CN111221312A - 机器人在生产线的优化方法、系统及在数字孪生的应用 - Google Patents
机器人在生产线的优化方法、系统及在数字孪生的应用 Download PDFInfo
- Publication number
- CN111221312A CN111221312A CN202010123928.4A CN202010123928A CN111221312A CN 111221312 A CN111221312 A CN 111221312A CN 202010123928 A CN202010123928 A CN 202010123928A CN 111221312 A CN111221312 A CN 111221312A
- Authority
- CN
- China
- Prior art keywords
- robot
- data
- path
- production line
- joint
- 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
- 238000000034 method Methods 0.000 title claims abstract description 134
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 112
- 230000008569 process Effects 0.000 claims abstract description 77
- 238000007726 management method Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 230000033001 locomotion Effects 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 230000001133 acceleration Effects 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 239000000463 material Substances 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 50
- 230000000875 corresponding effect Effects 0.000 claims description 34
- 230000009471 action Effects 0.000 claims description 32
- 230000014509 gene expression Effects 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 230000007704 transition Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 13
- 238000013439 planning Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 238000013461 design Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000005309 stochastic process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000009298 Trigla lyra Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
机器人在生产线的优化方法、系统及在数字孪生的应用,该优化方法为获取并关联制品的物理数据及机器人的工作数据和约束状态数据,通过实时对比每条工艺路线和制品的物流路径的性能指标,选择目前状态下最优的工艺路径和制品的物流路径;计算出机器人在任意时刻的关节位置、关节速度和关节加速度,获得生成机器人优化后的工作数据。优化系统包括:管控系统、现场监控中心、生产设备和控制网络;在数字孪生的应用,能将生产设备的数据与仿真平台实时同步,使机器人与仿真平台上的数字化模型同步。本发明通过柔性地调整工艺路径和在制品的物流路径,即实现了通过动态优化机器人的动作轨迹并应用数字孪生技术对生产线进行的迭代优化控制。
Description
技术领域
本发明涉及生产线的优化方法技术领域,尤其涉及机器人在生产线的优化方法、系统及在数字孪生的应用。
背景技术
现有技术下的机器人生产线设计,主要是通过模块化的设计,从而朝着多规模、多种类、小批量和复杂化的方向发展,形成满足个性化需求的设计方案,配合离线仿真布局分析、示教再现或离线编程技术,实现静态的布局设计和机器人的自动化运维。最大的缺点在:(1)现有机器人生产线设计是通过离线布局仿真到示教再现或离线编程技术来实现布局规划和机器人操作,因此无法将制造执行流程和规划设计流程整合起来,无法实现从设计到执行再到运维全过程的数字化。(2)现有设计方法未能将机器人的数字化模型与上层管控系统集成起来,无法实现“管控系统对机器人数字化模型进行下发生产指令驱动”的动态模拟运行测试;同时,无法实现机器人与现场实物设备之间的指令同步与信息传输,无法真实模拟实际的生产过程,从而使得仿真分析与验证测试结果不具有足够的可信度和说服力。(3)机器人生产线在设计过程中并没有通过理论依据和收集分析的研究,目前只能在现场进行机器人的调试研配,因此机器人和生产线之间具有极高的耦合度,无法实现高程度的柔性化生产,也无法实现分布式的集成设计,提高了设计成本。总而言之,当前的机器人生产线设计模式缺少高效的、动态的、集成的验证测试方法和优化迭代技术。
发明内容
本发明的目的在于提出一种机器人在生产线的优化方法,通过实时对比每条工艺路线和制品的物流路径的性能指标,选择目前状态下最优的工艺路径和制品的物流路径;再计算出机器人在任意时刻的关节位置、关节速度和关节加速度,获得生成机器人优化后的工作数据。
