CN110360932A - 零件在线检测及数据处理平台以及方法 - Google Patents
零件在线检测及数据处理平台以及方法 Download PDFInfo
- Publication number
- CN110360932A CN110360932A CN201910497222.1A CN201910497222A CN110360932A CN 110360932 A CN110360932 A CN 110360932A CN 201910497222 A CN201910497222 A CN 201910497222A CN 110360932 A CN110360932 A CN 110360932A
- Authority
- CN
- China
- Prior art keywords
- assembly
- optimum matching
- detection
- platform
- line checking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
- G01B11/12—Measuring arrangements characterised by the use of optical techniques for measuring diameters internal diameters
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automatic Assembly (AREA)
Abstract
本发明提供了一种零件在线检测及数据处理平台以及方法,包括检测系统、转运系统、处理系统以及装配系统,利用转运系统将一批具有装配关系的第一零件和第二零件分别送到检测系统进行在线检测,检测数据输入处理系统进行处理,处理系统找到具有最优匹配关系的第一零件和第二零件,装配系统将具有最优匹配关系的第一零件和第二零件进行匹配装配,装配过程的装配结果输入到处理系统。本发明基于在线检测的数据,通过数据分析和数据处理,与前端的加工进行数据交互,进而对前端的加工进行指导与修正,形成一套完整的闭环加工工艺及质量控制系统,最终实现全过程质量控制和无废品加工模式。
Description
技术领域
本发明涉及零件检测领域,具体地涉及一种零件在线检测及数据处理平台以及方法,尤其是一种新型的零件全数据量在线检测及数据处理平台以及方法。
背景技术
在工业生产中,特别是精度要求很高的装配环节中,现有的高精度检测方式效率很低,只能在抽检环节使用,无法满足实际的工业生产的要求。由于无法对高精度的装配件进行关键结构尺寸的全检,造成了装配件产品合格率无法达到百分之百,且装配件的性能随机波动。因此,实际的工业生产环节需要一种高效的在线检测方式。
现有检测手段(如三坐标检测)效率低,无法实现产品的全检。现有高精度检测手段多为接触式检测,对工件本身和检测触头存在磨损的隐患;且对检测传感探头的驱动系统要求精度高。现有检测手段检测数据量小,无法构建工业4.0要求的大数据和人工智能的统计数据量要求。
公开号为CN 103759638A的专利文献公开了一种零件检测方法,包括:获取所述零件的图像;获取所述零件的形状模型;根据所获取的图像以及所述形状模型来确定所述零件的形状;以及将所确定的形状与预先存储的所述零件的电子图纸进行比较,以确定所述零件是否与所述电子图纸匹配。通过本发明,可以对零件进行在线的、实时的、逐一的检测,从而确保每一个零件能够符合电子图纸的要求,降低人工费用,提高工作效率,并降低零件的残次比率,对于现代化的流水线生产有着重要的意义。但是该发明仅是单纯的零件检测,不能实现零件的匹配安装问题,且对于不符合电子图纸要求的零件就作为不合格零件报废,浪费成本,没有针对不合格零件的利用解决办法。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种零件在线检测及数据处理平台以及方法。
根据本发明的一个方面,提供一种零件在线检测及数据处理平台,包括检测系统、转运系统、处理系统以及装配系统,利用转运系统将一批具有装配关系的第一零件和第二零件分别送到检测系统进行在线检测,检测数据输入处理系统进行处理,处理系统找到具有最优匹配关系的第一零件和第二零件,装配系统将具有最优匹配关系的第一零件和第二零件进行匹配装配,装配过程的装配结果输入到处理系统。
