CN111583206B - 一种机器人智能磨削及检测方法、终端设备及存储介质 - Google Patents
一种机器人智能磨削及检测方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN111583206B CN111583206B CN202010347819.0A CN202010347819A CN111583206B CN 111583206 B CN111583206 B CN 111583206B CN 202010347819 A CN202010347819 A CN 202010347819A CN 111583206 B CN111583206 B CN 111583206B
- Authority
- CN
- China
- Prior art keywords
- blade
- grinding
- ground
- processed
- processing
- 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.)
- Active
Links
- 238000000227 grinding Methods 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 115
- 238000003754 machining Methods 0.000 claims abstract description 41
- 238000007689 inspection Methods 0.000 claims description 9
- 238000005498 polishing Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010923 batch production Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007517 polishing process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 206010040925 Skin striae Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明公开了一种机器人智能磨削及检测方法、终端设备及存储介质，其方法包括步骤：S100：获取待加工叶片的表面图像数据以得到所述待加工叶片的一个以上第一待磨削区域的加工参数；S200：根据所述加工参数，磨削每一所述第一待磨削区域；S300：重复上述步骤，直至所述待加工叶片的表面图像数据满足预设表面图像参数，使得所述待加工叶片形成初步加工叶片；S400：获取所述初步加工叶片的叶片加工数据，当所述叶片加工数据满足预设叶片加工参数时，所述初步加工叶片为成品叶片。本发明实现了待加工叶片“测量‑加工”自适应闭环且无人化加工，保护工人身体健康，降低人工成本，无须多次拆装，装夹误差小，加工精度和成品率高。
Description
技术领域
本发明属于航空发动机叶片磨削技术领域，更具体地，涉及一种机器人智能磨削及检测方法、终端设备及存储介质。
背景技术
航空发动机叶片是飞机动力系统的核心部件，航空发动机依靠燃气流产生推力，气流从进气口进入，经过压气机压缩、燃烧室燃烧，再经过涡轮机膨胀做功，从排气口排出，在气流做功的过程中，压气机和涡轮机中的多级叶片为发动机提供了主要的动力输出。航空发动机中的叶片种类繁多、数量庞大、形状复杂，使得叶片的加工和测量非常困难。
目前，国内外叶片制造行业大部分叶片加工仍以人工磨抛为主，人工磨抛主要存在以下几点弊端：(1)叶片磨抛时会产生大量的粉尘和噪声，对生产一线的工人健康非常不利；(2)人工磨抛通常是根据工人的经验确定磨抛力度和磨抛轨迹，熟练程度不同的工人磨抛的叶片表面一致性很难得到保证，这严重影响航空发动机的质量和动力性能；(3)工人磨抛后无法及时确定工件尺寸是否满足加工要求，需要送到测量室采用三坐标测量机进行检测，导致工序复杂，加工效率低。三坐标测量机的精度高、测量范围大，广泛应用于工业测量中，主要由三轴精密气浮平台、接触式测头、控制系统以及软件组成，精密气浮平台和高精度光栅尺等对环境要求高，需要安装在恒温、恒湿的洁净室中，因此只能采用离线测量的方式进行检测。但离线测量过程中工件需要经过多次拆装，不仅效率低下，还会引入二次装夹误差，影响工件的加工精度。
