CN112231966A - 一种基于数字孪生的协作机器人可装配性预测系统及方法 - Google Patents
一种基于数字孪生的协作机器人可装配性预测系统及方法 Download PDFInfo
- Publication number
- CN112231966A CN112231966A CN202010936861.6A CN202010936861A CN112231966A CN 112231966 A CN112231966 A CN 112231966A CN 202010936861 A CN202010936861 A CN 202010936861A CN 112231966 A CN112231966 A CN 112231966A
- Authority
- CN
- China
- Prior art keywords
- assemblability
- assembly
- prediction
- data
- analysis model
- 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 69
- 238000004458 analytical method Methods 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 14
- 239000002245 particle Substances 0.000 claims description 21
- 238000011161 development Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 238000003754 machining Methods 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000005299 abrasion Methods 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000012636 effector Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Manipulator (AREA)
- Automatic Assembly (AREA)
Abstract
本发明公开了一种基于数字孪生的协作机器人可装配性预测系统及方法，包括数据获取单元、数据处理单元、特征群构建单元、可装配性预测分析模型构建单元、可装配性预测分析模型训练单元、可装配性预测分析模型优化单元和可装配性分析单元。利用产线装配工业大数据及深度神经网络优化算法，根据现有加工制造条件对零件加工工艺及其可装配特性进行预判检验，在考虑维护拆装难易程度的条件下，提出可装配性工艺评价。本发明的协作机器人可装配性预测系统及方法，具有能够有效减小装配现场刀具磨损、装配工艺不合理、装配故障停机等对自动化产线生产造成的经济损失并显著降低整个产品的制造成本等优点。
Description
技术领域
本发明涉及智能制造领域，特别是涉及一种基于数字孪生的协作机器人可装配性预测系统及方法。
背景技术
协作机器人是指可以在智能制造生产线上与人协同工作的机器人，充分发挥机器人的效率及人类的智能。这种机器人不仅性价比高，而且安全方便，能够极大地促进制造企业的发展。协作型机器人作为一种新型的工业机器人，扫除了人机协作的障碍，让机器人彻底摆脱护栏或围笼的束缚，其开创性的产品性能和广泛的应用领域，为工业机器人的发展开启了新时代。协作机器人能够与人一同协作，并与人类共同完成不同的任务。这既包括完成传统的“人干不了的、人不想干的、人干不好的”任务，又包括能够减轻人类劳动强度、提高人类生存质量的复杂任务。因此，人机协作可被看作新型工业机器人的必有属性。
数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是采用信息技术对物理实体的组成、特征、功能和性能进行数字化定义和建模的过程。数字孪生体是指在计算机虚拟空间存在的与物理实体完全等价的信息模型，可以基于数字孪生体对物理实体进行仿真分析和优化。