优选地,所述检测系统包括接触式检测平台、非接触式检测平台,所述接触式检测平台采用检测触头与零件接触实现尺寸检测,所述非接触式检测平台采用激光实现对零件尺寸的检测。
优选地,所述处理系统包括三个部分:
第一部分能够基于检测系统的检测数据进行运算,找到具有最优匹配关系的第一零件和第二零件;
第二部分能够将在线检测的数据处理结果,即最优匹配关系,反馈给前道加工工序,优化前道的加工参数;
第三部分能够基于在线检测的数据处理结果和装配系统的装配结果,进行深度学习并构建具有匹配关系零件的最优匹配黑箱模型。
优选地,所述最优匹配关系由第一零件和第二零件的尺寸设计装配关系决定,并基于最优匹配黑箱模型进行装配关系调节。
优选地,所述深度学习采用卷积神经网络和/或循环神经网络。
优选地,所述装配系统包括装配平台、待匹配平台,所述装配平台将具有最优匹配关系的第一零件和第二零件进行装配,所述待匹配平台将当前批次无法实现最优匹配关系的第一零件和第二零件存放,等待与下一批次进行最优匹配,直至找到最优匹配关系的第一零件或第二零件时放置到装配平台进行装配。
优选地,所述处理系统基于最优匹配关系指导装配平台的装配动作以及运动轨迹,装配动作、装配轨迹以及装配结果输入处理系统用以建立最优匹配黑箱模型。
根据本发明提供的一种零件在线检测及数据处理平台,包括检测系统、转运系统、处理系统以及装配系统,利用转运系统将一批具有装配关系的第一零件和第二零件分别送到检测系统进行在线检测,检测数据输入处理系统进行处理,处理系统找到具有最优匹配关系的第一零件和第二零件,装配系统将具有最优匹配关系的第一零件和第二零件进行匹配装配,装配过程的装配结果输入到处理系统;
所述检测系统包括接触式检测平台、非接触式检测平台,所述接触式检测平台采用检测触头与零件接触实现尺寸检测,所述非接触式检测平台采用激光实现对零件尺寸的检测;
所述处理系统包括三个部分:
第一部分能够基于检测系统的检测数据进行运算,找到具有最优匹配关系的第一零件和第二零件;
第二部分能够将在线检测的数据处理结果,即最优匹配关系,反馈给前道加工工序,优化前道的加工参数;
第三部分能够基于在线检测的数据处理结果和装配系统的装配结果,进行深度学习并构建具有匹配关系零件的最优匹配黑箱模型;
所述最优匹配关系由第一零件和第二零件的尺寸设计装配关系决定,并基于最优匹配黑箱模型进行装配关系调节;
所述深度学习采用卷积神经网络和/或循环神经网络;
所述装配系统包括装配平台、待匹配平台,所述装配平台将具有最优匹配关系的第一零件和第二零件进行装配,所述待匹配平台将当前批次无法实现最优匹配关系的第一零件和第二零件存放,等待与下一批次进行最优匹配,直至找到最优匹配关系的第一零件或第二零件时放置到装配平台进行装配;
所述处理系统基于最优匹配关系指导装配平台的装配动作以及运动轨迹,装配动作、装配轨迹以及装配结果输入处理系统用以建立最优匹配黑箱模型。
根据本发明的另一个方面,提供一种零件在线检测及数据处理方法,包括如下步骤:
步骤1:将具有匹配关系的第一零件和第二零件通过转运系统转运至检测系统;
步骤2:检测系统根据零件种类选择接触式或非接触式检测方法对第一零件、第二零件分别进行检测,并将检测结果数据发送至处理系统;
步骤3:处理系统基于检测系统发送的检测结果数据进行最优匹配运算,找到最优匹配零件,并将处理结果发送至装配系统;
步骤4:装配系统根据处理系统的处理结果将具有最优匹配关系的第一零件、第二零件放置到装配平台进行装配,将当前批次无法实现最优匹配关系的第一零件和第二零件存放至待匹配平台等待与下一批次进行最优匹配。
优选地,采用所述的零件在线检测及数据处理平台。
与现有技术相比,本发明具有如下的有益效果:
1、本发明利用接触式或者非接触式检测手段结合精密的运动平台实现匹配装配类零件的在线检测,并针对在线检测的结果进行数据处理,最终基于数据处理的结果实现匹配装配类零件的最优匹配装配。
2、本发明采用结合精密的运动平台实现产品的在线全检;本发明采用非接触式检测方式,避免对工件本身和检测触头存在磨损的隐患;本发明可实现被检测工件的全数据量检测,为工业4.0的大数据和人工智能的统计数据量提供数据支撑。
3、本发明适用于所有具有装配关系的部件,处理系统基于检测数据分析找到最优匹配后指导装配系统的装配动作以及运动轨迹的精度,进而进行实现最优匹配装配。
4、本发明对于超差的零部件,可以通过同样超差的对手零部件,降低了加工设备和精度要求以及降低废品率。
