CN117908495A - 基于多传感器的柔性高精度加工系统及加工方法 - Google Patents
基于多传感器的柔性高精度加工系统及加工方法 Download PDFInfo
- Publication number
- CN117908495A CN117908495A CN202410275811.6A CN202410275811A CN117908495A CN 117908495 A CN117908495 A CN 117908495A CN 202410275811 A CN202410275811 A CN 202410275811A CN 117908495 A CN117908495 A CN 117908495A
- Authority
- CN
- China
- Prior art keywords
- manipulator
- processing
- module
- workpiece
- procedure
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 188
- 238000003672 processing method Methods 0.000 title abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 229
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000010354 integration Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 70
- 238000003754 machining Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 19
- 238000007726 management method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 14
- 230000007547 defect Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000013441 quality evaluation Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 24
- 239000012636 effector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于多传感器的柔性高精度加工系统及加工方法,涉及柔性加工技术领域,该柔性高精度加工系统包括传感器集成模块、加工工序调度模块、工件管控模块、机械手管控模块、故障监测预警模块及中央控制模块;传感器集成模块,用于利用传感器组及无线射频识别技术实时采集柔性作业车间中的加工数据;加工工序调度模块,用于制定优先级调度策略对各加工工序进行优化配置;工件管控模块,用于结合工件成品的表面瑕疵及加工尺寸综合评估工件成品的加工质量;机械手管控模块,用于确保机械手按照规划路径执行任务。本发明通过对加工工序进行分类并进行优先级调度,能够避免加工设备因为等待某些工序而处于闲置状态。
Description
技术领域
本发明涉及柔性加工技术领域,更具体地,涉及基于多传感器的柔性高精度加工系统及加工方法。
背景技术
柔性高精度加工系统是一种先进的制造系统,它结合了柔性制造和高精度加工技术,旨在实现生产过程的灵活性和产品加工的高精度性能。在高精度加工中,通过设计具有灵活性的制造单元,可以适应不同产品的生产需求,这包括可编程的机械结构、自适应的控制系统以及能够容纳不同工艺的工作单元。同时在柔性高精度加工中,加工工序是制造过程中的关键环节,涉及将原材料转变为最终产品的一系列步骤,每个加工工序都有特定的任务和操作。
然而,在加工生产过程中往往面临订单变化和紧急需求的情况,而现有技术中的柔性加工系统缺乏对工序的优先级调度,这可能导致加工工序中的不合理排布,造成加工设备的空闲和等待时间增加,不仅降低加工设备的利用率,并且无法快速地适应生产排单的变化,进而降低加工效率及加工质量。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
本发明的主要目的在于提供基于多传感器的柔性高精度加工系统及加工方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了基于多传感器的柔性高精度加工系统,该柔性高精度加工系统包括传感器集成模块、加工工序调度模块、工件管控模块、机械手管控模块、故障监测预警模块及中央控制模块;
传感器集成模块,用于利用传感器组及无线射频识别技术实时采集柔性作业车间中的加工数据;
加工工序调度模块,用于对柔性作业车间中的加工工序进行分类,并制定优先级调度策略对各加工工序进行优化配置;
工件管控模块,用于结合工件成品的表面瑕疵及加工尺寸综合评估工件成品的加工质量;
机械手管控模块,用于根据机械手与加工工序间的工位流转状态,确保机械手按照规划路径执行任务;
故障监测预警模块,用于监测柔性作业车间中各加工设备的运行状态,并制定设备预警机制对监测故障及时预警;
中央控制模块,用于协调各模块之间的交互作用,并提供可视化界面。
可选地,加工工序调度模块包括工序优先级配置模块、工序分类模块、备选工序生成模块、工序优先级调度模块;
工序优先级配置模块,用于集成加工工序生成加工工序集合,并基于加工工序集合构建虚拟加工树;
工序分类模块,用于判断加工工序间的调度关系,并采用分层法对虚拟加工树的根节点进行分层,生成不同种类的加工工序;
备选工序生成模块,用于根据虚拟加工树生成备选工序集合,若备选工序集合为空集,则执行工序优先级调度模块;
