CN116117811A - 一种基于数字孪生的工业机器人综合性能分析方法及系统 - Google Patents
一种基于数字孪生的工业机器人综合性能分析方法及系统 Download PDFInfo
- Publication number
- CN116117811A CN116117811A CN202310073986.4A CN202310073986A CN116117811A CN 116117811 A CN116117811 A CN 116117811A CN 202310073986 A CN202310073986 A CN 202310073986A CN 116117811 A CN116117811 A CN 116117811A
- Authority
- CN
- China
- Prior art keywords
- industrial robot
- data
- robot
- model
- index
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 78
- 238000004519 manufacturing process Methods 0.000 claims abstract description 44
- 238000005265 energy consumption Methods 0.000 claims abstract description 39
- 238000013499 data model Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000036541 health Effects 0.000 claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 67
- 238000004364 calculation method Methods 0.000 claims description 63
- 230000000007 visual effect Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013523 data management Methods 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 239000012636 effector Substances 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims description 2
- 230000009471 action Effects 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000078 claw Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于数字孪生的工业机器人综合性能分析方法及系统。该方法包括:建立工业机器人设备数字孪生模型,包括构建工业机器人几何模型、物理模型及机理模型;建立工业机器人数据驱动数学模型,实现数字孪生模型的实时动作驱动;建立工业机器人综合性能评价数据模型,实时获取工业机器人生产过程中的各项指标数据;建立工业机器人综合性能分析算法模型,通过搭建数字孪生硬件系统,开发工业机器人数字孪生软件系统,直观地反应工业机器人运行时间利用率、生产效率指数、生产质量指数、机器人健康指数、机器人能耗指数、环境适应度等各项指标,为工业机器人生产效率优化提升提供依据。
Description
技术领域
本发明涉及工业机器人的综合性能分析计算领域,具体而言,涉及一种基于数字孪生的工业机器人综合性能分析方法及系统。
背景技术
保证工业机器人的可靠性、稳定性、高效性是在工业生产过程中的重要前提,实时掌握工业机器人的综合性能是识别和消除生产过程损失、提高生产效率的有效手段,现有技术中,尚未有针对工业机器人综合性能分析的具体方法及系统,作业人员无法直观了解工业机器人生产过程中的各项指标,不能做到及时有效的减少工业机器人在生产过程中的各类损失,因此研究工业机器人的综合性能十分必要。
发明内容
针对目前缺乏工业机器人综合效率分析方法的问题,本发明的主要目的在于提供一种基于数字孪生的工业机器人综合性能分析方法及系统,通过搭建工业机器人数字孪生硬件系统,建立工业机器人设备数字孪生模型、工业机器人数据驱动数学模型、工业机器人综合性能评价数据模型、工业机器人综合性能分析算法模型,进一步开发工业机器人数字孪生软件系统,从运行时间利用率、生产效率指数、生产质量指数、机器人健康指数、机器人能耗指数、环境适应度等各方面实时反应工业机器人生产过程中的综合性能和运行态势。