本发明还提出一种机器人在生产线的优化系统,其包括:管控系统、现场监控中心、生产设备和控制网络。
本发明还提出一种机器人在生产线的优化方法在数字孪生的应用,其将生产设备的数据与仿真平台实时同步,使机器人与仿真平台上的数字化模型同步。
为达此目的,本发明采用以下技术方案:
一种机器人在生产线的优化方法,包括以下步骤:
(1)获取制品的物理数据及机器人的工作数据,并相互关联,形成数据库;
(2)获取机器人的工作数据,对生产线的工艺路径和制品的物流路径逐个进行Petri网模型的构建,建立对应的关联矩阵,解出不变量令牌P的集合;根据机器人的工作数据随机设定变迁T的集合,再依此通过建立可达树和/或可达图,求出生产线可能到达的状态;根据已得出的可达树和/或可达图,以及转移速率,构造出与Petri网模型等价的马尔科夫链,根据马尔科夫过程有下列线性方程组:
解线性方程组,计算出对应生产线的工艺路径和制品的物流路径下的性能指标表达式,将该性能指标表达式作为粒子群算法的适应度函数表达式,迭代执行粒子群算法:通过实时对比每条工艺路线和制品的物流路径的性能指标,选择目前状态下最优的工艺路径和制品的物流路径;
(3)获取机器人的关节位移,并结合步骤(2)中变迁T的集合中的时间元素,求出关节速度和关节加速度;输出最优解,并代入由步骤(1)中机器人的约束方程(约束方程为机器人真实的约束条件推算出),确定好高阶多项式,使机器人通过轨迹上的所有节点,形成机器人优化后的工作数据,得到机器人在任意时刻的关节位置、关节速度和关节加速度,完成机器人动作轨迹规划算法的编写;
(4)根据步骤(2)选定的工艺路径和物流路径,得到机器人作业的路径节点、起点与终点;输入机器人动作轨迹规划算法中,实时生成机器人的动作轨迹。
更进一步说明,所述步骤(2)中,解线性方程时,根据若干组变迁T的集合中的时间元素作为算法的初始解,即为粒子初始位置,代入速度更新公式得到粒子初始速度,将粒子初始位置和初始速度代入适应度函数表达式中得到相应的适应值,取其中适应值最好的粒子的位置来更新Pid和Pgd,然后根据速度更新公式和位置更新公式迭代更新粒子的位置和速度,直到迭代次数达到所设定最大迭代次数或全局最优位置满足最小界限,此时适应值最好的粒子即为适应度最好的一组变迁T的集合,得到对应的适应值即对应的工艺路线和制品的物流路径两者的性能指标;
更进一步说明,所述步骤(1)中,获取制品的物理数据及机器人的工作数据,利用ETL工具完成数据整合和清洗分析之后,经相互关联,形成存储在管控系统的数据库。
更进一步说明,所述步骤(1)中,MES系统上投放订单,通过已有数字孪生模型的上行信息通道,根据工序先后顺序获取制品的物理数据及机器人的工作数据,并建立相互关联的数据存储在管控系统的数据库。
更进一步说明,所述步骤(3)中,通过机器人反求方法求出关节位移;结合步骤(2)计算出的变迁T的集合中的时间元素,通过逆雅可比矩阵方法求出关节速度;通过逆雅可比矩阵及其导数求出关节加速度。
更进一步说明,所述步骤(1)中,通过集成在制品的数据接口、取货位置的数据接口和卸货位置的数据接口,从数字孪生技术的上行信息通道中获取相关的数据包括:机器人作业的各个动作路径节点,以及动作路径的起点和终点。
更进一步说明,还包括步骤(5):机器人应用优化后的工作数据,使机器人依工作数据执行动作;重复迭代执行步骤(1)-(4)。
一种机器人在生产线的优化方法在数字孪生的应用,包括以下步骤:
(S1)将生产线数字化,并对生产线的构型与动型设计;
(S2)建立生产线数字孪生模型,进行整线集成测试与联调;
(S3)集成上层智能驱动引擎,进行设计与执行迭代优化方法,迭代优化方法为权利要求1-7任意一项所述的优化方法。
一种机器人在生产线的优化系统,包括:管控系统、现场监控中心、生产设备和控制网络;
所述管控系统,用于对生产线的工艺路径和制品的物流路径逐个进行Petri网模型的构建,建立对应的关联矩阵,解出不变量令牌P的集合;根据机器人的工作数据随机设定变迁T的集合,再依此通过建立可达树和/或可达图,求出生产线可能到达的状态;根据已得出的可达树和/或可达图,以及转移速率,构造出与Petri网模型等价的马尔科夫链;解马尔科夫过程的线性方程组,计算出对应生产线的工艺路径和制品的物流路径下的性能指标表达式,将该性能指标表达式作为粒子群算法的适应度函数表达式,迭代执行粒子群算法:通过实时对比每条工艺路线和制品的物流路径的性能指标,选择目前状态下最优的工艺路径和制品的物流路径;
所述管控系统还用于,接收机器人的关节位移后,结合变迁T的集合中的时间元素,求出关节速度和关节加速度;输出最优解,并代入机器人的约束方程,确定好高阶多项式,使机器人通过轨迹上的所有节点,形成机器人优化后的工作数据,得到机器人在任意时刻的关节位置、关节速度和关节加速度,完成机器人动作轨迹规划算法的编写;
所述现场监控中心,用于获取所述生产设备的数据,并发送至管控中心;
所述生产设备,包括:生产线和机器人,用于生产或加工物料;
所述控制网络,连接所述管控系统、所述现场监控中心和所述生产设备,用于所述管控系统、所述现场监控中心和所述生产设备三者之间的实时数据交换。
更进一步说明,还包括:仿真平台系统;
所述控制网络,连接所述仿真平台系统,用于所述管控系统、所述现场监控中心、所述生产设备和所述仿真平台系统四者之间的实时数据交换;
所述仿真平台系统,设有带有动作脚本和数据接口的数字化模型;所述数字化模型与所述生产设备实时同步运行。
本发明的有益效果:
本发明通过柔性地调整工艺路径和在制品的物流路径,实现动态优化机器人的取放货运行逻辑和动作轨迹,减少完成预定动作目标所需要的时间和路程。即实现了通过动态优化机器人的动作轨迹并应用数字孪生技术对生产线进行的迭代优化控制。
附图说明
图1是机器人在生产线的优化方法在数字孪生的应用的流程图;
图2是机器人在生产线的系统。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
一种机器人在生产线的优化方法,包括以下步骤:
(1)获取制品的物理数据及机器人的工作数据,并相互关联,形成数据库;
机器人的工作数据包括:工作状态数据、路径约束状态和障碍约束状态数据;
(2)获取机器人的工作数据,对生产线的工艺路径和制品的物流路径逐个进行Petri网模型的构建,建立对应的关联矩阵,解出不变量令牌P的集合;根据机器人的工作数据随机设定变迁T的集合,再依此通过建立可达树和/或可达图,求出生产线可能到达的状态;根据已得出的可达树和/或可达图,以及转移速率,构造出与Petri网模型等价的马尔科夫链,根据马尔科夫过程有下列线性方程组:
马尔科夫过程:
1.X或X(t)为马尔科夫过程的一个个独立随机过程xi的集合,即某一独立随机过程在t时刻处于状态xi,这一系列xi集合即为X(t);
2.齐次马尔科夫链具有平稳转移概率的性质,即所有转移概率之和等于1;
3.由于设该状态空间零可返,则独立随机过程集合X与返回概率集合Q乘积为零。
解线性方程组,计算出对应生产线的工艺路径和制品的物流路径下的性能指标表达式,将该性能指标表达式作为粒子群算法的适应度函数表达式,迭代执行粒子群算法:通过实时对比每条工艺路线和制品的物流路径的性能指标,选择目前状态下最优的工艺路径和制品的物流路径;
(3)获取机器人的关节位移,并结合步骤(2)中变迁T的集合中的时间元素,求出关节速度和关节加速度;输出最优解,并代入由步骤(1)中机器人的约束方程(约束方程由步骤1的机器人真实的约束条件推算出),确定好高阶多项式,使机器人通过轨迹上的所有节点,形成机器人优化后的工作数据,得到机器人在任意时刻的关节位置、关节速度和关节加速度,完成机器人动作轨迹规划算法的编写;
(4)根据步骤(2)选定的工艺路径和物流路径,得到机器人作业的路径节点、起点与终点;输入机器人动作轨迹规划算法中,实时生成机器人的动作轨迹。
更进一步说明,所述步骤(2)中,解线性方程时,根据若干组变迁T的集合中的时间元素作为算法的初始解,即为粒子初始位置,代入速度更新公式得到粒子初始速度,将粒子初始位置和初始速度代入适应度函数表达式中得到相应的适应值,取其中适应值最好的粒子的位置来更新Pid和Pgd,然后根据速度更新公式和位置更新公式迭代更新粒子的位置和速度,直到迭代次数达到所设定最大迭代次数或全局最优位置满足最小界限,此时适应值最好的粒子即为适应度最好的一组变迁T的集合,得到对应的适应值即对应的工艺路线和制品的物流路径两者的性能指标;
c1,c2—学习因子,调节学习的最大步长;
r1,r2—随机函数,取值范围[0,1],以增加搜索随机性;
ω—惯性权重,调节对角空间的搜索能力;
Pid为粒子i经历过的历史最好位置;Pgd为群体内或领域内,所有粒子所经历过的最好位置。
更进一步说明,所述步骤(1)中,获取制品的物理数据及机器人的工作数据,利用ETL工具完成数据整合和清洗分析之后,经相互关联,形成存储在管控系统的数据库。
更进一步说明,所述步骤(1)中,MES系统上投放订单,通过已有数字孪生模型的上行信息通道,根据工序先后顺序获取制品的物理数据及机器人的工作数据,并建立相互关联的数据存储在管控系统的数据库。
更进一步说明,所述步骤(3)中,通过机器人反求方法求出关节位移;结合步骤(2)计算出的变迁T的集合中的时间元素,通过逆雅可比矩阵方法求出关节速度;通过逆雅可比矩阵及其导数求出关节加速度。
更进一步说明,所述步骤(1)中,通过集成在制品的数据接口、取货位置的数据接口和卸货位置的数据接口,从数字孪生技术的上行信息通道中获取相关的数据包括:机器人作业的各个动作路径节点,以及动作路径的起点和终点。
更进一步说明,还包括步骤(5):机器人应用优化后的工作数据,使机器人依工作数据执行动作;重复迭代执行步骤(1)-(4)。
一种机器人在生产线的优化方法在数字孪生的应用,包括以下步骤:
(S1)将生产线数字化,并对生产线的构型与动型设计;
(S2)建立生产线数字孪生模型,进行整线集成测试与联调;
(S3)集成上层智能驱动引擎,进行设计与执行迭代优化方法,迭代优化方法为权利要求1-7任意一项所述的优化方法。
生产设备的数据包括:工艺路径、制品的物流路径、机器人的工作数据等生产线,和/或机器人,和/或制品的物理数据。
一种机器人在生产线的优化系统,包括:管控系统、现场监控中心、生产设备和控制网络;
所述管控系统,用于对生产线的工艺路径和制品的物流路径逐个进行Petri网模型的构建,建立对应的关联矩阵,解出不变量令牌P的集合;根据机器人的工作数据随机设定变迁T的集合,再依此通过建立可达树和/或可达图,求出生产线可能到达的状态;根据已得出的可达树和/或可达图,以及转移速率,构造出与Petri网模型等价的马尔科夫链;解马尔科夫过程的线性方程组,计算出对应生产线的工艺路径和制品的物流路径下的性能指标表达式,将该性能指标表达式作为粒子群算法的适应度函数表达式,迭代执行粒子群算法:通过实时对比每条工艺路线和制品的物流路径的性能指标,选择目前状态下最优的工艺路径和制品的物流路径;
所述管控系统还用于,接收机器人的关节位移后,结合变迁T的集合中的时间元素,求出关节速度和关节加速度;输出最优解,并代入机器人的约束方程,确定好高阶多项式,使机器人通过轨迹上的所有节点,形成机器人优化后的工作数据,得到机器人在任意时刻的关节位置、关节速度和关节加速度,完成机器人动作轨迹规划算法的编写;
管控系统,设有MES系统,用于投放订单;其接收制品的物理数据及机器人的工作数据后,建立相互关联的数据存储在管控系统的数据库;管控系统还用于利用ETL工具完成数据整合和清洗分析之后,建立相互关联的数据存储在管控系统的数据库;
所述现场监控中心,用于获取所述生产设备中现场信息的数据,并经计算后以状态信息的形式发送至管控中心;
现场监控中心能根据工序先后顺序获取制品的物理数据及机器人的工作数据;同时,能获取机器人的关节位移,将其发送至管控中心;
如获取制品的物理数据及机器人的工作数据,将数据反馈至管控系统;
所述生产设备,包括:生产线和机器人;
所述生产线用于将制品依次传送至机器人;所述机器人用于将制品加工;生产线的取货位置设有数据接口,在卸货位置设有数据接口;