工序优先级调度模块,用于根据虚拟加工树的根节点区分备选工序生成模块中的可调度工序。
可选地,工序优先级调度模块在根据虚拟加工树的根节点区分备选工序生成模块中的可调度工序时包括:
依次对不同种类的加工工序进行排序值计算,并根据排序值计算结果将可调度工序划分为高优先级工序、中优先级工序及低优先级工序;
从备选工序集合中选取高优先级工序,记录在高优先级工序下的执行开始点及执行结束点,以确定高优先级工序占用的时间限制点;
安排中优先级工序及低优先级工序在时间限制点内执行,并分别记录中优先级模式及低优先级模式的执行开始点及执行结束点;
依据每个优先级工序下的执行开始点及执行结束点,计算出每个加工工序的响应时间窗及平均响应时间窗;
比较每个加工工序的响应时间窗及平均响应时间窗得到每个加工工序的时限错过状态,并基于时限错过状态计算时限错过率;
基于时限错过率判断加工工序是否满足动态调整条件,针对于满足动态调整条件的加工工序则进行调度,并从虚拟加工树剔除此工序所对应的根节点。
可选地,工件管控模块包括工件瑕疵度检测模块、工件尺寸计算模块及工件质量评估模块;
工件瑕疵度检测模块,用于检测工件成品表面是否存在瑕疵;
工件尺寸计算模块,用于检测工件成品的尺寸是否符合加工要求;
工件质量评估模块,用于结合工件成品的瑕疵度检测结果及尺寸计算结果综合评估工件成品的加工质量。
可选地,工件瑕疵度检测模块在检测工件成品表面是否存在瑕疵时包括:
利用视觉传感器采集工件成品表面的工件图像序列,并从工件图像序列中提取工件缺陷图及工件模板图;
构建双通道特征提取模型,并利用双通道特征提取模型对工件缺陷图及工件模板图进行特征提取,生成瑕疵样本及模板样本;
将瑕疵样本及模板样本相减取绝对值,得到向量样本特征,并将向量样本特征经全连接层和SigMod函数生成输出特征表现;
基于输出特征表现提取工件图像序列中瑕疵样本的相似性图像块;
构建多维度特征融合模型对相似性图像块进行非局部交互融合,并结合聚焦损失算法降低双通道特征提取模型的敏感性;
基于非局部交互融合结果判断工件成品表面的瑕疵度,并对不符合加工要求的工件成品进行标记。
可选地,输出特征表现的表达式为:
;
式中,表示输出特征表现;
表示第i个瑕疵样本;
表示第j个模板样本;
表示SigMod函数;
表示向量样本特征;
FC表示全连接层。
可选地,机械手管控模块包括机械手状态监测模块、机械手气动监测模块、机械手路径规划模块及机械手关节修正模块;
机械手状态监测模块,用于监测机械手的运行状态,运行状态至少包括机械手的运行速度、运行位置及负载参数;
机械手气动监测模块,用于监测机械手的气动状态,气动状态至少包括气源供给状态、气压调节状态及气动执行状态;
机械手路径规划模块,用于结合加工工序生成机械手的运行路径;
机械手关节修正模块,用于制定机械手的路径追踪策略,并对机械手的关节偏差进行补偿修正。
可选地,机械手路径规划模块在结合加工工序生成机械手的运行路径时包括:
构建柔性加工车间中各加工区域的三维空间模型,并在三维重建模型中加载各工件的三维空间坐标;
基于各工件的三维空间坐标对各个加工区域的机械手进行初步部署及初步调参;
结合加工工序判断机械手的运行起始点、运行途经点及运行终止点,并生成与机械手对应的机械手关节角度;
对机械手关节角度进行多项式差值得到平滑函数,并利用平滑函数描述机械手在执行任务中的运行轨迹;
建立笛卡尔坐标系,并基于笛卡尔坐标系对机械手的运行轨迹进行正反运动学分析,同时利用细分遍历算法对机械手的运行轨迹进行优化,得到机械手与加工工序相匹配的运行路径。
可选地,机械手关节修正模块在制定机械手的路径追踪策略,并对机械手的关节偏差进行补偿修正时包括:
基于机械手的运行轨迹制定机械手的路径追踪策略,并根据路径追踪策略反求机械手的关节变化曲线;
根据各工件的三维空间坐标建立三维测量模型,并利用三维测量模型生成工件的点云数据;
结合工件的点云数据,采集机械手关节采样时间段内对应的角速度子样与历史时间段的角速度子样组合生成角速度子样数集;
利用多项式积分提取算法单次提取采样时间段内机械手的角增量信息;
基于角速度子样数集及角增量信息构建关节误差补偿项,并利用关节误差补偿项对机械手的关节进行补偿修正。
根据本发明的另一个方面,还提供了基于多传感器的柔性高精度加工方法,该柔性高精度加工方法包括以下步骤:
S1、利用传感器组及无线射频识别技术实时采集柔性作业车间中的加工数据;
S2、对柔性作业车间中的加工工序进行分类,并制定优先级调度策略对各加工工序进行优化配置;
S3、结合工件成品的表面瑕疵及加工尺寸综合评估工件成品的加工质量;
S4、根据机械手与加工工序间的工位流转状态,确保机械手按照规划路径执行任务;
S5、监测柔性作业车间中各加工设备的运行状态,并制定设备预警机制对监测故障及时预警;
S6、协调各模块之间的交互作用,并提供可视化界面。
本发明的有益效果为:
1、本发明通过对加工工序进行分类并进行优先级调度,能够避免加工设备因为等待某些工序而处于闲置状态,有助于提高加工设备的利用率,降低加工生产中的资源浪费,并通过对加工工序进行优化配置,能够更合理地分配人力、设备和材料等资源,同时能够更快速地适应生产排单的变化,确保紧急订单得到及时处理,进而有助于避免由于紧急工序导致的质量问题。
2、本发明通过结合表面瑕疵和加工尺寸综合评估工件成品,能够更全面地了解工件的加工质量,确保工件在尺寸和外观上都符合要求,提高客户满意度和信任度,并能够及早发现表面瑕疵和尺寸偏差等质量问题,避免这些问题在生产过程中传递,提高整体生产质量,进而减少因为质量不合格而引起的返工率,提高加工生产效率和资源利用率。