申请号为202010048877.3的中国发明专利公开了一种面向机器人电子元器件装配的自学习模型预测控制方法，包括实时输入末端执行器及关节的位置、速度、加速度输出与期望值的差值；通过自学习训练得到模型预测控制器，输出控制力矩时延差值；其同时用作反馈，作为电子元器件装配机械人的输入，输出电子元器件装配过程机器人关节及电子元器件装配过程机器人末端执行器的实际目标位置、速度和加速度；上述与期望值差值，反馈到模型预测控制器，实现预测控制器自学习。与现有的机器人装配控制方法相比，该发明通过以差值为输入输出的自学习模型预测控制器，其控制具有速度快、精度高的特点，满足电子元器件在各种干扰因素条件下的电子元器件高精度在线装配的需要。但是该发明仅仅适用于电子元器件的装配。
在现代化的智能制造生产线中，对大量零件构成的复杂设备的装配工作通常是由协作机器人完成的，在装配时常常需要考虑零件之间的运动误差、装配误差、装配与拆卸情况等。为了保证复杂设备的装配工作的更安全、更可靠和更高效，因此需要对相互匹配的零件之间的可装配性进行预测，以避免在实际装配时因运动误差、装配误差等原因造成无法装配而影响整个智能制造生产线的生产效率；利用数字孪生手段，对真实零件进行虚拟可视化预装评价，也是减少实际装配工序、降低协作机器人及其辅助装备损耗、提高生产效率的关键问题。
发明内容
本发明所要解决的技术问题是提供一种基于数字孪生的协作机器人可装配性预测系统及方法，以解决现有技术中装配工艺不合理、装配故障停机等原因影响自动化产线的生产效率的问题。
为解决上述技术问题，本发明采用如下的技术方案。
一种基于数字孪生的协作机器人可装配性预测系统，其特点是，包括数据获取单元、数据处理单元、特征群构建单元、可装配性预测分析模型构建单元、可装配性预测分析模型训练单元、可装配性预测分析模型优化单元和可装配性分析单元；
所述数据获取单元，用于搜集智能加工生产线上的工艺数据、零件的基本结构特征数据和装配数据，形成可装配性预测初期数据集；
所述数据处理单元，用于对可装配性预测初期数据集进行处理，获得标准化特征值；
所述特征群构建单元，用于将标准化特征值与当前协作机器人装配性与装配故障进行初步关联构建特征群，得到特征群关联树；
所述可装配性预测分析模型构建单元，用于通过目标装配零件的结构特征来获得预装零件的结构孪生体，将结构孪生体结合初始工艺流程，构建可装配性预测分析模型；
所述可装配性预测分析模型训练单元，用于对可装配性预测分析模型进行训练；
所述可装配性预测分析模型优化单元，用于对可装配性预测分析模型进行调节和优化；
所述可装配性分析单元，用于对需要装配的各个预装零件是否具备可装配性进行分析，并输出预装零件的最优装配工艺。
所述协作机器人位于智能加工生产线的加工装配工位，协作机器人包括作业臂和关节结构；所述作业臂的顶端安装有图像识别装置。
所述图像识别装置包括高清工业相机、传感器和支架。
本发明还提供了一种基于数字孪生的协作机器人可装配性预测方法，包括以下步骤：
步骤1：数据获取步骤，搜集智能加工生产线上的初始工艺数据、零件的基本结构特征数据和预装零件的装配数据，形成可装配性预测初期数据集；
步骤2：数据处理步骤，对所述步骤1获得的可装配性预测初期数据集进行处理，获得标准化特征值；
步骤3：特征群构建步骤，将所述步骤2获得的标准化特征值与当前协作机器人的装配性与装配故障进行初步关联构建特征群，得到特征群关联树；
步骤4：可装配性预测分析模型构建步骤，通过预装零件的结构特征来获得该预装零件的结构孪生体，将结构孪生体结合初始工艺流程，构建可装配性预测分析模型；
步骤5：可装配性预测分析模型训练步骤，通过测试集与验证集，对可装配性预测分析模型的神经网络系统进行训练；
步骤6：可装配性预测分析模型优化步骤，对可装配性预测分析模型的神经网络系统进行调节和优化；
步骤7：可装配性分析步骤，对需要装配的各个零件是否具备可装配性进行分析，并输出预装零件的最优装配工艺。
所述步骤2中，所述数据处理采用归一化简化处理方法。
所述步骤3中，通过临近数据拟合得到特征群关联树。
所述步骤4中，通过将预装零件的结构特征导入虚拟三维造型开发引擎，获得预装零件的结构孪生体。
所述步骤4中，采用适用于时间序列分析的长短时记忆LSTM神经网络进行可装配性预测分析模型的构建。
所述步骤6中，采用粒子群优化算法PSO对LSTM神经网络模型进行优化调整。
本发明的有益效果是：
本发明公开了一种基于数字孪生的协作机器人可装配性预测系统，包括数据获取单元、数据处理单元、特征群构建单元、可装配性预测分析模型构建单元、可装配性预测分析模型训练单元、可装配性预测分析模型优化单元和可装配性分析单元。
协作机器人可装配性预测方法包括数据获取步骤、数据处理步骤、特征群构建步骤、可装配性预测分析模型构建步骤、可装配性预测分析模型训练步骤、可装配性预测分析模型优化步骤和可装配性分析步骤，利用产线装配工业大数据及深度神经网络优化算法，根据现有加工制造条件对零件加工工艺及其可装配特性进行预判检验，在考虑维护拆装难易程度的条件下，提出可装配性工艺评价。