5、本发明基于在线检测的数据,经由深度学习和人工智能算法,建立装配关系部件的黑箱模型,为实现智能装配建立理论物理模型基础。
6、本发明基于在线检测的数据,通过数据分析和数据处理,与前端的加工进行数据交互,进而对前端的加工进行指导与修正,形成一套完整的闭环加工工艺及质量控制系统,最终实现全过程质量控制和无废品加工模式。
7、本发明是底层的数据采集的硬件系统,可以作为万物联网和智能制造基础层的数据采集端,为上层的大数据分析提供大量的基础数据;本发明基于在线检测的数据构建数据库系统,实现企业的信息化;本发明能够实现检测数据、检测分析算法及工艺控制方法功能模块化以及云端共享模式。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明检测及转运平台工作流程示意图。
图2为本发明实施例1的工位及流程示意图。
图3为本发明实施例2的工位及流程示意图。
图4为本发明实施例3的工位及流程示意图。
图5为本发明黑箱模型的构建示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明针对现有技术的不足,利用接触式或者非接触式检测手段结合精密的运动平台实现匹配装配类零件的在线检测,并针对在线检测的结果进行数据处理,最终基于数据处理的结果实现匹配装配类零件的最优匹配装配。
本发明能够辅助前道零件加工:通过对零件的在线检测得到的数据处理,实时的将检测结果反馈至前道加工设备,指导前道的零件加工,提高零件的合格率和加工效率。
本发明能够指导后道装配:基于在线的检测数据,优选最优匹配的对手件,指导下一步装配。提高装配件的合格率和装配效率。进而结合装配件的测试数据,基于人工智能算法逆向构建包含装配件的装配过程数据和装配测试结果数据的工件物理及物理信息模型,指导装配件的设计、装配工艺和前期的零件加工工艺,材料选择等。
本发明的处理系统能够基于在线检测的数据,构建企业零件加工的信息化系统。
根据本发明的一个方面,提供一种零件在线检测及数据处理平台,包括检测系统、转运系统、处理系统以及装配系统,利用转运系统将一批具有装配关系的第一零件和第二零件分别送到检测系统进行在线检测,检测数据输入处理系统进行处理,处理系统找到具有最优匹配关系的第一零件和第二零件,装配系统将具有最优匹配关系的第一零件和第二零件进行匹配装配,装配过程的装配结果输入到处理系统。
所述检测系统包括接触式检测平台、非接触式检测平台,所述接触式检测平台采用检测触头与零件接触实现尺寸检测,所述非接触式检测平台采用激光实现对零件尺寸的检测。
所述处理系统包括三个部分:第一部分能够基于检测系统的检测数据进行运算,找到具有最优匹配关系的第一零件和第二零件;第二部分能够将在线检测的数据处理结果,即最优匹配关系,反馈给前道加工工序,优化前道的加工参数;第三部分能够基于在线检测的数据处理结果和装配系统的装配结果,进行深度学习并构建具有匹配关系零件的最优匹配黑箱模型。所述最优匹配关系由第一零件和第二零件的尺寸设计装配关系决定,并基于最优匹配黑箱模型进行装配关系调节。所述深度学习采用卷积神经网络和/或循环神经网络。
所述装配系统包括装配平台、待匹配平台,所述装配平台将具有最优匹配关系的第一零件和第二零件进行装配,所述待匹配平台将当前批次无法实现最优匹配关系的第一零件和第二零件存放,等待与下一批次进行最优匹配,直至找到最优匹配关系的第一零件或第二零件时放置到装配平台进行装配。所述处理系统基于最优匹配关系指导装配平台的装配动作以及运动轨迹,装配动作、装配轨迹以及装配结果输入处理系统用以建立最优匹配黑箱模型。
具有配合关系的待检测零件A和待检测零件B由转运系统拾取至检测系统,检测系统通过非接触的传感器检测方式实现零件A和零件B的关键尺寸的在线检测。检测数据上传至上位机系统,经数据处理和数据分析后,基于该数据以及数据分析可实现装配操作系统(如装配机器人等)的装配动作以及运动轨迹的精度控制,进而实现自动化最优匹配高效装配。
转运系统:实现待检测零件至检测系统的搬运或移栽。例如伺服机械手、机器人等串并联执行系统。
检测系统:包含精密运动平台和相对应的尺寸外形检测传感器。
装配系统:包括装配平台、待匹配平台;
装配平台:基于上处理系统的最优匹配的对手件信息,自动筛选出相应的最优匹配对手件,并自动实现对手件的装配。装配的过程信息(例如压装、拧紧和焊接等)上传至数据库系统,作为逆向构建装配件的智能物理模型的数据输入。