3、本发明能够确保机械手按照规划路径执行任务,有效减少机械手在工作区域内的移动时间,从而提高生产效率,规划良好的路径可以最小化机械手的空闲时间,使其更快速地完成任务,同时考虑机械手与工位之间的状态流转,能够有效避免机械手与其他设备或工件发生碰撞和冲突,并结合工件的三维坐标,从而能够对机械手的关节进行精确的补偿修正,使得机械手能够适应复杂工件的加工需求,提高加工的灵活性和通用性,进而提高自动化加工系统的稳定性和可靠性。
附图说明
构成本发明的一部分的说明书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是根据本发明实施例的基于多传感器的柔性高精度加工系统的原理框图;
图2是根据本发明实施例的基于多传感器的柔性高精度加工系统中加工工序调度模块的原理框图;
图3是根据本发明实施例的基于多传感器的柔性高精度加工系统中工件管控模块的原理框图;
图4是根据本发明实施例的基于多传感器的柔性高精度加工系统中机械手管控模块的原理框图;
图5是根据本发明实施例的基于多传感器的柔性高精度加工方法的流程图。
图中:
1、传感器集成模块;2、加工工序调度模块;201、工序优先级配置模块;202、工序分类模块;203、备选工序生成模块;204、工序优先级调度模块;3、工件管控模块;301、工件瑕疵度检测模块;302、工件尺寸计算模块;303、工件质量评估模块;4、机械手管控模块;401、机械手状态监测模块;402、机械手气动监测模块;403、机械手路径规划模块;404、机械手关节修正模块;5、故障监测预警模块;6、中央控制模块。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
正如背景技术所介绍的,现有技术中缺乏对工序的优先级调度,为了解决如上问题,本发明提出了基于多传感器的柔性高精度加工系统及加工方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于多传感器的柔性高精度加工系统,该柔性高精度加工系统包括传感器集成模块1、加工工序调度模块2、工件管控模块3、机械手管控模块4、故障监测预警模块5及中央控制模块6。
传感器集成模块1,用于利用传感器组及无线射频识别技术实时采集柔性作业车间中的加工数据。
需要说明的是,利用传感器组及无线射频识别技术实时采集柔性作业车间中的加工数据包括以下步骤:根据柔性作业车间的布局和生产流程,合理布置传感器,传感器至少包括温度传感器、压力传感器及位移传感器等,确保能够全面监测关键的加工环节和设备;部署一个数据采集模块,各传感器将采集的数据上传至数据采集模块,确保传感器正常工作并能够实时传输数据;利用无线射频识别技术建立传感器与数据采集系统之间的通信通道,以确保数据的实时传输。
加工工序调度模块2,用于对柔性作业车间中的加工工序进行分类,并制定优先级调度策略对各加工工序进行优化配置。
如图2所示,其中,加工工序调度模块2包括工序优先级配置模块201、工序分类模块202、备选工序生成模块203、工序优先级调度模块204;
工序优先级配置模块201,用于集成加工工序生成加工工序集合,并基于加工工序集合构建虚拟加工树。
需要说明的是,集成加工工序生成加工工序集合,并基于加工工序集合构建虚拟加工树包括以下步骤:将加工工序组织成一个加工工序集合,确保集合中的每个工序都与实际生产任务相对应,并考虑到工序之间的逻辑关系;定义各个加工工序之间的关联和依赖关系,其包括工序的先后顺序、可能的并发执行等;构建加工工序集合图,图中的节点表示各个加工工序,边表示工序之间的关系;根据加工工序集合图生成虚拟加工树,考虑到集成规则和工序之间的关系,确保生成的虚拟加工树符合实际生产流程。
工序分类模块202,用于判断加工工序间的调度关系,并采用分层法对虚拟加工树的根节点进行分层,生成不同种类的加工工序。
备选工序生成模块203,用于根据虚拟加工树生成备选工序集合,若备选工序集合为空集,则执行工序优先级调度模块。
工序优先级调度模块204,用于根据虚拟加工树的根节点区分备选工序生成模块中的可调度工序。
其中,工序优先级调度模块204在根据虚拟加工树的根节点区分备选工序生成模块中的可调度工序时包括:
依次对不同种类的加工工序进行排序值计算,并根据排序值计算结果将可调度工序划分为高优先级工序、中优先级工序及低优先级工序。
需要说明的是,依次对不同种类的加工工序进行排序值计算,并根据排序值计算结果将可调度工序划分为高优先级工序、中优先级工序及低优先级工序包括以下步骤:确定影响工序优先级的各种因素,例如工序的紧急程度、完成时间、资源需求等;结合各因素的权重和影响程度,收集每个可调度工序的相关信息,包括紧急程度、完成时间预估、资源需求等;对每个工序应用定义的排序值计算公式,得到排序值;这将反映工序的优先级,数值越高表示优先级越高;将工序根据计算得到的排序值进行排序,从高到低排列;根据排序值的范围,将工序划分为高优先级、中优先级和低优先级。
从备选工序集合中选取高优先级工序,记录在高优先级工序下的执行开始点及执行结束点,以确定高优先级工序占用的时间限制点。
安排中优先级工序及低优先级工序在时间限制点内执行,并分别记录中优先级模式及低优先级模式的执行开始点及执行结束点。
依据每个优先级工序下的执行开始点及执行结束点,计算出每个加工工序的响应时间窗及平均响应时间窗。
比较每个加工工序的响应时间窗及平均响应时间窗得到每个加工工序的时限错过状态,并基于时限错过状态计算时限错过率。
需要说明的是,确定每个加工工序的响应时间窗,即在何时开始和何时结束是可接受的范围,响应时间窗可以根据生产任务的紧急程度、客户需求等因素确定;收集每个加工工序实际的响应时间数据,包括开始和结束的时间;对于每个加工工序,计算实际响应时间的平均值,将其作为参考值,将每个加工工序的实际响应时间与其对应的响应时间窗进行比较;确定每个工序是否在规定的时间窗内完成;对于每个加工工序,标识其时限错过状态,即判断工序是否在响应时间窗内完成;根据标识的时限错过状态,计算每个加工工序的时限错过率,时限错过率可以通过将时限错过的工序数量除以总工序数量来计算,得到一个百分比值。