为了实现上述目的,本发明采取的技术方案包括:
根据本发明的一个方面,提供一种基于数字孪生的工业机器人综合性能分析方法,该方法具体步骤包括:
进一步地,步骤S1中,建立工业机器人设备数字孪生模型,包括构建工业机器人形状结构、尺寸、外观等几何属性的几何模型;构建工业机器人运动学、动力学等物理属性的物理模型;构建工业机器人生产运行过程的内部机制或工艺生产流程或物质信息流的传递机理等机理模型。
进一步地,步骤S2中,建立工业机器人数据驱动数学模型,包括关节机器人的各关节动作驱动数据、直角坐标机器人的三坐标动作驱动数据、各类工业机器人末端执行器的动作驱动数据以及工业机器人配套设备的动作驱动数据。
进一步地,步骤S3中,建立工业机器人综合性能评价数据模型,包括工业机器人生产过程中的各项性能指标数据,如:运行时间利用率(Rta)、生产效率指数(Pro)、生产质量指数(Qua)、机器人健康指数(Hea)、机器人能耗指数(Eco)、环境适应度(Ena)等。
进一步地,步骤S4中,建立工业机器人综合性能分析算法模型,首先确定工业机器人综合性能(Ircp)各指标权重,ω={ω1,ω2,ω3,ω4,ω5,ω6};其次基于工业机器人综合性能评价数据模型,计算工业机器人综合性能(Ircp),具体计算方法如公式(1)所示:
进一步地,所述各指标具体数据及计算方法步骤包括:
步骤S101:所述运行时间利用率(Rta)指工业机器人有任务状态的实际工作时间占比,由任务时间(Rt)、可工作时间(At)计算得到,计算过程如公式(2)所示:
步骤S102:所述生产效率指数(Pro)由可用性(AE)、表现性(PE)计算得到,计算过程如公式(3)所示:
Pro=AE×PE (3)
其中所述可用性(AE)主要由工业机器人运转时间(Ut)、任务时间(Rt)计算得到,其中任务时间(Rt)由运转时间(Ut)和停滞时间(St)计算得到,停滞时间主要包括暂停时间、等待时间、故障时间、维护时间、准备时间,计算过程如公式(4)所示:
所述表现性(PE)主要由机器人计划工作周期(Pw)、实际加工数量(Aq)、以及运转时间(Ut)计算得到,计算过程如公式(5)所示:
步骤S103:所述生产质量指数(Qua)由工业机器人加工的良品数量(Gq)、实际加工数量(Aq)计算得到,其中良品数量由工业机器人实际加工数量和加工失败数量计算得到,计算过程如公式(6)所示:
步骤S104:所述机器人健康指数(Hea)包括工业机器人的机械可靠性(Mr)、电气可靠性(Er)、工艺可靠性(Pr),计算过程如公式(7)所示:
Hea=Mr×Er×Pr (7)
其中所述机械可靠性(Mr)由运转时间(Ut)和机械结构故障时间(Mf)计算得到,计算过程如公式(8)所示:
所述电气可靠性(Er)由运转时间(Ut)和电气故障时间(Ef)计算得到,计算过程如公式(9)所示:
所述工艺可靠性(Pr)由运转时间(Ut)和工艺故障时间(Pf)计算得到,计算过程如公式(10)所示:
步骤S105:所述机器人能耗指数(Eco)主要针对水f1、电f2、气f3、汽f4的每日消耗量进行评估,分别与日均能耗值进行对比,判断是否存在异常,建立日均能耗值范围,如表1所示:
表1日均能耗值范围
通过实际数据与日均能耗值进行对比,确定机器人各能耗指标,计算过程如公式(11)所示:
进一步确定能耗指数中各指标的权重,ωf={ωf1,ωf2,ωf3,ωf4};机器人能耗指数(Eco)计算过程如公式(12)所示:
步骤S106:所述环境适应度(Ena)主要通过环境中的温度f1、湿度f2进行评估,判断工业机器人是否在理想环境中工作,通过分析工业机器人的理想环境温湿度,建立温湿度理想参考值如表2所示:
表2温湿度标准值
环境适应度指标 | 理想值范围 |
<![CDATA[温度f<sub>t</sub>]]> | <![CDATA[(t<sub>1</sub>,t<sub>2</sub>)]]> |
<![CDATA[湿度f<sub>h</sub>]]> | <![CDATA[(h<sub>1</sub>,h<sub>2</sub>)]]> |
通过实际数据与温湿度理想值进行对比,确定环境适应度指标,计算过程如公式(13)所示:
进一步确定环境适应度各指标的权重,温度为ωt,湿度为ωh;机器人环境适应度(Ena)计算过程如公式(14)所示:
Ena=ωt·ft+ωh·fh (14)
进一步地,步骤S5中,搭建工业机器人数字孪生硬件系统,并开发工业机器人数字孪生软件系统。
根据本发明的另一个方面,提供一种基于数字孪生的工业机器人综合性能分析系统,该系统包括,搭建工业机器人数字孪生硬件系统,具体包括工业机器人本体、机器人控制器、数据采集传感器、监测终端、工作站、显示器、TechViz等虚拟现实平台。
