块子模块，其中：

数据选择子模块用于选择训练数据；

数据预处理子模块用于空值处理和数据规约，其中，空值处理是填充数据丢失的值，以确保训练样本的完整，数据规约是完成数据的规格化并使规格化后的数据落入区间[-1,1]，以为后续的神经网络建模服务；

模型构建子模块用于利用训练样本对人工神经网络进行训练，并进行参数设置，以获得定位模型；

模型管理子模块用于对性能达到要求的定位模型进行保存。

8.一种工件定位系统，其特征在于，包括初始化子系统、定位模型管理子系统和定位子系统，其中，

初始化子系统，用于对超高频RFID读写器进行初始化，建立每一台超高频RFID读写器和与其对应的监测区域的关系，并对定位区域的每一个待定位工件进行标签绑定；

定位模型管理子系统，用于构建与保存定位模型；

定位子系统，用于在对待定位超高频RFID标签进行定位，保存待定位超高频RFID标签的信息，并将定位数据上传到工厂的MES生产管理系统。