基于时限错过率判断加工工序是否满足动态调整条件,针对于满足动态调整条件的加工工序则进行调度,并从虚拟加工树剔除此工序所对应的根节点。
工件管控模块3,用于结合工件成品的表面瑕疵及加工尺寸综合评估工件成品的加工质量。
如图3所示,其中,工件管控模块3包括工件瑕疵度检测模块301、工件尺寸计算模块302及工件质量评估模块303。
工件瑕疵度检测模块301,用于检测工件成品表面是否存在瑕疵。
其中,工件瑕疵度检测模块301在检测工件成品表面是否存在瑕疵时包括:
利用视觉传感器采集工件成品表面的工件图像序列,并从工件图像序列中提取工件缺陷图及工件模板图。
构建双通道特征提取模型,并利用双通道特征提取模型对工件缺陷图及工件模板图进行特征提取,生成瑕疵样本及模板样本。
将瑕疵样本及模板样本相减取绝对值,得到向量样本特征,并将向量样本特征经全连接层和SigMod函数生成输出特征表现。
其中,输出特征表现的表达式为:
;
式中,表示输出特征表现;
表示第i个瑕疵样本;
表示第j个模板样本;
表示SigMod函数;
表示向量样本特征;
FC表示全连接层。
基于输出特征表现提取工件图像序列中瑕疵样本的相似性图像块。
构建多维度特征融合模型对相似性图像块进行非局部交互融合,并结合聚焦损失算法降低双通道特征提取模型的敏感性。
需要说明的是,聚焦损失算法(Focal Loss)是一种用来解决分类问题中类别不平衡的损失函数,聚焦损失算法的核心思想是修改标准的交叉熵损失函数,通过降低易分类样本的权重,增加对难分类样本的聚焦,在双通道特征提取模型中引入聚焦损失算法(聚焦损失函数)能够使双通道特征提取模型更加专注于难以区分的、对于任务目标更为关键的样本,从而提高双通道特征提取模型在这些任务上的性能和准确性。
基于非局部交互融合结果判断工件成品表面的瑕疵度,并对不符合加工要求的工件成品进行标记。
工件尺寸计算模块302,用于检测工件成品的尺寸是否符合加工要求。
需要说明的是,检测工件成品的尺寸是否符合加工要求包括以下步骤:根据工件的特性和尺寸计算的需求,利用视觉传感器获取工件的图像;对获取的工件图像进行预处理,包括去噪、图像增强、边缘检测等操作;从工件图像中提取关键的特征点或特征线,并利用图像处理算法对工件图像进行边缘检测及角点检测得到检测工件成品的尺寸。
工件质量评估模块303,用于结合工件成品的瑕疵度检测结果及尺寸计算结果综合评估工件成品的加工质量。
机械手管控模块4,用于根据机械手与加工工序间的工位流转状态,确保机械手按照规划路径执行任务。
如图5所示,其中,机械手管控模块4包括机械手状态监测模块401、机械手气动监测模块402、机械手路径规划模块403及机械手关节修正模块404。
机械手状态监测模块401,用于监测机械手的运行状态,运行状态至少包括机械手的运行速度、运行位置及负载参数。
需要说明的是,监测机械手的运行状态包括:将负载传感器安装在机械手的关键关节或末端执行器上,以提供关于机械手当前位置的准确信息并测量机械手当前的负载情况;将速度、位置和负载传感器与机械手的控制系统连接起来;根据机械手的设计规格和应用需求,设定合适的运行状态阈值,阈值包括速度上限、位置范围、负载限制等,用于判定机械手是否处于正常运行状态,如果检测到超过设定阈值的异常情况,触发相应的报警或停机措施,以确保安全和避免潜在的损坏。
机械手气动监测模块402,用于监测机械手的气动状态,气动状态至少包括气源供给状态、气压调节状态及气动执行状态。
需要说明的是,监测机械手的气动状态包括:利用气压传感器实时监测气压变化;将气压传感器连接到监控模块,并进行校准以确保准确读取气压值;通过气压传感器监测气动系统的参数,包括压力变化、气缸工作状态等,并判断气动系统的正常运行情况;在监控系统中设定气压异常的阈值,当检测到气压超出设定范围或出现异常情况时,触发报警并采取相应的安全措施。
机械手路径规划模块403,用于结合加工工序生成机械手的运行路径。
其中,机械手路径规划模块403在结合加工工序生成机械手的运行路径时包括:
构建柔性加工车间中各加工区域的三维空间模型,并在三维重建模型中加载各工件的三维空间坐标。
需要说明的是,构建柔性加工车间中各加工区域的三维空间模型,并在三维重建模型中加载各工件的三维空间坐标包括以下步骤:在每个加工区域利用传感器采集空间数据,确保覆盖整个区域,并捕捉足够的细节以建立准确的三维模型;利用三维重建算法将处理后的数据转换为三维模型;根据柔性加工车间的布局和功能,将整个三维模型分割为各个加工区域;获取每个工件的三维空间坐标信息,并将这些坐标信息与相应的加工区域关联;根据加载的工件坐标信息,对三维模型进行修正和调整,确保工件的准确放置在相应的位置;将修正后的三维模型可视化,以确保加工区域和工件的位置正确。
基于各工件的三维空间坐标对各个加工区域的机械手进行初步部署及初步调参。
结合加工工序判断机械手的运行起始点、运行途经点及运行终止点,并生成与机械手对应的机械手关节角度。
对机械手关节角度进行多项式差值得到平滑函数,并利用平滑函数描述机械手在执行任务中的运行轨迹。
需要说明的是,对机械手关节角度进行多项式差值得到平滑函数,并利用平滑函数描述机械手在执行任务中的运行轨迹包括以下步骤:选择多项式差值的阶数,并利用拉格朗日插值对关节角度数据进行多项式差值,生成多项式函数,以拟合采集到的关节角度数据;通过差值得到的多项式函数,生成平滑函数,并通过对差值结果进行滤波或其他平滑处理来实现;利用生成的平滑函数描述机械手在执行任务中的运行轨迹,通过在时间范围内对平滑函数进行取样,得到机械手在不同时间点的关节角度,从而绘制出运行轨迹。
建立笛卡尔坐标系,并基于笛卡尔坐标系对机械手的运行轨迹进行正反运动学分析,同时利用细分遍历算法对机械手的运行轨迹进行优化,得到机械手与加工工序相匹配的运行路径。