进一步地,开发工业机器人数字孪生软件系统,主要包括用户管理模块、模型驱动模块、场景交互模块、数据采集模块、数据存储模块、数据管理模块、综合性能分析计算模块、可视化展示模块。
进一步地,所述工业机器人本体属于数字孪生系统物理实体部分,通过建立机器人本体三维模型,构建数字化虚体模型,提供系统驱动模型,实现软件系统的模型驱动。
进一步地,通过获取机器人控制器、数据采集传感器、监测终端等各类数据信号,开发软件系统数据采集模块、数据存储模块,实现工业机器人多源多参数数据采集与存储。
进一步地,所述数据采集模块主要包括实时驱动数据采集以及非实时数据采集两大类,采用MQTT、HTTP等各类接口形式进行数据传输。
进一步地,所述数据存储模块,采用MySQL、MS SQL Server或Oracle关系数据库或MongoDB、Redis时序数据库进行数据存储,实现数据的采集存储过程。
进一步地,所述工作站用来部署、运行工业机器人数字孪生系统;所述显示器连接工作站采用平面形式展示模型驱动、场景交互以及数据展示等界面;所述TechViz等虚拟现实平台采用VR/AR的形式展示模型驱动、场景交互以及数据展示等界面。
进一步地,所述数据管理模块包括工业机器人机器人状态数据、运行状态数据、工艺过程数据、机器人故障数据、生产质量数据、能源消耗数据、综合性能数据等,并实现各类数据的查看及报表导出功能。
进一步地,所述综合性能分析计算模块基于工业机器人综合性能分析算法模型,其输入端连接数据采集存储模块、输出端连接数据管理模块,通过调用综合性能分析算法,计算并分析工业机器人的综合性能及各项指标情况。
进一步地,所述可视化展示模块包括模型驱动可视化、场景交互可视化、数据展示可视化。
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:
本发明通过构建工业机器人几何模型、物理模型及机理模型,构建出高保真、轻量化的数字孪生模型;通过获取工业机器人包括关节机器人、直角坐标机器人、各类机器人末端执行器以及工业机器人配套设备的动作驱动数据,实现了工业机器人设备数字孪生模型的实时动作驱动;通过建立工业机器人综合性能评价数据模型,实时获取工业机器人生产过程中的各项指标数据;通过建立工业机器人综合性能分析算法模型,快速准确的计算出工业机器人综合性能;通过搭建工业机器人数字孪生硬件系统,并进一步开发工业机器人数字孪生软件系统,通过可视化界面直观展示了工业机器人综合性能的各项数据,准确清楚地反映了工业机器人在运行时间利用率、生产效率指数、生产质量指数、机器人健康指数、机器人能耗指数、环境适应度等各方面中的综合性能和运行态势,使得设备操作人员直观掌握设备状态,可以有效避免生产过程中的各类损失,为工业机器人提供生产效率优化提升的依据。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明实施例的基于数字孪生的工业机器人综合性能分析方法流程示意图;
图2是本发明实施例的工业机器人综合性能评价数据模型示意图;
图3是本发明实施例的工业机器人数字孪生硬件系统示意图;
图4是本发明实施例的工业机器人数字孪生软件系统功能模块示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
本发明以锁扣机器人为实施例对一种基于数字孪生的工业机器人综合性能分析方法及系统进行详细分析,具体包括:
如图1所示,本发明实施例提供了一种基于数字孪生的工业机器人综合性能分析方法及系统,该方法具体步骤包括:
步骤S1中,所述建立工业机器人设备数字孪生模型,包括构建工业机器人形状结构、尺寸、外观等几何属性的几何模型;构建工业机器人运动学、动力学等物理属性的物理模型;构建工业机器人生产运行过程的内部机制或工艺生产流程或物质信息流的传递机理等机理模型。
实施例中锁扣机器人数字孪生模型在3D模型的基础上,利用模型处理软件进行模型轻量化、模型纹理贴图、模型及场景渲染等处理,构建高保真、轻量化的数字孪生模型;
步骤S2中,所述工业机器人数据驱动数学模型,包括关节机器人的各关节动作驱动数据、直角坐标机器人的三坐标动作驱动数据、各类工业机器人末端执行器的动作驱动数据以及工业机器人配套设备的动作驱动数据。
实施例中锁扣机器人孪生驱动模型,包括锁扣机器人的三坐标X、Y、Z方向的动作数据、锁扣机器人手爪的抓取动作数据、锁扣缓存架的动作数据、纱笼移动动作数据,实现锁扣机器人数据孪生模型的动作驱动;
步骤S3中,如图2所示,所述建立工业机器人综合性能评价数据模型,包括工业机器人生产过程中的各项性能指标数据,如:运行时间利用率(Rta)、生产效率指数(Pro)、生产质量指数(Qua)、机器人健康指数(Hea)、机器人能耗指数(Eco)、环境适应度(Ena)等;
步骤S4中,所述建立工业机器人综合性能分析算法模型,首先确定工业机器人综合性能(Ircp)各指标权重,ω={ω1,ω2,ω3,ω4,ω5,ω6};其次基于工业机器人综合性能评价数据模型,计算工业机器人综合性能(Ircp),具体计算方法如公式(1)所示:
进一步地,所述各指标具体数据及计算方法步骤包括:
步骤S101:所述运行时间利用率(Rta)指锁扣机器人有任务状态的实际工作时间占比,由任务时间(Rt)、可工作时间(At)计算得到,计算过程如公式(2)所示:
步骤S102:所述生产效率指数(Pro)由可用性(AE)、表现性(PE)计算得到,计算过程如公式(3)所示:
Pro=AE×PE (3)
其中所述可用性(AE)主要由锁扣机器人运转时间(Ut)、任务时间(Rt)计算得到,其中任务时间(Rt)由运转时间(Ut)和停滞时间(St)计算得到,停滞时间主要包括暂停时间、等待时间、故障时间、维护时间、准备时间,计算过程如公式(4)所示:
所述运转时间(Ut)由锁扣机器人速度损失时间和实质运转时间计算得到,计算过程如公式(5)所示:
Ut=速度损失时间+实质运转时间 (5)
所述速度损失时间包括设备暂停时间和减速损失时间,设备暂停时间由公式(6)计算得到:
设备暂停时间=设备运转时间-(实际装卸数量×计划装卸周期) (6)
所述减速损失时间由公式(7)计算得到:
减速损失时间=实际装卸数量×(实际装卸周期-计划装卸周期) (7)
所述实质运转时间包括不良损失时间和价值运转时间,不良损失时间包括装卸锁扣失败的返工时间以及锁扣缓存架调整过程的换装时间;价值运转时间指锁扣装卸良品数量所用的时间,计算过程如公式(8)所示:
所述停滞时间由移载车/天车运送纱笼到指定位置前的等待时间、设备故障/停机时间、设备手动操作维护时间、设备回零准备时间计算得到,计算过程如公式(9)所示:
停滞时间=等待时间+故障时间+维护时间+准备时间(9)
所述表现性(PE)主要由锁扣机器人计划工作周期(Pw)、实际加工数量(Aq)、以及运转时间(Ut)计算得到,计算过程如公式(10)所示:
实施例中锁扣机器人的计划工作周期计划工作周期由计划工作时长和计划加工数量计算得到,计算过程如公式(11)所示:
所述计划工作周期为锁扣的计划装卸周期、实际加工数量为锁扣的实际装卸数量,
所述计划工作时长是指所有锁扣装卸完成需要的计划总时间;
所述计划工作周期为锁扣的计划装卸周期,是指单个锁扣装卸完成需要的计划时间周期;
所述计划加工数量为锁扣的计划装卸数量,指计划装卸的锁扣数量,数量一般为120个;
所述实际加工数量为锁扣的实际装卸数量,指实际装卸的锁扣数量,数量范围在0~120之间。
步骤S103:所述生产质量指数(Qua)由工业机器人加工的良品数量(Gq)、实际加工数量(Aq)计算得到,其中良品数量由工业机器人实际加工数量和加工失败数量计算得到,计算过程如公式(12)所示:
所述良品数量为锁扣装卸的良品数量;
所述实际加工数量为锁扣的实际装卸数量;
步骤S104:所述机器人健康指数(Hea)包括锁扣机器人的机械可靠性(Mr)、电气可靠性(Er)、工艺可靠性(Pr),计算过程如公式(13)所示:
Hea=Mr×Er×Pr (13)
其中所述机械可靠性(Mr)由运转时间(Ut)和机械结构故障时间(Mf)计算得到,计算过程如公式(14)所示:
实施例中锁扣机器人的机械结构故障主要包括手爪抓紧度、手爪气缸行程、扶正气缸行程、升降气缸行程、纱笼各杆坐标、托盘各杆坐标、纱杆垂直度等。
所述电气可靠性(Er)由运转时间(Ut)和电气故障时间(Ef)计算得到,计算过程如公式(15)所示:
实施例中锁扣机器人的电气故障主要包括接触器故障、继电器故障、电磁阀故障、位置检测传感器故障、气压检测传感器故障、力矩检测传感器故障、伺服驱动器故障等。
所述工艺可靠性(Pr)由运转时间(Ut)和工艺故障时间(Pf)计算得到,计算过程如公式(16)所示:
实施例中锁扣机器人的工艺故障主要包括气压不稳定、力矩不稳定、电机转速不稳定、轴速度不稳定等。
步骤S105:所述机器人能耗指数(Eco)主要针对水f1、电f2、气f3、汽f4的每日消耗量进行评估,分别与日均能耗值进行对比,判断是否存在异常,建立日均能耗值范围,如表1所示:
表1日均能耗值范围
能耗指标 | 日均能耗值范围 |
<![CDATA[水f<sub>1</sub>]]> | <![CDATA[(a<sub>1</sub>,b<sub>1</sub>)]]> |
<![CDATA[电f<sub>2</sub>]]> | <![CDATA[(a<sub>2</sub>,b<sub>2</sub>)]]> |
<![CDATA[气f<sub>3</sub>]]> | <![CDATA[(a<sub>3</sub>,b<sub>3</sub>)]]> |
<![CDATA[汽f<sub>4</sub>]]> | <![CDATA[(a<sub>4</sub>,b<sub>4</sub>)]]> |