所述控制网络,连接所述管控系统、所述现场监控中心和所述生产设备,用于所述管控系统、所述现场监控中心和所述生产设备三者之间的实时数据交换。
更进一步说明,还包括:仿真平台系统;
所述控制网络,连接所述仿真平台系统,用于所述管控系统、所述现场监控中心、所述生产设备和所述仿真平台系统四者之间的实时数据交换;
所述仿真平台系统,设有带有动作脚本和数据接收接口的数字化模型;所述数字化模型与所述生产设备实时同步运行。
管控系统接收现场监控中心的现场信息,能向控制网络发出生产指令;控制网络接收到生产指令时,会生成数字/脉冲指令发送至生产设备,以控制生产设备的工作;生产设备将现场信息经控制网络发送现场监控中心,现场监控中心以经计算后以状态信息的形式反馈至管控系统。
实施例:
本发明立足于如下前提:
(1)完成了机器人设备与相应生产线的三维数字化建模工作,建立了机器人设备与相应生产线的数字化模型,其中机器人设备为通用三维CAD模型,具有清晰的产品结构,机器人设备的运动部件可独立表示与标识;
(2)构建可进行三维近物理虚拟仿真设计的开放式信息集成平台,已经装载机器人设备和相应生产线的虚拟装备,可以通过脚本控制设备的动作或在制品的运动,具备软PLC功能;
(3)搭建虚拟控制网络(车间物联),运用数字孪生技术构建虚实同步的实物仿真平台,使得单机实物可以与数字化整线上对应的单机数字化模型实现动作同步化,实现以机器人为核心的生产线的虚实同步;
(4)已集成上层MES系统或其执行引擎,实现整线在生成MES系统指令下运行,同时也将整线数字孪生模型执行情况(工单完成信息、随机故障等)反馈回MES系统,实现在线模拟运行。
(5)已将传统的串行化生产线定制设计过程转变成并行化过程,首先,以车间的虚拟设计过程取代传统的整体方案设计,这一过程将形成车间的三维数字孪生模型,包括车间布局、设备动作、在制品运动方式等,并完成了初步的设计优化;然后,各类设计师以该车间的三维数字孪生模型为蓝本,同时进行单机装备、控制系统、执行系统的研发,并通过虚拟控制网络与三维数字孪生模型进行集成与同步,同步进行联机调试,以此实现并行化的研发过程,减少设计物产品,缩短设计周期。
机器人在生产线的优化方法,包括:
(1)在管控系统内的MES系统上投放一批订单,得到相应的整线运行结果,同时通过已有的数字孪生模型的上行信息通道;现场监控中心根据工序先后顺序获取在制品的面积、高度、质量、速度等物理数据,获取机器人的工作状态数据、路径约束状态和障碍约束状态数据,获取机器人生产线各个工艺流程的工作数据,并通过控制网络送至管控系统;管控系统利用ETL工具完成数据整合和清洗分析之后,建立一个相互关联的存储在管控系统的数据库,便于后续步骤的调用。
(2)通过管控系统中的数据库读取机器人生产线各个工艺流程的工作数据,并利用Petri网技术,对所有的工艺路径和在制品物流路径逐个进行Petri网模型的构建,然后根据该Petri网模型建立其对应的关联矩阵,从而求解出不变量令牌P的集合,同时根据约束情况随机设定变迁T的集合,再依此通过建立可达树和可达图,求出所有系统可能到达的状态,接着根据已得出的可达树和转移速率,构造出与原Petri网模型等价的马尔科夫链,根据马尔科夫过程有下列线性方程组:
解此方程组,即可得到每个可达标识的稳定概率表达式,进而计算出对应工艺路线和在制品物流路径下的性能指标表达式(如利用率、阻塞率、故障率等),将该表达式作为粒子群算法的适应度函数表达式,迭代执行粒子群算法:即把根据约束随机设定的若干组变迁T的集合中的元素(即各个工序的时间)作为算法的初始解即为粒子初始位置,并代入速度更新公式得到粒子初始速度,将粒子初始位置和初始速度代入适应度函数表达式中得到相应的适应值,取其中适应值最好的粒子的位置来更新Pid(粒子i经历过的历史最好位置)和Pgd(群体内(或领域内)所有粒子所经历过的最好位置),然后根据速度更新公式和位置更新公式迭代更新粒子的位置和速度,直到迭代次数达到所设定最大迭代次数或全局最优位置满足最小界限,此时适应值最好的粒子即为适应度最好的一组变迁T的集合,并得到对应的适应值即对应的工艺路线和在制品物流路径的性能指标;
c1,c2—学习因子,调节学习的最大步长;
r1,r2—随机函数,取值范围[0,1],以增加搜索随机性;
ω—惯性权重,调节对角空间的搜索能力;
Pid为粒子i经历过的历史最好位置;Pgd为群体内或领域内,所有粒子所经历过的最好位置。
管控系统通过实时对比每条工艺路线和在制品物流路径的性能指标,从而可以选择目前状态下最优工艺路径和在制品物流路径,实现动态实时地对工艺路线和在制品物流路径的简化优化处理。并将该最优工艺路径和在制品物流路径对应的变迁T的集合(其元素为各个工序时间)上传到管控系统之中的数据库之中进行存储;
(3)根据机器人顺逆运动学和动力学的相关知识,综合运用Pieper Solution、Geometric Solution等机器人反求方法求出关节位移,再结合步骤(2)计算出的变迁T的集合中的时间元素,用逆雅可比矩阵方法求出关节速度,最后用逆雅可比矩阵及其导数求出关节加速度;此时求出的各个数值均为多重解,为了保证机器人的动作时序安全并且轨迹不发生干涉冲突,需要综合考虑到障碍约束和路径约束以及动力学约束等约束关系的存在,输出相应的最优解(也可能是多重解),最终代入使其通过轨迹上的所有节点(由于对路径上的每一点都求取高阶多项式的计算量过于庞大,故将运动轨迹分为不同的运动段采用不同的低次多项式,然后将他们平滑过渡地连接在一起以满足各点的边界条件),得到任意时刻的关节位置、速度和加速度,完成机器人动作轨迹规划算法的编写,机器人的关节驱动器可根据输出的工作数据同步驱动机器人关节到达指定位置。
通过集成在制品物理数据接口和取卸货位置数据接口,并从数字孪生技术的上行信息通道中获取相关数据,从而可以得到机器人作业的各个动作路径节点以及动作路径的起终点,输入算法之中进行从取货位置到卸货位置的动作轨迹计算,形成机器人动作轨迹规划系统并加入控制网络之中,从而可以根据上述优化后的工艺路径和在制品的物流路径,迅速得到切换到该路径下的每个机器人各个关节所需的运动量和运动方向,实时生成机器人的动作轨迹;管控系统对动作轨迹生成的生产指令,通过控制网络,使生产设备中机器人可以实时快速响应控优化得出的路径切换,及时应用优化后的工作数据;