需要说明的是,基于笛卡尔坐标系对机械手的运行轨迹进行正反运动学分析包括:确定机械手的坐标系,为每个关节和末端执行器定义坐标系,并建立它们之间的坐标变换关系;根据机械手的机构和关节角度,编写正运动学方程,并将各个关节的运动描述转化为矩阵形式,使用矩阵乘法计算末端执行器的位姿;根据正运动学方程,输入关节角度,计算末端执行器的位置和姿态;确定机械手的逆运动学问题,即给定末端执行器的目标位置和姿态,求解关节角度;建立逆运动学的数学模型,将目标位置和姿态转化为关节角度;采用迭代方法求解逆运动学问题,以逐步逼近满足逆运动学方程的关节角度。
需要说明的是,细分遍历算法(Subdivision Search Algorithm)是一种通用的算法策略,它可以在不同的领域和应用中采用多种形式。细分遍历算法主要通过迭代地细分搜索空间并遍历每个细分区域以寻找最优解的方法,在通过细分遍历算法实现机械手的运行轨迹优化中,包括但不限于以下算法:
分支定界算法(Branch and Bound):这是一种广泛用于解决优化问题的算法,特别适用于决策树的剪枝。在机械手路径规划的上下文中,分支定界可以用来系统地探索所有可能的路径,同时通过计算上界和下界来避免不必要的搜索,从而找到最优路径。
遗传算法(Genetic Algorithms):遗传算法是一类模仿自然选择机制的优化算法,适用于搜索大规模复杂空间。它通过迭代进化一组候选解决方案,通过选择、交叉(crossover)、变异(mutation)等操作生成新一代解决方案,逐渐逼近最优解。在路径规划中,遗传算法可以用来优化机械手运行轨迹,尤其适用于复杂或非线性的问题。
机械手关节修正模块404,用于制定机械手的路径追踪策略,并对机械手的关节偏差进行补偿修正。
其中,机械手关节修正模块404在制定机械手的路径追踪策略,并对机械手的关节偏差进行补偿修正时包括:
基于机械手的运行轨迹制定机械手的路径追踪策略,并根据路径追踪策略反求机械手的关节变化曲线。
根据各工件的三维空间坐标建立三维测量模型,并利用三维测量模型生成工件的点云数据。
根据各工件的三维空间坐标建立三维测量模型,并利用三维测量模型生成工件的点云数据包括以下步骤:
结合工件的点云数据,采集机械手关节采样时间段内对应的角速度子样与历史时间段的角速度子样组合生成角速度子样数集。
利用多项式积分提取算法单次提取采样时间段内机械手的角增量信息。
需要说明的是,利用多项式积分提取算法单次提取采样时间段内机械手的角增量信息包括以下步骤:利用最小二乘法对采集到的角度数据进行多项式曲线拟合,并选择多项式阶数,以使拟合曲线能够较好地描述实际角度变化趋势;对拟合得到的多项式曲线进行求导操作,得到关于时间的多项式导数;对得到的角速度多项式进行积分操作,得到角度关于时间的多项式,这个多项式表示机械手在采样时间段内的角度变化量,即角增量信息。
基于角速度子样数集及角增量信息构建关节误差补偿项,并利用关节误差补偿项对机械手的关节进行补偿修正。
需要说明的是,机械手的角速度是指机械手中关节或执行器部分在单位时间内旋转的速度,角速度是描述关节运动状态的重要参数之一,它反映了机械手各关节或执行器在运动过程中的旋转快慢和方向,通过监测和控制角速度,可以实现对机械手的精准运动和定位,本实施例根据角速度子样数集和角增量信息,通过分析关节运动中的误差来源,建立关节误差模型,并基于误差模型,构建关节误差补偿项,该项表示了在不同运动状态下关节位置的修正,在机械手运动过程中,实时计算关节误差补偿项,从而在机械手执行运动任务时,控制系统会根据关节误差补偿项调整控制指令,使机械手的运动更加准确,同时,关节误差补偿也能提升机械手的运动稳定性,减少因系统动力学变化引起的运动不稳定性。
故障监测预警模块5,用于监测柔性作业车间中各加工设备的运行状态,并制定设备预警机制对监测故障及时预警。
需要说明的是,监测柔性作业车间中各加工设备的运行状态,并制定设备预警机制对监测故障及时预警包括:监测传感器数据,通过与设备运行状态对比,分析实时数据是否偏离正常范围;基于数据分析结果,设计设备预警机制,当监测到某个设备的数据异常或偏离预期时,触发预警机制,发出警报或通知相关人员;一旦收到设备预警,立即进行故障诊断,确定设备出现的问题,同时采取维护措施,包括设备停机维修、更换零部件或调整设备参数等;根据实际预警情况和故障处理结果,不断优化设备预警机制。
中央控制模块6,用于协调各模块之间的交互作用,并提供可视化界面。
如图5所示,根据本发明的另一个实施例,还提供了基于多传感器的柔性高精度加工方法,该柔性高精度加工方法包括以下步骤:
S1、利用传感器组及无线射频识别技术实时采集柔性作业车间中的加工数据;
S2、对柔性作业车间中的加工工序进行分类,并制定优先级调度策略对各加工工序进行优化配置;
S3、结合工件成品的表面瑕疵及加工尺寸综合评估工件成品的加工质量;
S4、根据机械手与加工工序间的工位流转状态,确保机械手按照规划路径执行任务;
S5、监测柔性作业车间中各加工设备的运行状态,并制定设备预警机制对监测故障及时预警;
S6、协调各模块之间的交互作用,并提供可视化界面。