通过实际数据与日均能耗值进行对比,确定机器人各能耗指标,计算过程如公式(17)所示:
进一步确定能耗指数中各指标的权重,ωf={ωf1,ωf2,ωf3,ωf4};机器人能耗指数(Eco)计算过程如公式(18)所示:
实施例中锁扣机器人的能耗指标主要包括水、电、气三类。
步骤S106:所述环境适应度(Ena)主要通过环境中的温度f1、湿度f2进行评估,判断工业机器人是否在理想环境中工作,通过分析工业机器人的理想环境温湿度,建立温湿度理想参考值如表2所示:
表2温湿度标准值
环境适应度指标 | 理想值范围 |
<![CDATA[温度f<sub>t</sub>]]> | <![CDATA[(t<sub>1</sub>,t<sub>2</sub>)]]> |
<![CDATA[湿度f<sub>h</sub>]]> | <![CDATA[(h<sub>1</sub>,h<sub>2</sub>)]]> |
通过实际数据与温湿度理想值进行对比,确定环境适应度指标,计算过程如公式(19)所示:
进一步确定环境适应度各指标的权重,温度为ωt,湿度为ωh;机器人环境适应度(Ena)计算过程如公式(20)所示:
Ena=ωt·ft+ωh·fh (20)
搭建工业机器人数字孪生硬件系统,包括工业机器人本体、机器人控制器、数据采集传感器、监测终端、工作站、显示器、TechViz等虚拟现实平台。
实施例中锁扣机器人数字孪生硬件系统包括:锁扣机器人本体,PLC控制器,接触器、继电器、电磁阀、位置检测传感器、气压检测传感器、力矩检测传感器、伺服驱动器等各类数据采集传感器,相机、温度传感器、湿度传感器等各类监测终端、工作站、显示器以及TechViz或VR眼镜等虚拟现实平台。
实施例中锁扣机器人本体属于数字孪生系统物理实体部分,通过建立锁扣机器人本体三维模型,构建数字化虚体模型,提供系统驱动模型,实现软件系统的模型驱动;
实施例中通过获取锁扣机器人PLC控制器、接触器、继电器、电磁阀、位置检测传感器、气压检测传感器、力矩检测传感器、伺服驱动器等各类传感器数据信号,以及相机、温度传感器、湿度传感器等监测终端信号,实现锁扣机器人多源多参数数据采集与存储;
所述工作站用来部署、运行工业机器人数字孪生系统;所述显示器连接工作站采用平面形式展示模型驱动、场景交互以及数据展示等界面;所述TechViz等虚拟现实平台采用VR/AR的形式展示模型驱动、场景交互以及数据展示等界面。
开发的工业机器人数字孪生软件系统,主要包括用户管理模块、模型驱动模块、场景交互模块、数据采集模块、数据存储模块、数据管理模块、综合性能分析计算模块、可视化展示模块。
所述数据采集模块主要包括实时驱动数据采集以及非实时数据采集两大类,采用MQTT、HTTP等各类接口形式进行数据传输;
所述数据存储模块,采用MySQL、MS SQL Server或Oracle关系数据库或MongoDB、Redis时序数据库进行数据存储,实现数据的采集存储过程;
所述数据管理模块包括工业机器人机器人状态数据、运行状态数据、工艺过程数据、机器人故障数据、生产质量数据、能源消耗数据、综合性能数据等,并实现各类数据的查看及报表导出功能。
所述综合性能分析计算模块基于工业机器人综合性能分析算法模型,其输入端连接数据采集存储模块、输出端连接数据管理模块,通过调用综合性能分析算法,计算并分析工业机器人的综合性能及各项指标情况。
所述可视化展示模块包括模型驱动可视化、场景交互可视化、数据展示可视化。
实施例中锁扣机器人数字孪生软件系统通过可视化界面进行物理模型的三维立体展示、机器人运行过程的动作展示、机器人生产过程的各项数据展示、综合性能计算结果展示,通过折线图、柱状图、饼状图等图像化形式直观展示综合性能的各项指标数据分析,准确清楚地反映了锁扣机器人在运行时间利用率、生产效率指数、生产质量指数、机器人健康指数、机器人能耗指数、环境适应度等各方面中的综合性能和运行态势,使得设备操作人员直观掌握设备状态,可以有效避免生产过程中的各类损失。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域的普通技术人员来说,在不脱离本发明所述方法的前提下,还可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于数字孪生的工业机器人综合性能分析方法,其特征在于,该方法具体步骤包括:
步骤S1:建立工业机器人设备数字孪生模型,包括构建工业机器人形状结构、尺寸、外观等几何属性的几何模型;构建工业机器人运动学、动力学等物理属性的物理模型;构建工业机器人生产运行过程的内部机制或工艺生产流程或物质信息流的传递机理等机理模型。
步骤S2:建立工业机器人数据驱动数学模型,包括关节机器人的各关节动作驱动数据、直角坐标机器人的三坐标动作驱动数据、各类工业机器人末端执行器的动作驱动数据以及工业机器人配套设备的动作驱动数据。