待匹配平台:若当前批次的对手件中无法完成百分之百的匹配,可将未实现最优匹配的零件放置在待匹配平台上,待下一批次的零件进行匹配筛选时,若出现符合匹配关系的零件,重新进行匹配装配。
处理系统:处理系统包含三个部分,第一部分基于实现对在线检测的数据处理以及对最优匹配件的筛选以及匹配;最优匹配的对手件匹配关系的由装配件的尺寸设计装配关系决定,并基于智能黑箱模型推导的最优装配关系进行微调。第二部分基于当前的在线检测的数据结果反馈给前道的加工,优化前道的加工参数;第三部分基于当前的在线检测的数据结合装配过程参数和装配件测试结果,通过卷积神经网络、循环神经网络等深度学习算法逆向构建装配件的黑箱智能模型。该模型可用于构建所加工产品的设计、装配以及工艺优化等智能化功能的基础模型。
根据本发明的另一个方面,提供一种零件在线检测及数据处理方法,包括如下步骤:
步骤1:将具有匹配关系的第一零件和第二零件通过转运系统转运至检测系统,如图1所示;
步骤2:检测系统根据零件种类选择接触式或非接触式检测方法对第一零件、第二零件分别进行检测,并将检测结果数据发送至处理系统,如图1所示;
步骤3:处理系统基于检测系统发送的检测结果数据进行最优匹配运算,找到最优匹配零件,并将处理结果发送至装配系统;
步骤4:装配系统根据处理系统的处理结果将具有最优匹配关系的第一零件、第二零件放置到装配平台进行装配,将当前批次无法实现最优匹配关系的第一零件和第二零件存放至待匹配平台等待与下一批次进行最优匹配。
优选地,采用所述的零件在线检测及数据处理平台。
实例一:
如图2所示,操作人员将具有装配关系的A类零件上料托盘和B类零件托盘上料至相应位置,机器人(转运平台等转运系统)拾取相应的A类零件和B类零件至两套检测平台(检测系统),检测平台包含四个工位,分别为上下料工位、长度检测工位、外径检测工位和内径检测工位。长度检测工位通过线激光传感器实现工件的长度检测,外径检测工位通过对射光幕传感器实现工件的外径检测,内径检测工位通过十字点激光结合超精密的旋转工作台实现工件的内径检测。精密转动平台在旋转轴心方向的跳动度为可控制在高精度如微米量级,精密直线运动平台在垂直于运动方向的跳动度可控制在高精度如微纳米量级。
完成检测的零件通过机器人实现自动下料,并将检测的数据上传至上位机,进而完成A类零件和B类零件的最优匹配装配。若在当前检测批次无法完成百分之百的零件匹配时,将未完成匹配的A零件和B零件放置在待匹配平台上,并在上位机数据库中存储相应的零件信息,待进行下一批次最优匹配时,若可以实现待匹配的A零件和B零件的最优匹配,则重新进行匹配筛选。
实例二:
如图3所示,操作人员将具有装配关系的A类零件上料托盘和B类零件托盘上料至相应位置,机器人(转运平台)拾取相应的A类零件和B类零件至两套检测(内径检测平台和外径检测平台)。外径检测平台通过对射光幕传感器实现工件的外径检测,内径检测平台通过十字点激光结合超精密的旋转工作台实现工件的内径检测
完成检测的零件通过机器人实现自动下料,并将检测的数据上传至上位机,进而完成A类零件和B类零件的最优匹配装配。若在当前检测批次无法完成百分之百的零件匹配时,将未完成匹配的A零件和B零件放置在待匹配平台上,并在上位机数据库中存储相应的零件信息,待进行下一批次最优匹配时,若可以实现待匹配的A零件和B零件的最优匹配,则重新进行匹配筛选。上位机可以实时显示控制系统的运动过程,被测零件的检测结果,某一时间段的检测结果统计信息,以及预测信息。
实例三:
如图4所示,将A类零件上料托盘和B类零件上料托盘放置在设备中间,便于人工进行检测完毕的最优匹配零件的装配。
实施例四:
针对阀芯阀体类零件实现阀芯的内孔在线检测和阀体的外径的在线检测,并基于在线检测的数据进行阀芯和阀体的最优匹配,例如阀芯和阀体的间隙为5微米时,装配件的性能最为优越。则系统通过检测数据尽可能完成所有匹配的阀芯和阀体均为5微米的间隙。进而实现最优匹配的阀芯阀体的装配;
基于在线检测数据和装配工艺过程指导装配机器人等作动系统实现阀芯类零件和阀体类零件的自动装配;
针对阀芯(或阀体)的当前在线检测结果,若该批次阀芯类零件的内径均超差一定数值,上位机将超差的数值反馈至前道的加工机床,进而调整机床加工参数,提高阀芯加工的合格率;
针对工件超差的数值以及超差的时间点,建立刀具磨损以及加工量的预测模型,提高加工效率和加工质量;