综上所述,借助于本发明的上述技术方案,本发明通过对加工工序进行分类并进行优先级调度,能够避免加工设备因为等待某些工序而处于闲置状态,有助于提高加工设备的利用率,降低加工生产中的资源浪费,并通过对加工工序进行优化配置,能够更合理地分配人力、设备和材料等资源,同时能够更快速地适应生产排单的变化,确保紧急订单得到及时处理,进而有助于避免由于紧急工序导致的质量问题;本发明通过结合表面瑕疵和加工尺寸综合评估工件成品,能够更全面地了解工件的加工质量,确保工件在尺寸和外观上都符合要求,提高客户满意度和信任度,并能够及早发现表面瑕疵和尺寸偏差等质量问题,避免这些问题在生产过程中传递,提高整体生产质量,进而减少因为质量不合格而引起的返工率,提高加工生产效率和资源利用率;本发明能够确保机械手按照规划路径执行任务,有效减少机械手在工作区域内的移动时间,从而提高生产效率,规划良好的路径可以最小化机械手的空闲时间,使其更快速地完成任务,同时考虑机械手与工位之间的状态流转,能够有效避免机械手与其他设备或工件发生碰撞和冲突,并结合工件的三维坐标,从而能够对机械手的关节进行精确的补偿修正,使得机械手能够适应复杂工件的加工需求,提高加工的灵活性和通用性,进而提高自动化加工系统的稳定性和可靠性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.基于多传感器的柔性高精度加工系统,其特征在于,该柔性高精度加工系统包括传感器集成模块(1)、加工工序调度模块(2)、工件管控模块(3)、机械手管控模块(4)、故障监测预警模块(5)及中央控制模块(6);
所述传感器集成模块(1),用于利用传感器组及无线射频识别技术实时采集柔性作业车间中的加工数据;
所述加工工序调度模块(2),用于对柔性作业车间中的加工工序进行分类,并制定优先级调度策略对各加工工序进行优化配置;
所述工件管控模块(3),用于结合工件成品的表面瑕疵及加工尺寸综合评估工件成品的加工质量;
所述机械手管控模块(4),用于根据机械手与加工工序间的工位流转状态,确保机械手按照规划路径执行任务;
所述故障监测预警模块(5),用于监测柔性作业车间中各加工设备的运行状态,并制定设备预警机制对监测故障及时预警;
所述中央控制模块(6),用于协调各模块之间的交互作用,并提供可视化界面。
2.根据权利要求1所述的基于多传感器的柔性高精度加工系统,其特征在于,所述加工工序调度模块(2)包括工序优先级配置模块(201)、工序分类模块(202)、备选工序生成模块(203)、工序优先级调度模块(204);
所述工序优先级配置模块(201),用于集成加工工序生成加工工序集合,并基于加工工序集合构建虚拟加工树;
所述工序分类模块(202),用于判断加工工序间的调度关系,并采用分层法对虚拟加工树的根节点进行分层,生成不同种类的加工工序;
所述备选工序生成模块(203),用于根据虚拟加工树生成备选工序集合,若备选工序集合为空集,则执行工序优先级调度模块;
所述工序优先级调度模块(204),用于根据虚拟加工树的根节点区分备选工序生成模块中的可调度工序。
3.根据权利要求2所述的基于多传感器的柔性高精度加工系统,其特征在于,所述工序优先级调度模块(204)在根据虚拟加工树的根节点区分备选工序生成模块中的可调度工序时包括:
依次对不同种类的加工工序进行排序值计算,并根据排序值计算结果将可调度工序划分为高优先级工序、中优先级工序及低优先级工序;
从备选工序集合中选取高优先级工序,记录在高优先级工序下的执行开始点及执行结束点,以确定高优先级工序占用的时间限制点;
安排中优先级工序及低优先级工序在时间限制点内执行,并分别记录中优先级模式及低优先级模式的执行开始点及执行结束点;
依据每个优先级工序下的执行开始点及执行结束点,计算出每个加工工序的响应时间窗及平均响应时间窗;
比较每个加工工序的响应时间窗及平均响应时间窗得到每个加工工序的时限错过状态,并基于时限错过状态计算时限错过率;
基于时限错过率判断加工工序是否满足动态调整条件,针对于满足动态调整条件的加工工序则进行调度,并从虚拟加工树剔除此工序所对应的根节点。
4.根据权利要求3所述的基于多传感器的柔性高精度加工系统,其特征在于,所述工件管控模块(3)包括工件瑕疵度检测模块(301)、工件尺寸计算模块(302)及工件质量评估模块(303);
所述工件瑕疵度检测模块(301),用于检测工件成品表面是否存在瑕疵;
所述工件尺寸计算模块(302),用于检测工件成品的尺寸是否符合加工要求;
所述工件质量评估模块(303),用于结合工件成品的瑕疵度检测结果及尺寸计算结果综合评估工件成品的加工质量。
5.根据权利要求4所述的基于多传感器的柔性高精度加工系统,其特征在于,所述工件瑕疵度检测模块(301)在检测工件成品表面是否存在瑕疵时包括:
利用视觉传感器采集工件成品表面的工件图像序列,并从工件图像序列中提取工件缺陷图及工件模板图;
构建双通道特征提取模型,并利用双通道特征提取模型对工件缺陷图及工件模板图进行特征提取,生成瑕疵样本及模板样本;
将瑕疵样本及模板样本相减取绝对值,得到向量样本特征,并将向量样本特征经全连接层和SigMod函数生成输出特征表现;
基于输出特征表现提取工件图像序列中瑕疵样本的相似性图像块;
构建多维度特征融合模型对相似性图像块进行非局部交互融合,并结合聚焦损失算法降低双通道特征提取模型的敏感性;
基于非局部交互融合结果判断工件成品表面的瑕疵度,并对不符合加工要求的工件成品进行标记。
6.根据权利要求5所述的基于多传感器的柔性高精度加工系统,其特征在于,所述输出特征表现的表达式为:
;
式中,表示输出特征表现;
表示第i个瑕疵样本;
表示第j个模板样本;
表示SigMod函数;
表示向量样本特征;
FC表示全连接层。
7.根据权利要求6所述的基于多传感器的柔性高精度加工系统,其特征在于,所述机械手管控模块(4)包括机械手状态监测模块(401)、机械手气动监测模块(402)、机械手路径规划模块(403)及机械手关节修正模块(404);
所述机械手状态监测模块(401),用于监测机械手的运行状态,所述运行状态至少包括机械手的运行速度、运行位置及负载参数;
所述机械手气动监测模块(402),用于监测机械手的气动状态,所述气动状态至少包括气源供给状态、气压调节状态及气动执行状态;
所述机械手路径规划模块(403),用于结合加工工序生成机械手的运行路径;
所述机械手关节修正模块(404),用于制定机械手的路径追踪策略,并对机械手的关节偏差进行补偿修正。
8.根据权利要求7所述的基于多传感器的柔性高精度加工系统,其特征在于,所述机械手路径规划模块(403)在结合加工工序生成机械手的运行路径时包括:
构建柔性加工车间中各加工区域的三维空间模型,并在三维重建模型中加载各工件的三维空间坐标;
基于各工件的三维空间坐标对各个加工区域的机械手进行初步部署及初步调参;
结合加工工序判断机械手的运行起始点、运行途经点及运行终止点,并生成与机械手对应的机械手关节角度;
对机械手关节角度进行多项式差值得到平滑函数,并利用平滑函数描述机械手在执行任务中的运行轨迹;
建立笛卡尔坐标系,并基于笛卡尔坐标系对机械手的运行轨迹进行正反运动学分析,同时利用细分遍历算法对机械手的运行轨迹进行优化,得到机械手与加工工序相匹配的运行路径。
9.根据权利要求8所述的基于多传感器的柔性高精度加工系统,其特征在于,所述机械手关节修正模块(404)在制定机械手的路径追踪策略,并对机械手的关节偏差进行补偿修正时包括:
基于机械手的运行轨迹制定机械手的路径追踪策略,并根据路径追踪策略反求机械手的关节变化曲线;
根据各工件的三维空间坐标建立三维测量模型,并利用三维测量模型生成工件的点云数据;
结合工件的点云数据,采集机械手关节采样时间段内对应的角速度子样与历史时间段的角速度子样组合生成角速度子样数集;
利用多项式积分提取算法单次提取采样时间段内机械手的角增量信息;
基于角速度子样数集及角增量信息构建关节误差补偿项,并利用关节误差补偿项对机械手的关节进行补偿修正。
10.基于多传感器的柔性高精度加工方法,用于实现权利要求1-9中任一项所述的基于多传感器的柔性高精度加工系统,其特征在于,该柔性高精度加工方法包括以下步骤:
S1、利用传感器组及无线射频识别技术实时采集柔性作业车间中的加工数据;
S2、对柔性作业车间中的加工工序进行分类,并制定优先级调度策略对各加工工序进行优化配置;
S3、结合工件成品的表面瑕疵及加工尺寸综合评估工件成品的加工质量;
S4、根据机械手与加工工序间的工位流转状态,确保机械手按照规划路径执行任务;
S5、监测柔性作业车间中各加工设备的运行状态,并制定设备预警机制对监测故障及时预警;
S6、协调各模块之间的交互作用,并提供可视化界面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275811.6A CN117908495B (zh) | 2024-03-12 | 基于多传感器的柔性高精度加工系统及加工方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275811.6A CN117908495B (zh) | 2024-03-12 | 基于多传感器的柔性高精度加工系统及加工方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117908495A true CN117908495A (zh) | 2024-04-19 |
CN117908495B CN117908495B (zh) | 2024-07-05 |
Family
ID=
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234976A (zh) * | 2013-04-03 | 2013-08-07 | 江南大学 | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 |
WO2014107303A1 (en) * | 2013-01-04 | 2014-07-10 | Siemens Corporation | Probabilistic modeling and sizing of embedded flaws in nondestructive inspections for fatigue damage prognostics and structural integrity assessment |
KR102307874B1 (ko) * | 2021-03-05 | 2021-10-05 | 비코비엔주식회사 | 시설물 유지 및 관리 시스템 |
CN116124787A (zh) * | 2022-12-14 | 2023-05-16 | 江西理工大学 | 用于非朗伯体外观的自主多角度联合检测方法 |
WO2023102952A1 (zh) * | 2021-12-06 | 2023-06-15 | 浙江大学台州研究院 | 一种实时检测的卷材检测装置、系统及方法 |
CN117152119A (zh) * | 2023-09-25 | 2023-12-01 | 大连工业大学 | 一种基于图像处理的型材瑕疵视觉检测方法 |
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014107303A1 (en) * | 2013-01-04 | 2014-07-10 | Siemens Corporation | Probabilistic modeling and sizing of embedded flaws in nondestructive inspections for fatigue damage prognostics and structural integrity assessment |
CN103234976A (zh) * | 2013-04-03 | 2013-08-07 | 江南大学 | 基于Gabor变换的经编机布匹瑕疵在线视觉检测方法 |
KR102307874B1 (ko) * | 2021-03-05 | 2021-10-05 | 비코비엔주식회사 | 시설물 유지 및 관리 시스템 |
WO2023102952A1 (zh) * | 2021-12-06 | 2023-06-15 | 浙江大学台州研究院 | 一种实时检测的卷材检测装置、系统及方法 |