步骤S3:建立工业机器人综合性能评价数据模型,包括工业机器人生产过程中的各项性能指标数据,如:运行时间利用率(Rta)、生产效率指数(Pro)、生产质量指数(Qua)、机器人健康指数(Hea)、机器人能耗指数(Eco)、环境适应度(Ena)等。
步骤S4:建立工业机器人综合性能分析算法模型,首先确定工业机器人综合性能(Ircp)各指标权重,ω={ω1,ω2,ω3,ω4,ω5,ω6};其次基于工业机器人综合性能评价数据模型,计算工业机器人综合性能(Ircp),具体计算方法如公式(1)所示:
步骤S5:搭建工业机器人数字孪生硬件系统,并开发工业机器人数字孪生软件系统。
2.根据权利要求1所述的一种基于数字孪生的工业机器人综合性能分析方法,其特征在于,所述步骤S3中工业机器人综合性能评价数据模型及所述步骤S4中工业机器人综合性能分析算法模型中,各指标具体数据及计算方法步骤包括:
步骤S101:所述运行时间利用率(Rta)指工业机器人有任务状态的实际工作时间占比,由任务时间(Rt)、可工作时间(At)计算得到,计算过程如公式(2)所示:
步骤S102:所述生产效率指数(Pro)由可用性(AE)、表现性(PE)计算得到,计算过程如公式(3)所示:
Pro=AE×PE (3)
其中所述可用性(AE)主要由工业机器人运转时间(Ut)、任务时间(Rt)计算得到,其中任务时间(Rt)由运转时间(Ut)和停滞时间(St)计算得到,停滞时间主要包括暂停时间、等待时间、故障时间、维护时间、准备时间,计算过程如公式(4)所示:
所述表现性(PE)主要由机器人计划工作周期(Pw)、实际加工数量(Aq)、以及运转时间(Ut)计算得到,计算过程如公式(5)所示:
步骤S103:所述生产质量指数(Qua)由工业机器人加工的良品数量(Gq)、实际加工数量(Aq)计算得到,其中良品数量由工业机器人实际加工数量和加工失败数量计算得到,计算过程如公式(6)所示:
步骤S104:所述机器人健康指数(Hea)包括工业机器人的机械可靠性(Mr)、电气可靠性(Er)、工艺可靠性(Pr),计算过程如公式(7)所示:
Hea=Mr×Er×Pr (7)
其中所述机械可靠性(Mr)由运转时间(Ut)和机械结构故障时间(Mf)计算得到,计算过程如公式(8)所示:
所述电气可靠性(Er)由运转时间(Ut)和电气故障时间(Ef)计算得到,计算过程如公式(9)所示:
所述工艺可靠性(Pr)由运转时间(Ut)和工艺故障时间(Pf)计算得到,计算过程如公式(10)所示:
步骤S105:所述机器人能耗指数(Eco)主要针对水f1、电f2、气f3、汽f4的每日消耗量进行评估,分别与日均能耗值进行对比,判断是否存在异常,建立日均能耗值范围,如表1所示:
表1日均能耗值范围
通过实际数据与日均能耗值进行对比,确定机器人各能耗指标,计算过程如公式(11)所示:
进一步确定能耗指数中各指标的权重,ωf={ωf1,ωf2,ωf3,ωf4};机器人能耗指数(Eco)计算过程如公式(12)所示:
步骤S106:所述环境适应度(Ena)主要通过环境中的温度f1、湿度f2进行评估,判断工业机器人是否在理想环境中工作,通过分析工业机器人的理想环境温湿度,建立温湿度理想参考值如表2所示:
表2温湿度标准值
通过实际数据与温湿度理想值进行对比,确定环境适应度指标,计算过程如公式(13)所示:
进一步确定环境适应度各指标的权重,温度为ωt,湿度为ωh;机器人环境适应度(Ena)计算过程如公式(14)所示:
Ena=ωt·ft+ωh·fh (14)
3.一种如权利要求1至2中任一项所述的基于数字孪生的工业机器人综合性能分析系统,其特征在于,该系统包括:
搭建工业机器人数字孪生硬件系统,包括工业机器人本体、机器人控制器、数据采集传感器、监测终端、工作站、显示器、TechViz等虚拟现实平台;
进一步开发工业机器人数字孪生软件系统,主要包括用户管理模块、模型驱动模块、场景交互模块、数据采集模块、数据存储模块、数据管理模块、综合性能分析计算模块、可视化展示模块。
4.根据权利要求3所述的一种基于数字孪生的工业机器人综合性能分析系统,其特征在于:
所述工业机器人本体属于数字孪生系统物理实体部分,通过建立机器人本体三维模型,构建数字化虚体模型,提供系统驱动模型,实现软件系统的模型驱动;
通过获取机器人控制器、数据采集传感器、监测终端等各类数据信号,开发软件系统数据采集模块、数据存储模块,实现工业机器人多源多参数数据采集与存储;
所述数据采集模块主要包括实时驱动数据采集以及非实时数据采集两大类,采用MQTT、HTTP等各类接口形式进行数据传输;
所述数据存储模块,采用MySQL、MS SQL Server或Oracle关系数据库或MongoDB、Redis时序数据库进行数据存储,实现数据的采集存储过程;