本发明的协作机器人可装配性预测系统及方法，利用数字孪生技术对自动化产线中协作机器人装配工位的零件可装配性进行模拟预装分析，利用深度学习及其算法的优化改进对预测过程进行准确性及高效率矫正，使得零件的实际生产装配过程具备明确的可评价性，有效减小了装配现场刀具磨损、装配工艺不合理、装配故障停机等对自动化产线生产造成的经济损失，显著降低整个产品的制造成本，并对产品设计及工艺改进提供重要支持。
附图说明
图1是本发明的协作机器人可装配性预测系统的结构框图。
图2是本发明的协作机器人可装配性预测系统的方法的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
本发明的一种基于数字孪生的协作机器人可装配性预测系统，包括数据获取单元、数据处理单元、特征群构建单元、可装配性预测分析模型构建单元、可装配性预测分析模型训练单元、可装配性预测分析模型优化单元和可装配性分析单元。
所述数据获取单元，用于搜集智能加工生产线上的工艺数据、零件的基本结构特征数据和装配数据，形成可装配性预测初期数据集；
所述数据处理单元，用于对可装配性预测初期数据集进行处理，获得标准化特征值；
所述特征群构建单元，用于将标准化特征值与当前协作机器人装配性与装配故障进行初步关联构建特征群，得到特征群关联树；
所述可装配性预测分析模型构建单元，用于通过目标装配零件的结构特征来获得预装零件的结构孪生体，将结构孪生体结合初始工艺流程，构建可装配性预测分析模型；
所述可装配性预测分析模型训练单元，用于对可装配性预测分析模型进行训练；
所述可装配性预测分析模型优化单元，用于对可装配性预测分析模型进行调节和优化；
所述可装配性分析单元，用于对需要装配的各个预装零件是否具备可装配性进行分析，并输出预装零件的最优装配工艺。
所述协作机器人位于智能加工生产线的加工装配工位，协作机器人包括作业臂和关节结构；所述作业臂的顶端安装有图像识别装置。
所述图像识别装置包括高清工业相机、传感器和支架。
本发明还公开了一种基于数字孪生的协作机器人可装配性预测方法，该方法包括以下步骤：
步骤1：数据获取步骤，搜集智能加工生产线上的初始工艺数据、零件的基本结构特征数据和预装零件的装配数据，形成可装配性预测初期数据集；
步骤2：数据处理步骤，对所述步骤1获得的可装配性预测初期数据集进行处理，获得标准化特征值；
步骤3：特征群构建步骤，将所述步骤2获得的标准化特征值与当前协作机器人的装配性与装配故障进行初步关联构建特征群，得到特征群关联树；
步骤4：可装配性预测分析模型构建步骤，通过预装零件的结构特征来获得该预装零件的结构孪生体，将结构孪生体结合初始工艺流程，构建可装配性预测分析模型；
步骤5：可装配性预测分析模型训练步骤，通过测试集与验证集，对可装配性预测分析模型的神经网络系统进行训练；
步骤6：可装配性预测分析模型优化步骤，对可装配性预测分析模型的神经网络系统进行调节和优化；
步骤7：可装配性分析步骤，对需要装配的各个零件是否具备可装配性进行分析，并输出预装零件的最优装配工艺。
所述步骤2中，所述数据处理采用归一化简化处理方法。
所述步骤3中，通过临近数据拟合得到特征群关联树。
所述步骤4中，通过将预装零件的结构特征导入虚拟三维造型开发引擎，获得预装零件的结构孪生体。
所述步骤4中，采用适用于时间序列分析的长短时记忆LSTM神经网络进行可装配性预测分析模型的构建。
所述步骤6中，采用粒子群优化算法PSO对LSTM神经网络模型进行优化调整。
本发明中，所述的协作机器人位于智能加工生产线的加工装配工位，由作业臂和关节结构构成；作业臂顶端安装有图像识别装置，图像识别装置由高清工业相机、传感器、支架构成，用于识别工业自动化产线加工装配工位上预装零件与已装零件的运动误差、装配误差、装配与拆卸情况等；所述的可装配性预测方法，利用产线装配工业大数据及深度神经网络优化算法，根据现有加工制造条件对零件加工工艺及其可装配特性进行预判检验，在考虑维护拆装难易程度的条件下，提出可装配性工艺评价。
步骤1：数据获取步骤，搜集智能加工生产线上的初始工艺数据、零件的基本结构特征数据和预装零件的装配数据，形成可装配性预测初期数据集。
针对智能加工生产线需进行大规模定制与安装装配的特点，利用工业MES(Manufacturing Execution System，制造执行系统)系统读取预装零件的装配的初始工艺流程，利用传感器读取预装零件的基本结构特征，利用MES系统自带传感装置及位于作业臂顶端的图像识别装置读取产线工位上预装零件的运动误差、装配误差、装配与拆卸情况等信息，搜集随时间变化的如上所述长期工作数据，建立协作机器人可装配性预测初期数据集。初期数据集是已有数据的储存值集合。