CN116124787A (zh) * | 2022-12-14 | 2023-05-16 | 江西理工大学 | 用于非朗伯体外观的自主多角度联合检测方法 |
CN117152119A (zh) * | 2023-09-25 | 2023-12-01 | 大连工业大学 | 一种基于图像处理的型材瑕疵视觉检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Borgi et al. | Data analytics for predictive maintenance of industrial robots | |
US11079748B1 (en) | In-process digital twinning | |
Qiao et al. | Advancing measurement science to assess monitoring, diagnostics, and prognostics for manufacturing robotics | |
Ma et al. | Artificial intelligence enhanced interaction in digital twin shop-floor | |
Stan et al. | Digital Twin and web services for robotic deburring in intelligent manufacturing | |
CN116501005A (zh) | 一种数字孪生联动的工厂运行管理方法及系统 | |
Wang et al. | Towards smart remanufacturing and maintenance of machinery-review of automated inspection, condition monitoring and production optimisation | |
CN117078227A (zh) | 一种基于标识解析的环境监测运维平台 | |
Kumar et al. | Machine Vision in Industry 4.0: Applications, Challenges and Future Directions | |
CN117908495B (zh) | 基于多传感器的柔性高精度加工系统及加工方法 | |
CN117282580A (zh) | 一种用于喷涂流水线的智能机械手及控制方法 | |
Mehta et al. | Smart manufacturing: state-of-the-art review in context of conventional and modern manufacturing process modeling, monitoring and control | |
CN117908495A (zh) | 基于多传感器的柔性高精度加工系统及加工方法 | |
CN113850450A (zh) | 一种航空发动机装配生产资源信息的追溯方法 | |
CN116841250A (zh) | 一种智能制造车间数字孪生模型的构建方法 | |
US20200278660A1 (en) | Automated manufacturing process tooling setup assist system | |
Shadravan et al. | Viability of Digital Twin Multi-Dimensional Modeling Framework for Machining Processes-A Review | |
Monek et al. | DES and IIoT fusion approach towards real-time synchronization of physical and digital components in manufacturing processes | |
Klinger et al. | Examining Workcell Kinematic Chains to Identify Sources of Positioning Degradation | |
Hu et al. | The architecture, methodology and implementation of step-nc compliant closed-loop robot machining system | |
Schmidt et al. | A generic data structure for the specific domain of robotic arc welding | |
Wang et al. | Smart machining process monitoring enabled by contextualized process Profiles for Synchronization | |
Codex | Advancements in Error Analysis Techniques for Welding Robots in Aerospace Applications | |
JP2021086219A (ja) | 協調作業システム、解析収集装置および解析プログラム | |
Klees et al. | Building a smart database for predictive maintenance in already implemented manufacturing systems |
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 |