所述工作站用来部署、运行工业机器人数字孪生系统;所述显示器连接工作站采用平面形式展示模型驱动、场景交互以及数据展示等界面;所述TechViz等虚拟现实平台采用VR/AR的形式展示模型驱动、场景交互以及数据展示等界面;
所述数据管理模块包括工业机器人机器人状态数据、运行状态数据、工艺过程数据、机器人故障数据、生产质量数据、能源消耗数据、综合性能数据等,并实现各类数据的查看及报表导出功能;
所述综合性能分析计算模块基于工业机器人综合性能分析算法模型,其输入端连接数据采集存储模块、输出端连接数据管理模块,通过调用综合性能分析算法,计算并分析工业机器人的综合性能及各项指标情况;
所述可视化展示模块包括模型驱动可视化、场景交互可视化、数据展示可视化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310073986.4A CN116117811A (zh) | 2023-02-07 | 2023-02-07 | 一种基于数字孪生的工业机器人综合性能分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310073986.4A CN116117811A (zh) | 2023-02-07 | 2023-02-07 | 一种基于数字孪生的工业机器人综合性能分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116117811A true CN116117811A (zh) | 2023-05-16 |
Family
ID=86298950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310073986.4A Pending CN116117811A (zh) | 2023-02-07 | 2023-02-07 | 一种基于数字孪生的工业机器人综合性能分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116117811A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645010A (zh) * | 2023-07-21 | 2023-08-25 | 金正大生态工程集团股份有限公司 | 一种化工安全生产巡控系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751292A (zh) * | 2015-04-09 | 2015-07-01 | 深圳国创善能科技有限公司 | 一种机电设备运行综合管理方法 |
CN107506944A (zh) * | 2017-09-12 | 2017-12-22 | 华迪计算机集团有限公司 | 一种用于对视频监控系统性能进行评价的方法及系统 |
CN110738423A (zh) * | 2019-10-17 | 2020-01-31 | 浙江中烟工业有限责任公司 | 一种卷接设备综合效能评价方法 |
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 |
CN112060129A (zh) * | 2020-08-06 | 2020-12-11 | 珠海格力电器股份有限公司 | 机器人关节原点校正装置及其校正方法、机器人 |
CN113408839A (zh) * | 2021-01-15 | 2021-09-17 | 金陵科技学院 | 一种基于区块链的工业机械的智能化生产模型 |
CN216422551U (zh) * | 2021-10-25 | 2022-05-03 | 中国船舶重工集团公司第七一六研究所 | 一种适用于被动式下肢工业外骨骼机器人的测试设备 |
-
2023
- 2023-02-07 CN CN202310073986.4A patent/CN116117811A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751292A (zh) * | 2015-04-09 | 2015-07-01 | 深圳国创善能科技有限公司 | 一种机电设备运行综合管理方法 |
CN107506944A (zh) * | 2017-09-12 | 2017-12-22 | 华迪计算机集团有限公司 | 一种用于对视频监控系统性能进行评价的方法及系统 |
CN110738423A (zh) * | 2019-10-17 | 2020-01-31 | 浙江中烟工业有限责任公司 | 一种卷接设备综合效能评价方法 |
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 |