步骤2：数据处理步骤，对所述步骤1获得的可装配性预测初期数据集进行处理，获得标准化特征值。
针对所需数据量纲不一致导致数值差异较大的特点，对搜集数据进行归一化简化处理，获得标准化特征值：
公式(1)中，mi表示第i类目标数据当前的特征值，目标数据特征值就是指当前采集时点下传感器实时采集的数据值；
表示第i类目标数据的标准化特征值，mi,max表示第i类目标数据当前最大特征值；mi,min表示第i类目标数据当前最小特征值。通过简化分析，有效降低数据分析难度，提高分析效率。
步骤3：特征群构建步骤，将所述步骤2获得的标准化特征值与当前协作机器人的装配性与装配故障进行初步关联构建特征群，得到特征群关联树。所述装配性是指孔隙装配性、搭接装配性、零件可拆装性、装配刀具可更换性。所述装配性是指装配误差、运动误差、工艺装配顺序错误、拆装困难造成的故障等。
将简化处理后的数据，与当前协作机器人的装配性与装配故障进行初步关联，构建特征群。由于简化处理后标准化特征值
简化为[-1，1]之间的数值，通过临近数据拟合得到特征群关联树，使得模型在新获取目标数据特征值时具备初步可装配性分析的能力。所述临近数据拟合可表述为：利用标准化特征值
的结果进行二分法判定，对分类边界进行定义，将符合标准化特征边界的整数边界值
定义为符合临近原则的三类装配特征边界。其中，
表示与第i类目标数据最大特征值mi具有最大负相关性的装配特征类别；
表示与第i类目标数据最小特征值mi具有相同特征的装配类别；
表示与第i类目标数据最大特征值mi具有最大正相关性的装配特征类别。利用临近原则，分别计算
与
的距离，当特征距离最小时
新获得的
数据特征计入该装配分类。
步骤4：可装配性预测分析模型构建步骤，通过预装零件的结构特征来获得该预装零件的结构孪生体，将结构孪生体结合初始工艺流程，构建可装配性预测分析模型。
41)将预装零件的结构特征导入虚拟三维造型开发引擎unity3d、solidworks等软件，获得预装零件的结构孪生体。
42)在三维造型开发引擎中，利用引擎内部的控制函数，通过程序语言驱动，对于已构建的数字结构孪生体的三维模型，按照初始工艺流程顺序对结构孪生体的三维模型实施运动逻辑规划与装配规划，实现协作机器人的作业臂及其关节针对零件结构特征的初始点对点装配。即：利用点对点装配逻辑触发，实现零件在三维开发引擎内的可视化耦合装配，从而实现针对协作机器人作业臂及其关节的虚拟装配规划。
43)根据初始工艺流程，显示数字结构孪生体可实现直接装配的模型，系统设定为具备可装配性。否则判定为不可实现直接装配(即不具备可装配性)进入步骤6的可装配性优化判定，实施可装配性优化，确定该预装零件是否符合装配需求。
步骤5：可装配性预测分析模型训练步骤，通过测试集与验证集，对可装配性预测分析模型的神经网络系统进行训练。
51)将新获取的产线装配大数据信息进行归一化处理，将处理后的标准化数据利用步骤2所述的特征群关联树进行特征划分，随后导入预测分析模块。
52)模块采用适用于时间序列分析的长短时记忆LSTM神经网络进行诊断模型搭建，LSTM(Long Short Term Memory network，长短期记忆网络)神经网络通过丢弃不重要的信息，将重要信息保留在记忆传送单元，以利用神经网络的复杂记忆功能实现对模型长期有用数据的记忆；模型在LSTM的隐藏层的遗忘门根据上一次数据输入的隐藏状态以及本次数据输入序列情况，在激活函数的作用下，得到神经网络控制门的输出函数Ft。
Ft＝δ(ωFSt-1+ψFmt+bF) (2)
公式(2)中：δ为激活函数；ωF为定义的隐藏层至控制门的权值；ψF为定义的输入层到控制门的权值，St-1为t-1输入序列的隐藏状态函数，bF为当前t状态的偏执向量。mt为当前t输入序列的特征值。
53)将不同类别的已完成装配的大数据分成若干测试集与验证集，归一化后导入预测模型，对神经网络及其超参数进行自学习训练，完成预测模型训练。
步骤6：可装配性预测分析模型优化步骤，对可装配性预测分析模型的神经网络系统进行调节和优化。
针对不同类型数据具有的特征差异，对神经网络模型开展算法优化进行模型的调整与优化。
61)采用粒子群算法PSO(Particle Swarm Optimization，粒子群优化算法)对LSTM神经网络模型进行优化调整，对不同特征群进行粒子种群聚合，在划分出的多个子群中单独进行独立的局部中心聚类。