将阀芯阀体的在线检测结果作为人工智能模型的输入,将阀芯阀体装配件的性能测试数据作为人工智能模型的输出,基于深度学习算法,逆向构建阀芯阀体的智能物理模型,进而反算最优匹配的阀芯阀体的间隙参数;提高装配效率和装配质量。如图5所示,将装配件来料数据、装配过程数据、装配件测试结果均输入到处理系统,通过人工智能算法构建装配件黑箱智能模型。
基于在线检测的数据,构建企业信息化系统。该系统可实现对接企业的上层系统,并建立相应的数据库系统。数据库系统中主要包含:零件基本信息、关键尺寸信息、检测系统控制运行状态、数据库系统以及数据处理结果等。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种零件在线检测及数据处理平台,其特征在于,包括检测系统、转运系统、处理系统以及装配系统,利用转运系统将一批具有装配关系的第一零件和第二零件分别送到检测系统进行在线检测,检测数据输入处理系统进行处理,处理系统找到具有最优匹配关系的第一零件和第二零件,装配系统将具有最优匹配关系的第一零件和第二零件进行匹配装配,装配过程的装配结果输入到处理系统。
2.根据权利要求1所述的零件在线检测及数据处理平台,其特征在于,所述检测系统包括接触式检测平台、非接触式检测平台,所述接触式检测平台采用检测触头与零件接触实现尺寸检测,所述非接触式检测平台采用激光实现对零件尺寸的检测。
3.根据权利要求1所述的零件在线检测及数据处理平台,其特征在于,所述处理系统包括三个部分:
第一部分能够基于检测系统的检测数据进行运算,找到具有最优匹配关系的第一零件和第二零件;
第二部分能够将在线检测的数据处理结果,即最优匹配关系,反馈给前道加工工序,优化前道的加工参数;
第三部分能够基于在线检测的数据处理结果和装配系统的装配结果,进行深度学习并构建具有匹配关系零件的最优匹配黑箱模型。
4.根据权利要求3所述的零件在线检测及数据处理平台,其特征在于,所述最优匹配关系由第一零件和第二零件的尺寸设计装配关系决定,并基于最优匹配黑箱模型进行装配关系调节。
5.根据权利要求3所述的零件在线检测及数据处理平台,其特征在于,所述深度学习采用卷积神经网络和/或循环神经网络。
6.根据权利要求1所述的零件在线检测及数据处理平台,其特征在于,所述装配系统包括装配平台、待匹配平台,所述装配平台将具有最优匹配关系的第一零件和第二零件进行装配,所述待匹配平台将当前批次无法实现最优匹配关系的第一零件和第二零件存放,等待与下一批次进行最优匹配,直至找到最优匹配关系的第一零件或第二零件时放置到装配平台进行装配。
7.根据权利要求6所述的零件在线检测及数据处理平台,其特征在于,所述处理系统基于最优匹配关系指导装配平台的装配动作以及运动轨迹,装配动作、装配轨迹以及装配结果输入处理系统用以建立最优匹配黑箱模型。
8.一种零件在线检测及数据处理平台,其特征在于,包括检测系统、转运系统、处理系统以及装配系统,利用转运系统将一批具有装配关系的第一零件和第二零件分别送到检测系统进行在线检测,检测数据输入处理系统进行处理,处理系统找到具有最优匹配关系的第一零件和第二零件,装配系统将具有最优匹配关系的第一零件和第二零件进行匹配装配,装配过程的装配结果输入到处理系统;
所述检测系统包括接触式检测平台、非接触式检测平台,所述接触式检测平台采用检测触头与零件接触实现尺寸检测,所述非接触式检测平台采用激光实现对零件尺寸的检测;
所述处理系统包括三个部分:
第一部分能够基于检测系统的检测数据进行运算,找到具有最优匹配关系的第一零件和第二零件;
第二部分能够将在线检测的数据处理结果,即最优匹配关系,反馈给前道加工工序,优化前道的加工参数;
第三部分能够基于在线检测的数据处理结果和装配系统的装配结果,进行深度学习并构建具有匹配关系零件的最优匹配黑箱模型;
所述最优匹配关系由第一零件和第二零件的尺寸设计装配关系决定,并基于最优匹配黑箱模型进行装配关系调节;
所述深度学习采用卷积神经网络和/或循环神经网络;
所述装配系统包括装配平台、待匹配平台,所述装配平台将具有最优匹配关系的第一零件和第二零件进行装配,所述待匹配平台将当前批次无法实现最优匹配关系的第一零件和第二零件存放,等待与下一批次进行最优匹配,直至找到最优匹配关系的第一零件或第二零件时放置到装配平台进行装配;
所述处理系统基于最优匹配关系指导装配平台的装配动作以及运动轨迹,装配动作、装配轨迹以及装配结果输入处理系统用以建立最优匹配黑箱模型。
9.一种零件在线检测及数据处理方法,其特征在于,包括如下步骤:
步骤1:将具有匹配关系的第一零件和第二零件通过转运系统转运至检测系统;
步骤2:检测系统根据零件种类选择接触式或非接触式检测方法对第一零件、第二零件分别进行检测,并将检测结果数据发送至处理系统;
步骤3:处理系统基于检测系统发送的检测结果数据进行最优匹配运算,找到最优匹配零件,并将处理结果发送至装配系统;
步骤4:装配系统根据处理系统的处理结果将具有最优匹配关系的第一零件、第二零件放置到装配平台进行装配,将当前批次无法实现最优匹配关系的第一零件和第二零件存放至待匹配平台等待与下一批次进行最优匹配。
10.根据权利要求9所述的一种零件在线检测及数据处理方法,其特征在于,采用权利要求1-8任一项所述的零件在线检测及数据处理平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497222.1A CN110360932B (zh) | 2019-06-10 | 2019-06-10 | 零件在线检测及数据处理平台以及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497222.1A CN110360932B (zh) | 2019-06-10 | 2019-06-10 | 零件在线检测及数据处理平台以及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110360932A true CN110360932A (zh) | 2019-10-22 |
CN110360932B CN110360932B (zh) | 2020-08-04 |
Family
ID=68216903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910497222.1A Active CN110360932B (zh) | 2019-06-10 | 2019-06-10 | 零件在线检测及数据处理平台以及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110360932B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111203884A (zh) * | 2020-01-19 | 2020-05-29 | 吉利汽车研究院(宁波)有限公司 | 机器人控制方法及装置 |
CN111862094A (zh) * | 2020-08-17 | 2020-10-30 | 中车成都机车车辆有限公司 | 一种组装数据采集分析系统 |
CN113096519A (zh) * | 2021-03-25 | 2021-07-09 | 广东南大机器人有限公司 | 工业机器人技能实训考核平台的电机装配训练系统及方法 |
CN113359453A (zh) * | 2021-06-11 | 2021-09-07 | 刘颖妮 | 一种基于人工智能的零件加工装置及其智能车间系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060271217A1 (en) * | 2005-05-31 | 2006-11-30 | Fujitsu Limited | Manufacturing study support device |
JP2009186243A (ja) * | 2008-02-04 | 2009-08-20 | Nippon Steel Corp | 判別装置、判別方法及びプログラム |
CN103759638A (zh) * | 2014-01-10 | 2014-04-30 | 北京力信联合科技有限公司 | 一种零件检测方法 |
CN103870658A (zh) * | 2014-03-27 | 2014-06-18 | 中国科学院自动化研究所 | 一种基于动态规划与遗传算法的装配序列规划方法及装置 |
CN105443169A (zh) * | 2015-11-11 | 2016-03-30 | 上海交通大学 | 航空发动机多级鼓盘式转子装配装置和装配方法 |
CN106152935A (zh) * | 2015-03-25 | 2016-11-23 | 苏州北硕检测技术有限公司 | 适用于无特征空间曲面毛坯件的激光测量系统及其加工定位方法 |