CN112060129A (zh) * | 2020-08-06 | 2020-12-11 | 珠海格力电器股份有限公司 | 机器人关节原点校正装置及其校正方法、机器人 |
CN113408839A (zh) * | 2021-01-15 | 2021-09-17 | 金陵科技学院 | 一种基于区块链的工业机械的智能化生产模型 |
CN216422551U (zh) * | 2021-10-25 | 2022-05-03 | 中国船舶重工集团公司第七一六研究所 | 一种适用于被动式下肢工业外骨骼机器人的测试设备 |
Non-Patent Citations (1)
Title |
---|
陈霞;靳毅;吴歌;孟霞;: "设备综合性能评价体系构建", 上海质量, no. 02, 20 February 2017 (2017-02-20), pages 1 - 4 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116645010A (zh) * | 2023-07-21 | 2023-08-25 | 金正大生态工程集团股份有限公司 | 一种化工安全生产巡控系统 |
CN116645010B (zh) * | 2023-07-21 | 2023-11-21 | 金正大生态工程集团股份有限公司 | 一种化工安全生产巡控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738739B (zh) | 一种面向机器人装配的数字孪生系统的构建系统 | |
CN116117811A (zh) | 一种基于数字孪生的工业机器人综合性能分析方法及系统 | |
CN108021084B (zh) | 一种虚实结合的生产线三维监控系统 | |
CN111633644A (zh) | 一种结合智能视觉的工业机器人数字孪生系统及其运行方法 | |
CN113715016B (zh) | 一种基于3d视觉的机器人抓取方法、系统、装置及介质 | |
CN109079736B (zh) | 一种基于ros的移动机器人平台的控制方法及系统 | |
CN113379849A (zh) | 基于深度相机的机器人自主识别智能抓取方法及系统 | |
CN107220713B (zh) | 基于健康状态的机器人手臂实时保养方法 | |
JP2023536380A (ja) | 物体検出のためのシステム及び方法 | |
Zhou et al. | Design and test of a sorting device based on machine vision | |
Ben et al. | Research on visual orientation guidance of industrial robot based on cad model under binocular vision | |
CN114147706A (zh) | 一种基于数字孪生的协作机器人远程监测系统与方法 | |
Hu et al. | Fault diagnosis of robot joint based on BP neural network | |
CN111168674A (zh) | 基于ccd定位系统的测试卡组装方法 | |
CN116715034A (zh) | 一种基于数字孪生的码垛机器人预测性维护系统及方法 | |
CN109973355B (zh) | 一种面向空气压缩机的节能降耗方法 | |
Shan et al. | Key technologies of real-time visualization system for intelligent manufacturing equipment operating state under IIOT environment | |
CN206393156U (zh) | 一种用于汽车线束装配检测的标准化装配台 | |
CN115070774A (zh) | 一种基于中值神经网络的工业机器人故障模式识别方法 | |
CN116414554A (zh) | 一种基于并行计算的车间数字孪生系统 | |
CN109202802B (zh) | 一种用于卡合装配的视觉引导系统及方法 | |
CN114140526A (zh) | 一种基于深度学习的无序工件三维视觉位姿估计方法 | |
CN108076830A (zh) | 一种基于机器视觉的苹果采摘机器人系统 | |
CN114415575B (zh) | 实时数据驱动的焊接车间三维虚拟监控与智能预警系统 | |
CN112815851A (zh) | 手眼标定方法及装置、系统、电子设备、存储介质 |
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 |