同时将机器人的动作轨迹参数实时通过数字孪生技术的上行信息通道传输到仿真平台上的数字化模型动作脚本的函数接口之中,使其实现相同的动作,实现动作轨迹的虚实之间的实时同步。最终得以柔性地调整工艺路径和在制品的物流路径,实现动态优化机器人的取放货运行逻辑和动作轨迹,减少完成预定动作目标所需要的时间和路程。
名词解释:
MES系统:MES系统又称为制造执行系统,旨在加强MRP计划的执行功能,把MRP计划同车间作业现场控制,通过执行系统联系起来。这里的现场控制包括PLC程控器、数据采集器、条型码、各种计量及检测仪器、机械手等。MES系统设置了必要的接口,与提供生产现场控制设施的厂商建立合作关系。制造执行系统MES能够帮助企业实现生产计划管理、生产过程控制、产品质量管理、车间库存管理、项目看板管理等,提高企业制造执行能力。
上行信息通道:以车间现场总线为基础,串联起设备实物、控制网络、现场监控中心和管控系统的信息上行链路,实现将现场信息逐层向上传递到控制网络、现场监控中心,从而得到车间状态信息,再将其向上传递到管控系统进行进一步的处理。
路径约束状态和障碍约束状态数据:根据所需的运动路径的要求和实际障碍的存在,得到所有可能的机器人动作的起始点坐标、终止点坐标、根据障碍情况得到的路径点坐标以及机器人关节速度、加速度等相关数据,从而得到对应的路径约束方程和障碍约束方程。
ETL工具:ETL(Extract-Transform-Load)用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程。ETL(or ELT)的流程可以用任何的编程语言去开发完成,由于ETL是极为复杂的过程,而手写程序不易管理,有愈来愈多的企业采用工具协助ETL的开发,并运用其内置的metadata功能来存储来源与目的的对应(mapping)以及转换规则。工具可以提供较强大的连接功能(connectivity)来连接来源端及目的端,开发人员不用去熟悉各种相异的平台及数据的结构,亦能进行开发。
数据整合和清洗分析:数据清洗(Data cleaning)–对数据进行重新审查和校验的过程,目的在于删除重复信息,纠正存在的错误,并提供数据一致性。数据整合是把在不同数据源的数据收集、整理和清洗,转换后加载到一个新的数据源,为数据消费者提供统一数据视图的数据集成方式。
Petri网技术:Petri网是对离散并行系统的数学表示。Petri网适合于描述异步的、并发的计算机系统模型。Petri网既有严格的数学表述方式,也有直观的图形表达方式,既有丰富的系统描述手段和系统行为分析技术,又为计算机科学提供坚实的概念基础。
令牌P:令牌(Token)是库所中的动态对象,可以从一个库所移动到另一个库所。
马尔科夫链:马尔科夫链(Markov Chain,MC)是概率论和数理统计中具有马尔科夫性质(Markov property)且存在于离散的指数集(index set)和状态空间(state space)内的随机过程(stochastic process)。
粒子群算法:通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能的一种。
适应度函数表达式:适应度函数表达式是描述个体性能的主要指标。根据适应度的大小,对个体进行优胜劣汰。适应度是驱动粒子群算法的动力。
高阶多项式:高阶多项式(polynomial)是指由多个变量、系数以及它们之间的加、减、乘、幂运算(非负整数次方)得到的最高项次数大于2的表达式。这里的多项式是由所有的约束条件方程唯一确定的。
Geometric Solution:将空间切割成多个几何平面,根据其中存在即几何关系进行机器人逆向运动求解。
Piper Solution:若机器人满足下列两个条件:
1、三个相邻关节轴相交于一点;
2、三个相邻关节轴相互平行;
则可应用D-H法建立运动学方程的基础上,进行一定的解析计算,得到有效的封闭解。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (10)
1.一种机器人在生产线的优化方法,其特征在于,包括以下步骤:
(1)获取制品的物理数据及机器人的工作数据,并相互关联,形成数据库;
(2)获取机器人的工作数据,对生产线的工艺路径和制品的物流路径逐个进行Petri网模型的构建,建立对应的关联矩阵,解出不变量令牌P的集合;根据机器人的工作数据随机设定变迁T的集合,再依此通过建立可达树和/或可达图,求出生产线可能到达的状态;根据已得出的可达树和/或可达图,以及转移速率,构造出与Petri网模型等价的马尔科夫链,根据马尔科夫过程有下列线性方程组:
解线性方程组,计算出对应生产线的工艺路径和制品的物流路径下的性能指标表达式,将该性能指标表达式作为粒子群算法的适应度函数表达式,迭代执行粒子群算法:通过实时对比每条工艺路线和制品的物流路径的性能指标,选择目前状态下最优的工艺路径和制品的物流路径;
(3)获取机器人的关节位移,并结合步骤(2)中变迁T的集合中的时间元素,求出关节速度和关节加速度;输出最优解,并代入由步骤(1)中机器人的约束方程,确定好高阶多项式,使机器人通过轨迹上的所有节点,形成机器人优化后的工作数据,得到机器人在任意时刻的关节位置、关节速度和关节加速度,完成机器人动作轨迹规划算法的编写;
(4)根据步骤(2)选定的工艺路径和物流路径,得到机器人作业的路径节点、起点与终点;输入机器人动作轨迹规划算法中,实时生成机器人的动作轨迹。
3.根据权利要1所述的一种机器人在生产线的优化方法,其特征在于,所述步骤(1)中,获取制品的物理数据及机器人的工作数据,利用ETL工具完成数据整合和清洗分析之后,经相互关联,形成存储在管控系统的数据库。
4.根据权利要1所述的一种机器人在生产线的优化方法,其特征在于,所述步骤(1)中,MES系统上投放订单,通过已有数字孪生模型的上行信息通道,根据工序先后顺序获取制品的物理数据及机器人的工作数据,并建立相互关联的数据存储在管控系统的数据库。