CN106557816A (zh) * | 2015-09-30 | 2017-04-05 | 发那科株式会社 | 具备机械学习器以及组装试验器的生产设备 |
CN108132033A (zh) * | 2017-12-15 | 2018-06-08 | 上汽通用五菱汽车股份有限公司 | 一种汽车底盘后悬零件装配模拟检测工装及检测分析方法 |
CN108491952A (zh) * | 2018-01-31 | 2018-09-04 | 南京航空航天大学 | 零件配合性能优化方法及系统 |
CN109583684A (zh) * | 2018-10-15 | 2019-04-05 | 江苏科技大学 | 用于装配序列规划的装配连接关系信息提取与表达方法 |
-
2019
- 2019-06-10 CN CN201910497222.1A patent/CN110360932B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060271217A1 (en) * | 2005-05-31 | 2006-11-30 | Fujitsu Limited | Manufacturing study support device |
JP2009186243A (ja) * | 2008-02-04 | 2009-08-20 | Nippon Steel Corp | 判別装置、判別方法及びプログラム |
CN103759638A (zh) * | 2014-01-10 | 2014-04-30 | 北京力信联合科技有限公司 | 一种零件检测方法 |
CN103870658A (zh) * | 2014-03-27 | 2014-06-18 | 中国科学院自动化研究所 | 一种基于动态规划与遗传算法的装配序列规划方法及装置 |
CN106152935A (zh) * | 2015-03-25 | 2016-11-23 | 苏州北硕检测技术有限公司 | 适用于无特征空间曲面毛坯件的激光测量系统及其加工定位方法 |
CN106557816A (zh) * | 2015-09-30 | 2017-04-05 | 发那科株式会社 | 具备机械学习器以及组装试验器的生产设备 |
CN105443169A (zh) * | 2015-11-11 | 2016-03-30 | 上海交通大学 | 航空发动机多级鼓盘式转子装配装置和装配方法 |
CN108132033A (zh) * | 2017-12-15 | 2018-06-08 | 上汽通用五菱汽车股份有限公司 | 一种汽车底盘后悬零件装配模拟检测工装及检测分析方法 |
CN108491952A (zh) * | 2018-01-31 | 2018-09-04 | 南京航空航天大学 | 零件配合性能优化方法及系统 |
CN109583684A (zh) * | 2018-10-15 | 2019-04-05 | 江苏科技大学 | 用于装配序列规划的装配连接关系信息提取与表达方法 |
Non-Patent Citations (2)
Title |
---|
谭键: "高速列车转向架装配工艺质量优化及评价技术研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
钱九娟 等: "基于人工神经网络法公差配合的优化选择", 《现代机械》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111203884A (zh) * | 2020-01-19 | 2020-05-29 | 吉利汽车研究院(宁波)有限公司 | 机器人控制方法及装置 |
CN111862094A (zh) * | 2020-08-17 | 2020-10-30 | 中车成都机车车辆有限公司 | 一种组装数据采集分析系统 |
CN113096519A (zh) * | 2021-03-25 | 2021-07-09 | 广东南大机器人有限公司 | 工业机器人技能实训考核平台的电机装配训练系统及方法 |
CN113359453A (zh) * | 2021-06-11 | 2021-09-07 | 刘颖妮 | 一种基于人工智能的零件加工装置及其智能车间系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110360932B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110360932A (zh) | 零件在线检测及数据处理平台以及方法 | |