62)对每个粒子群内的N个粒子，构建粒子群集合
构建聚类评价因子ρi、zi，满足：
公式(3)中：xi为目标种群i内特征数据的粒子；ρi为种群i内的局部密度；zi为粒子xi与密度中心之间的距离；yij为种群内两粒子的距离；yc为种群的截断距离；
63)经过对目标种群数据的不断聚类，得到自动调整的种群密度与中心位点，经过多次数据训练(即调整的种群密度与中心位点)，得到目标种群的局部最优粒子，同时获得该特征下数据的持续变化趋势。
64)最优粒子更新；将划分的多个数据种群的局部最优粒子，考虑该粒子与其他种群的状态关联，对整个种群簇进行关联分析，获得全局最优粒子用于数据的可装配性预测评判；所采用的种群簇之间的关联函数表示为：
公式(4)中：
为粒子更新函数；ω为惯性权值，c1、c2为模型调整的学习因子，RAND1 d、
为阈值在[0，1]之间的随机分布函数，xd 0,best1为进行初始比较的种群内的局部最优粒子，xd c,bestc为第c个种群内的局部最优粒子。
65)通过数据集交叉验证的方式，将已经划分出的c个种群内的数据，利用RAND函数将种群数据随机删除若干数据后随机增加来自其他种群的数据，组合成为新的数据集合，用如步骤6所述的顺序进行累加聚类，实现各种群内粒子的状态信息交换，使得种群粒子完成状态更新，获得全部数据集合内的最快、全局最优解。
步骤7：可装配性分析步骤。
71)针对多个不同的工艺装配步骤的装配大数据进行数据集数据训练，得到单个数据集的最优值及考虑全局数据集的最优值；根据专家经验设定误差阈值，将小于误差阈值的装配流程定义为协作机器人具备可装配性。
72)利用常规装配经验建立零件装配次数专家库，将预装零件的装配操作数、装配工具置换次数、重定向次数、非装配操作数等指标进行系统排序，获得基于可装配预装零件的最小排序量，而后基于数字孪生的零件可装配性虚拟预测与评价模型将输出预装零件的推荐工艺策略，实现协作机器人零件装配。
LSTM在神经网络中的学习效率高，对于包含时间序列的数据处理效果较好，但网络结构复杂，所含超参数较多，使得计算复杂性大影响了结果的速判能力；PSO(ParticleSwarm Optimization，粒子群优化算法)算法能通过局部及全局最优值的获取，快速实现最优解判定；通过算法耦合与优化有效提高预测系统的预判能力，提高判定效率。
本发明的协作机器人可装配性预测系统及方法，利用数字孪生技术对自动化产线中协作机器人装配工位的零件可装配性进行模拟预装分析，利用深度学习及其算法的优化改进对预测过程进行准确性及高效率矫正，使得零件的实际生产装配过程具备明确的可评价性，有效减小了装配现场刀具磨损、装配工艺不合理、装配故障停机等对自动化产线生产造成的经济损失，显著降低整个产品的制造成本，并对产品设计及工艺改进提供重要支持。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种基于数字孪生的协作机器人可装配性预测系统，其特征在于，包括数据获取单元、数据处理单元、特征群构建单元、可装配性预测分析模型构建单元、可装配性预测分析模型训练单元、可装配性预测分析模型优化单元和可装配性分析单元；
所述数据获取单元，用于搜集智能加工生产线上的工艺数据、零件的基本结构特征数据和装配数据，形成可装配性预测初期数据集；
所述数据处理单元，用于对可装配性预测初期数据集进行处理，获得标准化特征值；
所述特征群构建单元，用于将标准化特征值与当前协作机器人装配性与装配故障进行初步关联构建特征群，得到特征群关联树；
所述可装配性预测分析模型构建单元，用于通过目标装配零件的结构特征来获得预装零件的结构孪生体，将结构孪生体结合初始工艺流程，构建可装配性预测分析模型；
所述可装配性预测分析模型训练单元，用于对可装配性预测分析模型进行训练；
所述可装配性预测分析模型优化单元，用于对可装配性预测分析模型进行调节和优化；
所述可装配性分析单元，用于对需要装配的各个预装零件是否具备可装配性进行分析，并输出预装零件的最优装配工艺。
2.根据权利要求1所述的基于数字孪生的协作机器人可装配性预测系统，其特征在于，所述协作机器人位于智能加工生产线的加工装配工位，协作机器人包括作业臂和关节结构；所述作业臂的顶端安装有图像识别装置。
3.根据权利要求2所述的基于数字孪生的协作机器人可装配性预测系统，其特征在于，所述图像识别装置包括高清工业相机、传感器和支架。
4.一种基于数字孪生的协作机器人可装配性预测方法，其特征在于，包括以下步骤：
步骤1：数据获取步骤，搜集智能加工生产线上的初始工艺数据、零件的基本结构特征数据和预装零件的装配数据，形成可装配性预测初期数据集；