5.根据权利要求1所述的一种机器人在生产线的优化方法,其特征在于,所述步骤(3)中,通过机器人反求方法求出关节位移;结合步骤(2)计算出的变迁T的集合中的时间元素,通过逆雅可比矩阵方法求出关节速度;通过逆雅可比矩阵及其导数求出关节加速度。
6.根据权利要求1所述的一种机器人在生产线的优化方法,其特征在于,所述步骤(1)中,通过集成在制品的数据接口、取货位置的数据接口和卸货位置的数据接口,从数字孪生技术的上行信息通道中获取相关的数据包括:机器人作业的各个动作路径节点,以及动作路径的起点和终点。
7.根据权利要求1-6任意一项所述的一种机器人在生产线的优化方法,其特征在于,还包括步骤(5):机器人应用优化后的工作数据,使机器人依工作数据执行动作;重复迭代执行步骤(1)-(4)。
8.一种机器人在生产线的优化方法在数字孪生的应用,其特征在于,包括以下步骤:
(S1)将生产线数字化,并对生产线的构型与动型设计;
(S2)建立生产线数字孪生模型,进行整线集成测试与联调;
(S3)集成上层智能驱动引擎,进行设计与执行迭代优化方法,迭代优化方法为权利要求1-7任意一项所述的优化方法。
9.一种机器人在生产线的优化系统,其特征在于,包括:管控系统、现场监控中心、生产设备和控制网络;
所述管控系统,用于对生产线的工艺路径和制品的物流路径逐个进行Petri网模型的构建,建立对应的关联矩阵,解出不变量令牌P的集合;根据机器人的工作数据随机设定变迁T的集合,再依此通过建立可达树和/或可达图,求出生产线可能到达的状态;根据已得出的可达树和/或可达图,以及转移速率,构造出与Petri网模型等价的马尔科夫链;解马尔科夫过程的线性方程组,计算出对应生产线的工艺路径和制品的物流路径下的性能指标表达式,将该性能指标表达式作为粒子群算法的适应度函数表达式,迭代执行粒子群算法:通过实时对比每条工艺路线和制品的物流路径的性能指标,选择目前状态下最优的工艺路径和制品的物流路径;
所述管控系统还用于,接收机器人的关节位移后,结合变迁T的集合中的时间元素,求出关节速度和关节加速度;输出最优解,并代入机器人的约束方程,确定好高阶多项式,使机器人通过轨迹上的所有节点,形成机器人优化后的工作数据,得到机器人在任意时刻的关节位置、关节速度和关节加速度,完成机器人动作轨迹规划算法的编写;
所述现场监控中心,用于获取所述生产设备的数据,并发送至管控中心;
所述生产设备,包括:生产线和机器人,用于生产或加工物料;
所述控制网络,连接所述管控系统、所述现场监控中心和所述生产设备,用于所述管控系统、所述现场监控中心和所述生产设备三者之间的实时数据交换。
10.根据权利要求9所述的一种机器人在生产线的优化系统,其特征在于,还包括:仿真平台系统;
所述控制网络,连接所述仿真平台系统,用于所述管控系统、所述现场监控中心、所述生产设备和所述仿真平台系统四者之间的实时数据交换;
所述仿真平台系统,设有带有动作脚本和数据接口的数字化模型;所述数字化模型与所述生产设备实时同步运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123928.4A CN111221312B (zh) | 2020-02-27 | 2020-02-27 | 机器人在生产线的优化方法、系统及在数字孪生的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123928.4A CN111221312B (zh) | 2020-02-27 | 2020-02-27 | 机器人在生产线的优化方法、系统及在数字孪生的应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111221312A true CN111221312A (zh) | 2020-06-02 |
CN111221312B CN111221312B (zh) | 2020-10-09 |
Family
ID=70832553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010123928.4A Active CN111221312B (zh) | 2020-02-27 | 2020-02-27 | 机器人在生产线的优化方法、系统及在数字孪生的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111221312B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111752243A (zh) * | 2020-06-12 | 2020-10-09 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 生产线可靠性测试方法、装置、计算机设备和存储介质 |
CN112637276A (zh) * | 2020-12-08 | 2021-04-09 | 电子科技大学 | 一种基于数字孪生技术的多用户计算迁移方法 |
CN113189947A (zh) * | 2021-04-27 | 2021-07-30 | 浙江大学 | 基于plc数据的装配生产线数字孪生实时动作仿真方法 |
CN113538993A (zh) * | 2021-06-02 | 2021-10-22 | 上海贽匠智能科技有限公司 | 一种基于数字孪生技术的实训一体机 |
CN113655717A (zh) * | 2021-08-16 | 2021-11-16 | 中冶东方工程技术有限公司 | 一种自动控制配矿料槽连续加料方法和系统 |
CN113759753A (zh) * | 2021-08-31 | 2021-12-07 | 广东利元亨智能装备股份有限公司 | 一种基于数字孪生平台的仿真调试系统 |
CN114265364A (zh) * | 2021-12-21 | 2022-04-01 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
CN114770508A (zh) * | 2022-05-05 | 2022-07-22 | 广州东焊智能装备有限公司 | 一种基于工业机器人的自动装配生产线 |
CN116300777A (zh) * | 2023-05-25 | 2023-06-23 | 湖北工业大学 | 一种智能工业生产线的模块化建模方法及系统 |
CN116423514A (zh) * | 2023-04-27 | 2023-07-14 | 深圳墨影科技有限公司 | 基于机器人产业链模块化设计的数据部署系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011115960A1 (en) * | 2010-03-17 | 2011-09-22 | Raytheon Company | Temporal tracking robot control system |
CN102799179A (zh) * | 2012-07-06 | 2012-11-28 | 山东大学 | 基于单链序贯回溯q学习的移动机器人路径规划算法 |
CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
CN108326852A (zh) * | 2018-01-16 | 2018-07-27 | 西北工业大学 | 一种多目标优化的空间机械臂轨迹规划方法 |
CN109343345A (zh) * | 2018-09-28 | 2019-02-15 | 江南大学 | 基于qpso算法的机械臂多项式插值轨迹规划方法 |
CN109940623A (zh) * | 2018-10-26 | 2019-06-28 | 广东工业大学 | 一种应用于焊缝的机器人路径规划方法 |
US20190275675A1 (en) * | 2018-03-09 | 2019-09-12 | Hitachi, Ltd. | Trajectory planning apparatus, trajectory planning method, and production system |
-
2020
- 2020-02-27 CN CN202010123928.4A patent/CN111221312B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011115960A1 (en) * | 2010-03-17 | 2011-09-22 | Raytheon Company | Temporal tracking robot control system |
CN102799179A (zh) * | 2012-07-06 | 2012-11-28 | 山东大学 | 基于单链序贯回溯q学习的移动机器人路径规划算法 |
CN107150341A (zh) * | 2017-06-13 | 2017-09-12 | 南京理工大学 | 一种基于离散粒子群算法的焊接机器人焊接路径规划方法 |
CN108326852A (zh) * | 2018-01-16 | 2018-07-27 | 西北工业大学 | 一种多目标优化的空间机械臂轨迹规划方法 |
US20190275675A1 (en) * | 2018-03-09 | 2019-09-12 | Hitachi, Ltd. | Trajectory planning apparatus, trajectory planning method, and production system |
CN109343345A (zh) * | 2018-09-28 | 2019-02-15 | 江南大学 | 基于qpso算法的机械臂多项式插值轨迹规划方法 |
CN109940623A (zh) * | 2018-10-26 | 2019-06-28 | 广东工业大学 | 一种应用于焊缝的机器人路径规划方法 |
Non-Patent Citations (2)
Title |
---|
卓弘阳: "基于改进粒子群算法的机器人工作单元布局优化", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张树林: "一种机器人搬运生产线的调度优化方法及实验平台设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111752243A (zh) * | 2020-06-12 | 2020-10-09 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 生产线可靠性测试方法、装置、计算机设备和存储介质 |
CN112637276A (zh) * | 2020-12-08 | 2021-04-09 | 电子科技大学 | 一种基于数字孪生技术的多用户计算迁移方法 |
CN113189947A (zh) * | 2021-04-27 | 2021-07-30 | 浙江大学 | 基于plc数据的装配生产线数字孪生实时动作仿真方法 |
CN113538993A (zh) * | 2021-06-02 | 2021-10-22 | 上海贽匠智能科技有限公司 | 一种基于数字孪生技术的实训一体机 |
CN113655717B (zh) * | 2021-08-16 | 2023-09-22 | 中冶东方工程技术有限公司 | 一种自动控制配矿料槽连续加料方法和系统 |
CN113655717A (zh) * | 2021-08-16 | 2021-11-16 | 中冶东方工程技术有限公司 | 一种自动控制配矿料槽连续加料方法和系统 |
CN113759753A (zh) * | 2021-08-31 | 2021-12-07 | 广东利元亨智能装备股份有限公司 | 一种基于数字孪生平台的仿真调试系统 |
CN114265364A (zh) * | 2021-12-21 | 2022-04-01 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
CN114265364B (zh) * | 2021-12-21 | 2023-10-03 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
CN114770508B (zh) * | 2022-05-05 | 2023-08-22 | 广州东焊智能装备有限公司 | 一种基于工业机器人的自动装配生产线 |
CN114770508A (zh) * | 2022-05-05 | 2022-07-22 | 广州东焊智能装备有限公司 | 一种基于工业机器人的自动装配生产线 |
CN116423514A (zh) * | 2023-04-27 | 2023-07-14 | 深圳墨影科技有限公司 | 基于机器人产业链模块化设计的数据部署系统及方法 |
CN116423514B (zh) * | 2023-04-27 | 2024-05-24 | 深圳墨影科技有限公司 | 基于机器人产业链模块化设计的数据部署系统及方法 |
CN116300777A (zh) * | 2023-05-25 | 2023-06-23 | 湖北工业大学 | 一种智能工业生产线的模块化建模方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111221312B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111221312B (zh) | 机器人在生产线的优化方法、系统及在数字孪生的应用 | |
Jiang et al. | How to model and implement connections between physical and virtual models for digital twin application | |
CN110399642A (zh) | 一种针对生产流水线的数字孪生体及其构建方法和应用 | |
CN112800668A (zh) | 基于数字孪生的复杂产品运维与制造集成总体模型 | |
CN107832497A (zh) | 一种智能车间快速定制设计方法及系统 | |
Čech et al. | Digital twins and ai in smart motion control applications | |
US11209798B1 (en) | Robotic workspace layout planning | |
CN112800606A (zh) | 数字孪生产线构建方法、系统、电子设备及存储介质 | |
Macías et al. | Simulation and optimization of logistic and production systems using discrete and continuous Petri nets | |
CN113128041A (zh) | 基于数字孪生虚拟技术的数字工厂mes系统开发方法 | |
Wiendahl et al. | Modeling and simulation of assembly systems | |
CN116079747A (zh) | 机器人跨具身控制方法、系统、计算机设备和存储介质 | |
Hoover et al. | Industry 4.0 trends in intelligent manufacturing automation exploring machine learning | |
CN115859521A (zh) | 基于神经网络的铣削加工误差重建方法及系统 | |
CN114609969A (zh) | 一种基于云计算的数控机床轨迹误差补偿方法 | |
Ng et al. | Virtual factories with knowledge-driven optimization as a new research profile | |
Barata et al. | Integration of Object Oriented Programming and Petri Nets for Modelling and Supervision of FMS/FAS | |
Kovaliuk et al. | Development of Technological Process Control System Based on Industry 4.0 | |
CN116985151B (zh) | 一种约束桁架内机械臂强化学习避障规划与训练方法 | |
TWI806148B (zh) | 基於數位孿生的物料處理方法 | |
Sineglazov et al. | Intelligent integrated cads of navigation equipment testing system | |
Aiza | Collision-free path planning for industrial robot applications | |
Lindberg et al. | Sequence optimization using reinforcement learning in RobotStudio | |
Danielsen | Vision-based robotic grasping in simulation using deep reinforcement learning | |
Poot et al. | Design and Production Automation for Mass Customisation–An Initial Framework Proposal Evaluated in Engineering Education and SME Contexts |
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 |