因此，本领域技术人员亟待提供一种环境适应力强、效率高且具有“测量-加工”自适应闭环加工能力的叶片加工方法，以完全代替人工进行智能磨削和检测。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种机器人智能磨削及检测方法，所述机器人智能磨削及检测方法包括步骤：
S100：获取待加工叶片的表面图像数据以得到所述待加工叶片的一个以上第一待磨削区域的加工参数；
S200：根据所述加工参数，磨削每一所述第一待磨削区域；
S300：重复上述步骤，直至所述待加工叶片的表面图像数据满足预设表面图像参数，使得所述待加工叶片形成初步加工叶片；
S400：获取所述初步加工叶片的叶片加工数据，当所述叶片加工数据满足预设叶片加工参数时，所述初步加工叶片为成品叶片。
可选地，所述机器人智能磨削及检测方法还包括步骤：
S400：获取所述初步加工叶片的叶片加工数据，当所述叶片加工数据不满足预设叶片加工参数时，根据所述预设叶片加工参数与所述叶片加工数据获取所述初步加工叶片的一个以上第二待磨削区域的加工参数；
S500：根据第二待磨削区域的加工参数，磨削每一所述第二待磨削区域；
S600：重复上述步骤，直至所述初步加工叶片的叶片加工数据满足所述预设叶片加工参数。
可选地，S100包括步骤：
S101：获取所述待加工叶片不同位姿所对应的多个表面图像帧；
S102：处理所述多个表面图像帧以得到所述待加工叶片的一个以上所述第一待磨削区域。
可选地，S102包括步骤：
S103：通过所述多个表面图像帧得到所述待加工叶片的整体表面图像帧；
S104：获取所述整体表面图像帧所对应的灰度图像；
S105：获取所述灰度图像的灰度不均匀区域；
S106：判定所述灰度不均匀区域对应所述待加工叶片的区域为所述第一待磨削区域。
可选地，S200包括步骤：
S201：根据预设刀路规划路线与每一所述第一待磨削区域所对应的表面图像数据规划每一所述第一待磨削区域所对应的第一刀路路线与第一磨削预期力；
S202：每一所述第一待磨削区域根据与其所对应的所述第一刀路路线、所述第一磨削预期力被磨削。
可选地，不同所述第一待磨削区域所对应的第一刀路路线、第一磨削预期力中至少一个以上不同；和/或，同一所述第一待磨削区域的前后次磨削所对应的第一磨削预期力不同或相同。
可选地，S500包括步骤：
S501：根据预设刀路规划路线与每一所述第二待磨削区域所对应的叶片加工数据、预设叶片加工参数规划每一所述第二待磨削区域所对应的第二刀路路线与第二磨削预期力；
S502：每一所述第二待磨削区域根据与其所对应的所述第二刀路路线、所述第二磨削预期力被磨削。
可选地，不同所述第二待磨削区域所对应的第二刀路路线、第二磨削预期力中至少一个以上不同；和/或，同一所述第二待磨削区域的前后次磨削所对应的第二磨削预期力不同或相同。
本发明还提供了一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机器人智能磨削及检测程序，所述机器人智能磨削及检测程序配置为实现如权利要求1-8中任一项所述的机器人智能磨削及检测方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有机器人智能磨削及检测程序，所述机器人智能磨削及检测程序被处理器执行时实现如权利要求1-8中任一项所述的机器人智能磨削及检测方法的步骤。
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：
本发明通过机器人实现待加工叶片的自动和智能转移，从而实现待加工叶片“测量-加工”自适应闭环加工，整个过程无需人工参与且对环境要求低(无需在恒温、恒湿的洁净环境中进行)，无人化加工环境，不仅保护了工人的身体健康，避免工人受粉尘和噪音污染，还大大降低了人工成本(无需人工进行磨削和检测)；同时，自动化、智能化和批量化生产保证了叶片加工质量的稳定性、一致性，从而保证了航空发动机的质量和动力性能；通过循序渐进的二段式加工方式，完成待加工叶片的加工，加工工序简单且易于实现，两段式加工方式中的每一段加工动作重复率较高，程序和操作均易于实现，同时保证了加工精度；在加工过程中，仅针对待磨削区域进行磨削，加工效率高；待加工叶片整个加工过程均由机器人进行运输和转移，无须多次拆装，装夹误差小，保证了加工精度；成品率高。
附图说明
图1为本发明的机器人智能磨削及检测方法的一实施例的流程图示意图；
图2为本发明的机器人智能磨削及检测方法的另一实施例的流程图示意图；
图3为本发明的机器人智能磨削及检测方法的另一实施例的流程图示意图；
图4为本发明的机器人智能磨削及检测方法的另一实施例的流程图示意图；
图5为本发明的机器人智能磨削及检测方法的另一实施例的流程图示意图。
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1为本发明机器人智能磨削及检测方法的第一实施例的流程图示意图。
在第一实施例中，所述机器人智能磨削及检测方法包括以下步骤：
S100：获取待加工叶片的表面图像数据以得到所述待加工叶片的一个以上第一待磨削区域的加工参数；
S200：根据所述加工参数，磨削每一所述第一待磨削区域；
S300：重复上述步骤，直至所述待加工叶片的表面图像数据满足预设表面图像参数，使得所述待加工叶片形成初步加工叶片；
S400：获取所述初步加工叶片的叶片加工数据，当所述叶片加工数据满足预设叶片加工参数时，所述初步加工叶片为成品叶片。
在具体实现中，待加工叶片的移动均通过机器人进行，如待加工叶片在图像获取模块(用于获取待加工叶片的表面图像数据以得到所述待加工叶片的一个以上第一待磨削区域)和磨削装置(用于磨削每一所述第一待磨削区域)之间的往复运动，待加工叶片在磨削装置的磨头之间的转换或者磨削姿势的调整等、叶片加工数据获取模块(用于获取所述初步加工叶片的叶片加工数据)与磨削装置之间的往复运动等。
可理解的是，待加工叶片在磨削之前先通过机器人将其移动至图像获取模块进行第一次的表面图像数据的获取，从而初步得知待加工叶片的第一次的第一待磨削区域的加工参数，然后机器人将待加工叶片移动至磨削装置，根据每一第一待磨削区域的加工参数对每一第一次的第一待磨削区域进行磨削；完成所有第一次的第一待磨削区域后，机器人再将完成第一次磨削的待加工叶片移动至图像获取模块进行第二次的表面图像数据的获取，从而第二次得知待加工叶片的第二次的第一待磨削区域的加工参数，然后机器人将待加工叶片移动至磨削装置，根据第二次的每一第一待磨削区域的加工参数对每一第二次的第一待磨削区域进行磨削；完成所有第二次的第一待磨削区域后，机器人再将完成第二次磨削的待加工叶片移动至图像获取模块进行第三次的表面图像数据的获取，如此循环，直至待加工叶片完成了第n(n为正整数)次磨削并满足预设表面图像参数为止。值得说明的是，在实际应用中，待加工叶片在进行磨削之前都需要进行表面图像数据的获取，因此，待加工叶片的每次磨削的第一待磨削区域可能相同或不同，从而大大提高了待加工叶片磨削区域的精准性和针对性，避免因重复磨削无需磨削区域而导致的成品率低的难题。同样的，待加工叶片的每次磨削的第一待磨削区域的数量可相同或不同，待加工叶片的每次磨削的第一待磨削区域的面积可相同或不同。
当待加工叶片最后一次的表面图像数据满足预设表面图像参数时，则待加工叶片形成初步加工叶片，然后机器人将初步加工叶片移动至叶片加工数据获取模块进行初步加工叶片的第一次的叶片加工数据的获取，当初步加工叶片的第一次的叶片加工数据满足预设叶片加工参数时，则表明待加工叶片已满足加工需求并成为成品叶片。
综上可知，本发明提供了一种基于机器人的“测量-加工”自适应闭环叶片加工方法，首先反复获取磨削前后的待加工叶片的表面图像数据，并针对不满足预设表面图像参数的第一待磨削区域进行再次磨削，直至待加工叶片形成满足预设表面图像参数的初步加工叶片；然后对初步加工叶片进行叶片加工数据的监测，从而获知该初步加工叶片是否完成加工，初步加工叶片完成加工时，则无需再次磨削。整个过程无需人工参与且对环境要求低，不仅保护了工人的身体健康，避免工人受粉尘和噪音污染，还降低了人工成本；同时，自动化、智能化和批量化生产保证了叶片加工质量的稳定性、一致性，从而保证了航空发动机的质量和动力性能；通过循序渐进的二段式加工方式，加工工序简单且易于实现；两段式加工方式中的每一段加工动作重复率较高，程序和操作均易于实现，进而保证了加工精度；在加工过程中，仅针对待磨削区域进行磨削，加工效率高；待加工叶片整个加工过程均由机器人进行运输和转移，无须多次拆装，装夹误差小，保证了加工精度；成品率高。
参照图2，图2为本发明机器人智能磨削及检测方法的另一实施例的流程图示意图。
本实施例的机器人智能磨削及检测方法包括以下步骤：
S100：获取待加工叶片的表面图像数据以得到所述待加工叶片的一个以上第一待磨削区域的加工参数；
S200：根据所述加工参数，磨削每一所述第一待磨削区域；
S300：重复上述步骤，直至所述待加工叶片的表面图像数据满足预设表面图像参数，使得所述待加工叶片形成初步加工叶片；
S410：获取所述初步加工叶片的叶片加工数据；
S430：当所述叶片加工数据不满足预设叶片加工参数时，根据所述预设叶片加工参数与所述叶片加工数据获取所述初步加工叶片的一个以上第二待磨削区域；
S500：磨削每一所述第二待磨削区域；
S600：重复上述步骤，直至所述初步加工叶片的叶片加工数据满足所述预设叶片加工参数；
S420：当所述叶片加工数据满足预设叶片加工参数时，所述初步加工叶片为成品叶片。
可理解的是，当初步加工叶片的第一次的叶片加工数据不满足预设叶片加工参数时，则表明初步加工叶片不满足加工需求并需要进行第二待磨削区域的第一次磨削；初步加工叶片初步完成第一次磨削后，机器人再将初步加工叶片移动至叶片加工数据获取模块获取第二次的叶片加工数据，当初步加工叶片的第二次的叶片加工数据还是不满足预设叶片加工参数时，则获取初步加工叶片的第二次磨削的第二次磨削区域的加工参数，如此循环，直至初步加工叶片完成了第m(m为正整数)次磨削并满足预设加工参数为止。值得说明的是，在实际应用中，初步加工叶片在进行磨削之前都需要进行叶片加工数据的获取，因此，初步加工叶片的每次磨削的第二待磨削区域可能相同或不同，从而大大提高了初步加工叶片磨削区域的精准性和针对性，避免因重复磨削无需磨削区域而导致的成品率低的难题。值得说明的是，初步加工叶片无需进行表面图像数据获取的步骤，直接根据叶片加工数据和预设叶片加工参数实现对第二待磨削区域的判定，因此，机器人在每一段加工过程中，移动路线单一且可循环，逻辑简单，易于编程和实现。
在本发明的另一实施例中，基于但不限于上述任一实施例，S100包括步骤：
S101：获取所述待加工叶片不同位姿所对应的多个表面图像帧；
S102：处理所述多个表面图像帧以得到所述待加工叶片的一个以上所述第一待磨削区域。
可理解的是，在每实现待加工叶片不同位姿的切换，且图像获取模块对待加工叶片的每一位姿获取一张以上(具体可根据实际进行设置或预设)的表面图像帧，然后处理以上方式获取到的多个(一个以上)表面图像帧，进而得到每次磨削的第一待磨削区域，值得说明的是，处理表面图像帧的算法可为视觉算法、图像算法(点运算或群运算)。
参照图3，图3为本发明机器人智能磨削及检测方法的另一实施例的流程图示意图。
基于上述实施例，本实施例的机器人智能磨削及检测方法的S102包括以下步骤：
S103：通过所述多个表面图像帧得到所述待加工叶片的整体表面图像帧；
S104：获取所述整体表面图像帧所对应的灰度图像；
S105：获取所述灰度图像的灰度不均匀区域；
S106：判定所述灰度不均匀区域对应所述待加工叶片的区域为所述第一待磨削区域。
在实际应用中，待加工叶片在磨削之前的表面因切削或铸造等粗加工会出现表面不平整，从而导致待加工叶片的灰度不同，因此，对于灰度不均匀区域可判定为第一待磨削区域，本实施例中，可将预设表面图像参数设成预设灰度，待加工叶片的灰度图像不满足预设灰度时，则认定其所对应的区域为第一待磨削区域。在实际应用这，不同类型的加工叶片所对应的预设表面图像参数可相同或不同，可进行设置或预设。且预设表面图像参数还可为其他图像参数，如位深、亮度等可表征待加工叶片的表面质量的图像参数即可。
优选地，表面图像帧获取的环境相同，从而保证待加工叶片的整体表面图像帧的灰度图像有一个共同的基准，当然，如果表面图像帧获取的环境不相同，可通过函数或算法对图像帧进行修正(图像帧为彩色图片，可根据像素与灰度的函数或算法关系进行修正)，以保证灰度图像的基准相同。
值得说明的是，在处理图像帧时也可选先获取不同位姿下的多张图像帧并分别对每一张图像帧进行灰度求导形成多张提取有刀纹轮廓的灰度图像，再将该多张灰度图像拼接成整个待加工叶片的灰度图像，然后再对具有刀纹轮廓的区域进行抛磨(磨削)，也应属于本发明的保护范围。
示例性的，如利用图像算法中点运算中的一种，即二值化法进行图像帧的处理，具体步骤为：首先机器人夹持待加工叶片至图像获取模块(如相机、摄像头、CCD相机等可获取图像帧)中，调整位姿供图像获取模块进行拍摄，获得合适角度下的叶片图像；然后对叶片图像进行滤波以及去霾处理；接着对处理后的滤波图像进行灰度求导，并对灰度值进行二值化处理；最后对二值化图像求取像素方差，并进行边缘检测，以此提取该二值化图像中的刀纹轮廓(即灰度不均匀区域、第一待磨削区域)。借此，我们可以对整个待加工叶片表面进行快速检测，以确定是否仍残留有铣削刀纹，进而对机器人夹持待加工叶片在磨抛过程进行加工指导，形成工艺闭环。
参照图4，图4为本发明机器人智能磨削及检测方法的另一实施例的流程图示意图。
基于上述任一实施例，本实施例的机器人智能磨削及检测方法的S200包括以下步骤：
S201：根据预设刀路规划路线与每一所述第一待磨削区域所对应的表面图像数据规划每一所述第一待磨削区域所对应的第一刀路路线与第一磨削预期力；
S202：每一所述第一待磨削区域根据与其所对应的所述第一刀路路线、所述第一磨削预期力被磨削。
可理解的是，由于待加工叶片需要磨削的位置可能是其全部或者部分位置，但随着磨削次数的增加，待加工叶片需要磨削的位置肯定会越来越少，因此，不管磨削装置通过一个以上的磨头先后对待加工叶片进行磨削，或者通过一个以上的磨头同时对待加工叶片进行磨削时，都适用本方法，当磨削装置通过一个以上磨头先后对待加工叶片进行磨削时，根据预设刀路规划路线和每次磨削后的表面图像数据可准确的获知下次磨削的具体位置以及每一第一待磨削区域的先后顺序以及磨削起始点，可选地，沿着预设刀路规划路线，以靠近每一第一待磨削区域的前一个或几个组成预设刀路规划路线的预设刀点(即磨削起始点)开始沿着预设刀路规划路线对每一第一待磨削区域进行磨削。当磨削装置通过一个以上磨头先后对待加工叶片进行磨削时，每一磨头对应的待加工叶片的区域的预设刀路规划路线和其对应的表面图像数据亦可准确的获知下次磨削的具体位置以及每一第一待磨削区域的先后顺序以及磨削起始点，可选地，沿着预设刀路规划路线，以靠近每一第一待磨削区域的前一个或几个组成预设刀路规划路线的预设刀点(即磨削起始点)开始沿着预设刀路规划路线对每一第一待磨削区域进行磨削。
同样的，由于每次磨削前均需获取待加工叶片的表面图像数据，因此每次磨削对应的第一刀路路线与第一磨削预期力中的一个以上与上次磨削的第一刀路路线与第一磨削预期力可相同或不同，随着磨削的进行，每一第一待磨削区域经过磨削后，其表面会越来越光滑，因此，每次磨削的预期力可选为减小，不同次磨削或同次磨削的预期力也可相同或不同，具体可选根据灰度不均匀的程度进行每次第一预期力的设定或预设。可选地，每一第一待磨削区域在当前磨削过程中以与其对应的预期力进行恒力磨削；当然，每一第一待磨削区域在当前磨削过程中以与其对应的变速预期力进行磨削；但应均属于本发明的保护范围。
参照图5，图5为本发明机器人智能磨削及检测方法的另一实施例的流程图示意图。
基于上述任一实施例，本实施例的机器人智能磨削及检测方法的S500包括以下步骤：
S501：根据预设刀路规划路线与每一所述第二待磨削区域所对应的叶片加工数据、预设叶片加工参数规划每一所述第二待磨削区域所对应的第二刀路路线与第二磨削预期力；
S502：每一所述第二待磨削区域根据与其所对应的所述第二刀路路线、所述第二磨削预期力被磨削。
可理解的是，由于初步加工叶片需要磨削的位置可能是其全部或者部分位置，但随着磨削次数的增加，初步加工叶片需要磨削的位置肯定会越来越少，因此，不管磨削装置通过一个以上的磨头先后对初步加工叶片进行磨削，或者通过一个以上的磨头同时对初步加工叶片进行磨削时，都适用本方法，当磨削装置通过一个以上磨头先后对初步加工叶片进行磨削时，根据预设刀路规划路线和每次磨削后的叶片加工数据、预设叶片加工参数可准确的获知下次磨削的具体位置以及每一第二待磨削区域的先后顺序以及磨削起始点，可选地，沿着预设刀路规划路线，以靠近每一第二待磨削区域的前一个或几个组成预设刀路规划路线的预设刀点(即磨削起始点)开始沿着预设刀路规划路线对每一第二待磨削区域进行磨削。当磨削装置通过一个以上磨头先后对初步加工叶片进行磨削时，每一磨头对应的初步加工叶片的区域的预设刀路规划路线和其对应的叶片加工数据、预设叶片加工参数亦可准确的获知下次磨削的具体位置以及每一第二待磨削区域的先后顺序以及磨削起始点，可选地，沿着预设刀路规划路线，以靠近每一第二待磨削区域的前一个或几个组成预设刀路规划路线的预设刀点(即磨削起始点)开始沿着预设刀路规划路线对每一第二待磨削区域进行磨削。
同样的，由于每次磨削前均需获取初步加工叶片的叶片加工数据，因此每次磨削对应的第二刀路路线与第二磨削预期力中的一个以上与上次磨削的第二刀路路线与第二磨削预期力可相同或不同，随着磨削的进行，每一第二待磨削区域经过磨削后，其表面会越来越光滑，因此，每次磨削的预期力可选为减小，不同次磨削或同次磨削的预期力也可相同或不同，具体可选根据叶片加工数据和预设叶片加工参数的函数关系(如差值、直线函数等)进行每次第二预期力的设定或预设。可选地，每一第二待磨削区域在当前磨削过程中以与其对应的第二预期力进行恒力磨削；当然，每一第二待磨削区域在当前磨削过程中以与其对应的变速预期力进行磨削；但应均属于本发明的保护范围。值得说明的是，第一待磨削区域和第二待磨削区域的预设刀路路线可相同或不同，第一刀路路线和第二刀路路线、第一磨削预期力和第二磨削预期力可相同或不同。
值得说明的是，本发明的预设表面图像参数可选为可表征待加工叶片表面质量(光滑度、粗糙度、刀纹等中一种或几种)的图像参数，预设叶片加工参数可选为经磨削后形成成品叶片(即成品叶片)的参数，可为成品叶片的三维数据、光滑度、粗糙度等中的一种或几种。
此外，本发明实施例还提出了一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机器人智能磨削及检测程序，所述机器人智能磨削及检测程序配置为实现如上述任一所述的机器人智能磨削及检测方法的步骤。
此外，本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质上存储有机器人智能磨削及检测程序，所述机器人智能磨削及检测程序被处理器执行时实现如上述任一所述的机器人智能磨削及检测方法的步骤。
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，并不用于限制本发明，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 (7)
1.一种机器人智能磨削及检测方法，其特征在于，包括步骤：
S100：获取待加工叶片的表面图像数据以得到所述待加工叶片的一个以上第一待磨削区域的加工参数；
S200：根据所述加工参数，磨削每一所述第一待磨削区域；
S300：重复上述步骤S100~S200，直至所述待加工叶片的表面图像数据满足预设表面图像参数，使得所述待加工叶片形成初步加工叶片；
S400：获取所述初步加工叶片的叶片加工数据，当所述叶片加工数据满足预设叶片加工参数时，所述初步加工叶片为成品叶片；获取所述初步加工叶片的叶片加工数据，当所述叶片加工数据不满足预设叶片加工参数时，根据所述预设叶片加工参数与所述叶片加工数据获取所述初步加工叶片的一个以上第二待磨削区域的加工参数；
S500：根据第二待磨削区域的加工参数，磨削每一所述第二待磨削区域；
S600：重复上述步骤S400~S500，直至所述初步加工叶片的叶片加工数据满足所述预设叶片加工参数；
S100包括步骤：
S101：获取所述待加工叶片不同位姿所对应的多个表面图像帧；
S102：处理所述多个表面图像帧以得到所述待加工叶片的一个以上所述第一待磨削区域；
S103：通过所述多个表面图像帧得到所述待加工叶片的整体表面图像帧；
S104：获取所述整体表面图像帧所对应的灰度图像；
S105：获取所述灰度图像的灰度不均匀区域；
S106：判定所述灰度不均匀区域对应所述待加工叶片的区域为所述第一待磨削区域；
处理图像帧还可选为先获取不同位姿下的多张图像帧并分别对每一张图像帧进行灰度求导形成多张提取有刀纹轮廓的灰度图像，再将该多张灰度图像拼接成整个待加工叶片的灰度图像，然后再对具有刀纹轮廓的区域进行抛磨或磨削；待加工叶片在进行磨削之前都需要进行表面图像数据的获取，初步加工叶片在进行磨削之前都需要进行叶片加工数据的获取。
2.如权利要求1所述的机器人智能磨削及检测方法，其特征在于，S200包括步骤：
S201：根据预设刀路规划路线与每一所述第一待磨削区域所对应的表面图像数据规划每一所述第一待磨削区域所对应的第一刀路路线与第一磨削预期力；
S202：每一所述第一待磨削区域根据与其所对应的所述第一刀路路线、所述第一磨削预期力被磨削。
3.如权利要求2所述的机器人智能磨削及检测方法，其特征在于：
不同所述第一待磨削区域所对应的第一刀路路线、第一磨削预期力中至少一个以上不同；和/或，
同一所述第一待磨削区域的前后次磨削所对应的第一磨削预期力不同或相同。
4.如权利要求1所述的机器人智能磨削及检测方法，其特征在于，S500包括步骤：
S501：根据预设刀路规划路线与每一所述第二待磨削区域所对应的叶片加工数据、预设叶片加工参数规划每一所述第二待磨削区域所对应的第二刀路路线与第二磨削预期力；
S502：每一所述第二待磨削区域根据与其所对应的所述第二刀路路线、所述第二磨削预期力被磨削。
5.如权利要求4所述的机器人智能磨削及检测方法，其特征在于：
不同所述第二待磨削区域所对应的第二刀路路线、第二磨削预期力中至少一个以上不同；和/或，
同一所述第二待磨削区域的前后次磨削所对应的第二磨削预期力不同或相同。
6.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的机器人智能磨削及检测程序，所述机器人智能磨削及检测程序配置为实现如权利要求1-5中任一项所述的机器人智能磨削及检测方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有机器人智能磨削及检测程序，所述机器人智能磨削及检测程序被处理器执行时实现如权利要求1-5中任一项所述的机器人智能磨削及检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010347819.0A CN111583206B (zh) | 2020-04-28 | 2020-04-28 | 一种机器人智能磨削及检测方法、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010347819.0A CN111583206B (zh) | 2020-04-28 | 2020-04-28 | 一种机器人智能磨削及检测方法、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111583206A CN111583206A (zh) | 2020-08-25 |
| CN111583206B true CN111583206B (zh) | 2023-05-12 |
Family
ID=72113172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010347819.0A Active CN111583206B (zh) | 2020-04-28 | 2020-04-28 | 一种机器人智能磨削及检测方法、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111583206B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113275949A (zh) * | 2021-05-07 | 2021-08-20 | 山东英信计算机技术有限公司 | 一种工件焊缝打磨方法、终端设备及打磨控制组件 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0663849A (ja) * | 1992-08-14 | 1994-03-08 | Hitachi Constr Mach Co Ltd | 研削ロボットの端点検出装置 |
| WO2005088414A2 (en) * | 2004-03-12 | 2005-09-22 | Aker Finnyards Oy | Method and arrangement for working profile blanks |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107932278B (zh) * | 2017-11-21 | 2019-05-03 | 华中科技大学 | 一种叶片全特征机器人磨抛装置 |
| CN109434843B (zh) * | 2018-12-10 | 2020-07-10 | 华中科技大学 | 一种基于拖动示教的机器人力控打磨叶片的设备及方法 |
| CN109396841A (zh) * | 2018-12-11 | 2019-03-01 | 沈阳远大智能高科机器人有限公司 | 大型复杂曲面叶片智能铣削磨抛多机器人作业系统及其作业方法 |
| CN109900719B (zh) * | 2019-03-04 | 2020-08-04 | 华中科技大学 | 一种叶片表面刀纹的视觉检测方法 |
| CN110216530B (zh) * | 2019-07-18 | 2020-11-24 | 佛山市高明金石建材有限公司 | 一种板材磨削装置及磨削方法 |
| CN110640585A (zh) * | 2019-10-25 | 2020-01-03 | 华中科技大学 | 一种叶片磨抛加工三维非接触式测量装置及方法 |
-
2020
- 2020-04-28 CN CN202010347819.0A patent/CN111583206B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0663849A (ja) * | 1992-08-14 | 1994-03-08 | Hitachi Constr Mach Co Ltd | 研削ロボットの端点検出装置 |
| WO2005088414A2 (en) * | 2004-03-12 | 2005-09-22 | Aker Finnyards Oy | Method and arrangement for working profile blanks |
Non-Patent Citations (2)
| Title |
|---|
| 刘晓雯 ; 李世杰 ; .民用发动机涡轮叶片砂带磨削工艺参数的设计与试验.现代制造工程.2020,(01),全文. * |
| 尚建.基于机器视觉的磨削表面粗糙度检测的研究.《中国优秀硕士学位论文全文数据库》.2020,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111583206A (zh) | 2020-08-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2254728B1 (en) | System and method for repairing objects | |
| CA2012449C (en) | Machine vision system | |
| US8014892B2 (en) | Method and device for compensating for positional and shape deviations | |
| EP2928648B1 (en) | Robot program generation for robotic processes | |
| US4995087A (en) | Machine vision system | |
| EP1254738B1 (en) | Automated system for repairing components | |
| US10191475B2 (en) | Virtual component alignment | |
| Lanzetta | A new flexible high-resolution vision sensor for tool condition monitoring | |
| JP6537810B2 (ja) | 機械を動作させるとともに品質保証を行うためのシステム及び方法 | |
| CN106770321B (zh) | 一种基于多阈值区间的塑料零件缺陷检测方法 | |
| JP6845180B2 (ja) | 制御装置及び制御システム | |
| CN112264839A (zh) | 一种用于制造物联网的切削刀具磨损在位测量装置及方法 | |
| US20110137450A1 (en) | Method and device for compensating for positional and shape deviations | |
| CN111583206B (zh) | 一种机器人智能磨削及检测方法、终端设备及存储介质 | |
| US10955815B2 (en) | Method of manufacture using autonomous adaptive machining | |
| CN113894785A (zh) | 水轮机叶片在位测量与加工的控制方法、装置及系统 | |
| Zhang et al. | 3D curvature grinding path planning based on point cloud data | |
| Emam et al. | Dimensional deviation measurement of ceramic tiles according to ISO 10545-2 using the machine vision | |
| CN112526925B (zh) | 基于三维凸轮型面实体化模型偏差补偿的型面精加工方法 | |
| WO2003054495A2 (en) | Automated analysis of turbine component thermal response | |
| Dammann et al. | Automated selection and assembly of sets of blades for jet engine compressors and turbines | |
| CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
| Galanulis et al. | Optical digitizing by ATOS for press parts and tools | |
| CN113843660A (zh) | 基于多线激光扫描的数控机床工件检测方法 | |
| Obeidat et al. | Inspection path planning of free form surfaces using virtual machining |
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 |