步骤2：数据处理步骤，对所述步骤1获得的可装配性预测初期数据集进行处理，获得标准化特征值；
步骤3：特征群构建步骤，将所述步骤2获得的标准化特征值与当前协作机器人的装配性与装配故障进行初步关联构建特征群，得到特征群关联树；
步骤4：可装配性预测分析模型构建步骤，通过预装零件的结构特征来获得该预装零件的结构孪生体，将结构孪生体结合初始工艺流程，构建可装配性预测分析模型；
步骤5：可装配性预测分析模型训练步骤，通过测试集与验证集，对可装配性预测分析模型的神经网络系统进行训练；
步骤6：可装配性预测分析模型优化步骤，对可装配性预测分析模型的神经网络系统进行调节和优化；
步骤7：可装配性分析步骤，对需要装配的各个零件是否具备可装配性进行分析，并输出预装零件的最优装配工艺。
5.根据权利要求4所述的基于数字孪生的协作机器人可装配性预测方法，其特征在于，所述步骤2中，所述数据处理采用归一化简化处理方法。
6.根据权利要求4所述的基于数字孪生的协作机器人可装配性预测方法，其特征在于，所述步骤3中，通过临近数据拟合得到特征群关联树。
7.根据权利要求4所述的基于数字孪生的协作机器人可装配性预测方法，其特征在于，所述步骤4中，通过将预装零件的结构特征导入虚拟三维造型开发引擎，获得预装零件的结构孪生体。
8.根据权利要求4所述的基于数字孪生的协作机器人可装配性预测方法，其特征在于，所述步骤4中，采用适用于时间序列分析的长短时记忆LSTM神经网络进行可装配性预测分析模型的构建。
9.根据权利要求8所述的基于数字孪生的协作机器人可装配性预测方法，其特征在于，所述步骤6中，采用粒子群优化算法PSO对LSTM神经网络模型进行优化调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010936861.6A CN112231966B (zh) | 2020-09-08 | 2020-09-08 | 一种基于数字孪生的协作机器人可装配性预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010936861.6A CN112231966B (zh) | 2020-09-08 | 2020-09-08 | 一种基于数字孪生的协作机器人可装配性预测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112231966A true CN112231966A (zh) | 2021-01-15 |
| CN112231966B CN112231966B (zh) | 2023-04-07 |
Family
ID=74116118
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010936861.6A Active CN112231966B (zh) | 2020-09-08 | 2020-09-08 | 一种基于数字孪生的协作机器人可装配性预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112231966B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113655768A (zh) * | 2021-10-21 | 2021-11-16 | 深圳市信润富联数字科技有限公司 | 装配良率控制方法、设备及计算机可读存储介质 |
| CN114872044A (zh) * | 2022-05-12 | 2022-08-09 | 四川大学 | 一种基于图模型的机器人自主装配顺序规划方法 |
| CN115302507A (zh) * | 2022-08-10 | 2022-11-08 | 武汉理工大学 | 数字孪生驱动的工业机器人拆解过程智能决策方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7933679B1 (en) * | 2007-10-23 | 2011-04-26 | Cessna Aircraft Company | Method for analyzing and optimizing a machining process |
| CN110154024A (zh) * | 2019-05-22 | 2019-08-23 | 清华大学 | 一种基于长短期记忆神经网络增量模型的装配控制方法 |
| CN110225100A (zh) * | 2019-05-22 | 2019-09-10 | 清华大学 | 一种面向智能装配生产线的虚实映射系统 |
| US20190294975A1 (en) * | 2018-03-21 | 2019-09-26 | Swim.IT Inc | Predicting using digital twins |
| US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
| CN111208759A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 矿井无人化综采工作面数字孪生智能监控系统 |
| CN111230887A (zh) * | 2020-03-10 | 2020-06-05 | 合肥学院 | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 |
| US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
-
2020
- 2020-09-08 CN CN202010936861.6A patent/CN112231966B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7933679B1 (en) * | 2007-10-23 | 2011-04-26 | Cessna Aircraft Company | Method for analyzing and optimizing a machining process |
| US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
| US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
| US20190294975A1 (en) * | 2018-03-21 | 2019-09-26 | Swim.IT Inc | Predicting using digital twins |
| CN110154024A (zh) * | 2019-05-22 | 2019-08-23 | 清华大学 | 一种基于长短期记忆神经网络增量模型的装配控制方法 |
| CN110225100A (zh) * | 2019-05-22 | 2019-09-10 | 清华大学 | 一种面向智能装配生产线的虚实映射系统 |
| CN111208759A (zh) * | 2019-12-30 | 2020-05-29 | 中国矿业大学(北京) | 矿井无人化综采工作面数字孪生智能监控系统 |
| CN111230887A (zh) * | 2020-03-10 | 2020-06-05 | 合肥学院 | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 占航: "面向前桥装配过程的在线质量控制方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑(月刊)》, no. 01, 15 January 2020 (2020-01-15), pages 1 * |
| 汪霖等: "机器人三维视觉技术及其在智能制造中的应用", 《自动化博览》, no. 02, 15 February 2020 (2020-02-15), pages 70 - 76 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113655768A (zh) * | 2021-10-21 | 2021-11-16 | 深圳市信润富联数字科技有限公司 | 装配良率控制方法、设备及计算机可读存储介质 |
| CN114872044A (zh) * | 2022-05-12 | 2022-08-09 | 四川大学 | 一种基于图模型的机器人自主装配顺序规划方法 |
| CN115302507A (zh) * | 2022-08-10 | 2022-11-08 | 武汉理工大学 | 数字孪生驱动的工业机器人拆解过程智能决策方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112231966B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111230887B (zh) | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 | |
| CN112231966B (zh) | 一种基于数字孪生的协作机器人可装配性预测系统及方法 | |
| CN114048600B (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
| Chen et al. | Toward intelligent machine tool | |
| CN112085261B (zh) | 基于云端融合和数字孪生技术的企业生产现状诊断方法 | |
| CN109857395B (zh) | 基于开放式数控系统的凸轮轴智能磨削工艺软件数据库系统的集成应用方法 | |
| Liu et al. | Digital twin-enabled machining process modeling | |
| WO2015096511A1 (zh) | 飞机结构件智能数控加工编程系统及方法 | |
| Li et al. | A flexible manufacturing assembly system with deep reinforcement learning | |
| CN114118673A (zh) | 一种基于数字孪生技术的车间智能化故障诊断预警方法 | |
| CN106407567B (zh) | 一种rv减速器参数化设计建模方法 | |
| Sun et al. | Machining cycle time prediction: Data-driven modelling of machine tool feedrate behavior with neural networks | |
| CN117572771A (zh) | 数字孪生的系统参数控制方法及系统 | |
| Ma et al. | Artificial intelligence enhanced interaction in digital twin shop-floor | |
| CN113642236A (zh) | 一种面向多学科的数字孪生图网络建模方法 | |
| Yan et al. | A transfer-learning based energy consumption modeling method for industrial robots | |
| Wei et al. | Manufacturing data-driven process adaptive design method | |
| Chernyshev et al. | Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site | |
| Gao et al. | Artificial Intelligence in manufacturing: State of the art, perspectives, and future directions | |
| CN116690988A (zh) | 一种大型建筑模型3d打印系统和方法 | |
| Li et al. | An intelligent interactive approach for assembly process planning based on hierarchical classification of parts | |
| Zheng et al. | Assembly sequence planning method for optimum assembly accuracy of complex products based on modified teaching–learning based optimization algorithm | |
| Hatami et al. | Applicability of Artificial Intelligence (AI) Methods to Construction Manufacturing: A Literature Review | |
| CN115359184A (zh) | 一种包含机械仿真和虚拟维修属性的综合建模方法 | |
| CN114239938A (zh) | 一种基于状态的能源数字孪生体的构建方法 |
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 |