CN106672345B (zh) | 一种工业机器人自动分拣的方法及系统 | |
US20140114461A1 (en) | 3d machine vision scanning information extraction system | |
CN108526622A (zh) | Mes电极智能制造与检测系统、模具智能制造系统及模具制造方法 | |
CN109013405A (zh) | 一种具有铸件表面自主检测及次品分拣功能的机器人系统 | |
US11768574B2 (en) | Graphical user interface for scheduling and monitoring an automated inspection process for batch production | |
US11347368B2 (en) | Automated inspection process for batch production | |
WO2020078333A1 (zh) | 基于agv的多工位自动抽检和返产的方法 | |
CN107527154A (zh) | 一种用于生产制造现场的管理规划和调度执行系统 | |
CN111352398B (zh) | 智能精密加工单元 | |
US20150039121A1 (en) | 3d machine vision scanning information extraction system | |
US20210034043A1 (en) | Industrial manufacturing plant and method for an automated booking of manual activities | |
CN107392385B (zh) | 一种基于质量数据深度分析的生产计划编制方法 | |
CN109597382A (zh) | 煤机制造智能下料生产系统 | |
Kuts et al. | Robot manipulator usage for measurement in production areas | |
Reyna et al. | Product Digital Quality Inspection using Machine Vision Systems–A Categorical Review | |
Azamfirei et al. | Harmonising design and manufacturing: a quality inspection perspective | |
Amejwal et al. | Production Flow Management Based on Industry 4.0 Technologies | |
CN208374399U (zh) | Mes电极智能制造与检测系统、模具智能制造系统 | |
CN107309180A (zh) | 一种具有质检功能的下料机器人及其工作方法 | |
CN209680594U (zh) | 一种分拣传送系统及钢板生产线 | |
Alghamdi et al. | An Integrated Robotic System: 2D-Vision based Inspection Robot with Automated PLC Conveyor System | |
El Assal et al. | In-Situ Control of Conformity Using Vision Sensors Embedded on Industrial Robots | |
Liu et al. | Research on intelligent measurement system of workpiece outer dimension | |
Czajka et al. | Automatisation of multi-parametric quality inspection of rotary symmetrical metal elements |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |