基于3D卷积神经网络的装配动作识别

为了实现对工人装配动作的监测,提高装配质量和效率、降低成本,研究了基于深度学习的装配动作识别方法。采集9类常见装配动作的视频图像,建立了装配动作的数据集。并使用该数据集训练3D卷积神经网络模型,不断优化网络结构,构建了由6个3D卷积层、5个最大池化层、两个全连接层和一个输出层构成的3D神经网络模型。最后在装配动作数据集上进行了测试,结果表明构建的3D卷积神经网络模型可以很好的识别装配动作,识别准确率达到了88.5%。研究成果对大批量定制生产中装配动作的识别和装配质量监测具有一定的参考意义。     

基于视觉的工业机器人装配演示示教研究

针对工业机器人编程效率低下、智能化程度不高和人机交互性能弱等问题，提出一种基于视觉的工业机器人装配演示示教系统，该系统包括目标检测与中心点定位模块、装配动作分类识别模块和机器人动作执行模块。在目标检测与中心点定位模块中,提出一种目标物体中心点定位和机器人抓取方法，使用实例分割算法识别物体类别，通过掩码均值化处理和坐标转换计算物体3D姿态信息；在装配动作分类识别模块中，建立基于深度学习网络的动作分类识别模型，该模型的输入为装配动作视频帧，输出为动作分类标签；最后，机器人动作执行模块根据物体类别、物体3D姿态和动作分类标签等信息规划机器人装配动作，控制机器人执行装配任务。以轴孔装配为例，验证了上述方法的有效性，实现了基于视觉演示的机器人装配模仿编程，对机器人演示示教研究具有一定的参考价值。     

基于Cult3D的注射模异地虚拟装配

基于Cult3D平台,讨论了通过计算机网络实现塑料注射模异地装配的方法。在注射模具三维模型基础上,通过对其各零件设置触发事件和动作等参数,实现在网上交互、动态地展示塑料注射模具的开启、闭合原理和方法以及模具各零件的装配方法和步骤。     

基于Cult3D的组合夹具异地装配

基于Cult3D平台,讨论了通过计算机网络实现组合夹具异地装配的方法.在组合夹具三维模型的基础上,通过对其各元件触发事件和动作等参数的设置,实现在网页上交互、动态地展示组合夹具的定位、夹紧原理和方法以及各元件的组装方法和步骤.     

基于贝叶斯网络的智能装配技术

为了弥补智能装配包含装配因素不完整的缺陷,在得出了常用零件装配推理算法的基础上,构建了基于装配推理的贝叶斯网络(Bayesian Networks,BN),通过概率推理对未知装配体进行推理装配约束.针对训练样本多而杂的问题,构建了零件识别库,使其对样本零件的特征进行识别和归类,从而提取出与BN相适应的样本,进而提高了BN推理结果的准确性.对UG进行二次开发,运用基于贝叶斯网络的装配推理模型和识别库构建了智能装配系统.实验证明:文中算法具有更高的准确性、高度的拟合性和很强的学习性.     

基于改进YOLOv3的蝶阀柔性装配图像识别方法及应用研究

蝶阀的柔性装配还处于人工识别阶段,生产效率低。提出一种基于YOLOv3的蝶阀柔性装配图像识别方法。为了降低YOLOv3算法检测多个目标体边界框重合率,提出一种YOLOv3改进算法;利用该算法进行蝶阀部件模型训练;利用已训练好的模型,对工业相机采集的蝶阀装配体图像进行检测。经实验验证,针对蝶阀装配体的识别准确率可达90.1%。     

基于机器视觉和深度神经网络的零件装配检测

针对工业生产中存在着大量的零件识别定位以及装配检测等,传统人工检测效率低、劳动强度大、识别不准确。文章提出了一种基于深度神经网络的零件装配检测方法。首先该方法对零件图像和装配图像进行采集,选择Mask-RCNN网络进行训练,对装配零件进行分类以及定位,通过已识别的零件类型判定装配件是否存在漏装;然后将分割后的零件图像进行二值化处理,利用Canny算子提取零件图像轮廓;最后利用图像的Hu矩特征与正确的零件图像轮廓进行对比,判断装配是否正确。通过实验验证可得,该方法在零件装配中的漏装和换装检测中效果较好,并表现出较高的鲁棒性。     

自顶向下的装配模型映射及其实现技术研究

针对功能模型信息向装配模型传递需要,提出了基于特征的功能约束向装配关系,功能单元向装配单元的分层次映射方法。通过对功能结构网络模型与装配总体结构模型的描述,保证了装配映射模型的完整性。通过对组成装配模型的装配单元、装配特征和装配关系之间的联系及作用的研究,建立了模型之间的映射机制。研究映射规则算法,建立不同的实例库和映射表,保证了映射关系的可行性。较好实现了自顶向下的约束信息传递。最后通过实例对该映射方法进行了分析。     

网络环境下组合夹具虚拟装配平台的构建

基于网络的虚拟装配是实现产品网络化设计制造的一项重要技术.为了在网络环境下实现组合夹具的交互式虚拟装配,运用VRML与Java相结合的技术,构建了组合夹具交互式、网络化虚拟装配平台.研究了组合夹具网络化虚拟装配中的相关关键技术,包括夹具元件及装配模型的创建与优化处理、Java实现对夹具VRML场景的实时、交互控制等.给出了创建组合夹具虚拟装配平台的具体实现方法,通过实例验证了装配平台的可行性.研究工作为基于网络的虚拟装配技术走向实用化作了有益的探索.     

面向人机工程的转向架虚拟装配技术研究

为了解决包含大量人工作业的转向架装配工艺优化问题,将虚拟装配仿真与人机工程仿真技术相结合,基于Delmia构建了工人、产品与设备资源相集成的转向架虚拟装配环境,对工人装配作业过程进行人机仿真,从人机功效分析的角度对工人装配工艺进行了分析与优化,包括工时分析、姿态分析、舒适度分析、可视可达性分析等,该方法可从人因工程角度改善转向架装配工艺,有利于提升工人与装配设备的协作水平,实际应用可缩短装配时间,提高装配效率。     

Function block-based human-robot collaborative assembly driven by brainwaves

As an emerging communication modality, brainwaves can be used to control robots for seamless assembly, especially in noisy environments where voice recognition is not reliable or when an operator is occupied with other tasks and unable to make gestures. This paper investigates human-robot collaborative assembly based on function blocks and driven by brainwaves. Using wavelet transform, brainwaves measured by EEG sensors are converted to time-frequency images and subsequently classified by a convolutional neural network (CNN) as commands to trigger a network of function blocks for assembly actions. The effectiveness of the system is experimentally validated through an engine-assembly case study.     

基于BP神经网络的外圆磨削颤振在线识别和监测方法

为提高机床磨削加工过程中对颤振现象识别的能力,提出一种基于BP(back?propagation)神经网络模型的颤振识别方法。通过对加工过程中传感器采集到的高频声发射信号以及振动信号相关特征值的提取,获得关于颤振的多特征参数样本库,并用其对BP神经网络模型进行学习和训练,建立BP神经网络在线识别颤振的算法模型,实现对机床加工过程中是否发生颤振的在线监测和识别。试验结果表明:这种基于BP神经网络模型的颤振识别测试结果与磨削加工试验中的磨削颤振现象结果相符合。该方法能够有效地识别磨削加工过程中的颤振,并起到在线监测识别的作用。      

A human modelling and monitoring approach to support the execution of manufacturing operations

Human workers have a vital role in manufacturing given their adaptability to varying environmental conditions, their capability of judgment and understanding of the context. Nevertheless, the increasing complexity and variety of manufacturing operations ask for the exploitation of digital technologies to support human workers and/or facilitate their interaction with automation equipment. The proposed approach uses artificial intelligence for image processing to identify the actions of the workers and exploits the knowledge related to the processes through hidden-Markov models to identify possible errors, deviations from the planned execution or dangerous situations. An application case is provided for assembly operations to assess the viability of the proposed approach in realistic conditions.     

一种基于加速度信息的上肢动作识别研究方法

提出一种基于GM阈值的二叉判决分析法,应用于人体上肢动作的分类识别研究。选用MEMS三轴加速度传感器ADXL345,设计一套人体动作的加速度采集系统。自定义上肢动作进行实验,采集人体执行上肢动作时的三维加速度信号后,进行小波阈值去噪的预处理过程,提取上肢动作的几何均值GM(Geometric Mean)作为特征值进行阈值的选取。实验结果表明:结合小波分析理论方法,基于GM阈值的方法实现了人体上肢动作的分类识别,并验证了系统设计及理论算法的简便性、高效性,对基于加速度传感器的动作识别研究具有一定的参考价值。     

Local order scheduling for mixed-model assembly lines in the aircraft manufacturing industry

Multi-variant products to be assembled on mixed-model assembly lines at locations within a production network need to be scheduled locally. Scheduling is a highly complex task especially if it simultaneously covers the assignment of orders, which are product variants to be assembled within a production period, to assembly lines as well as their sequencing on the lines. However, this is required if workers can flexibly fulfill tasks across stations of several lines and, thus, capacity of workers is shared among the lines. As this is the case for final assembly of the Airbus A320 Family, this paper introduces an optimization model for local order scheduling for mixed-model assembly lines covering both assignment to lines as well as sequencing. The model integrates the planning approaches mixed-model sequencing and level scheduling in order to minimize work overload in final assembly and to level material demand with regard to suppliers. The presented model is validated in the industrial application of the final assembly of the Airbus A320 Family. The results demonstrate significant improvement in terms of less work overload and a more even material demand compared to current planning.     

Recurrent neural network for motion trajectory prediction in human-robot collaborative assembly

Effective and safe human-robot collaboration in assembly requires accurate prediction of human motion trajectory, given a sequence of past observations such that a robot can proactively provide assistance to improve operation efficiency while avoiding collision. This paper presents a deep learning-based method to parse visual observations of human actions in an assembly setting, and forecast the human operator's future motion trajectory for online robot action planning and execution. The method is built upon a recurrent neural network (RNN) that can learn the time-dependent mechanisms underlying the human motions. The effectiveness of the developed method is demonstrated for an engine assembly.     

阴极炭块自动组装工作台自适应神经网络控制研究

为了保证在阴极炭块自动组装中把钢棒糊料定量加入炭块的燕尾槽内,提高阴极炭块组装的质量,从而进一步提高电解铝的质量和产量,降低工人的劳动强度,实现阴极炭块组装的自动化。本文在满足阴极炭块自动组装生产线工艺性要求的基础上,提出了基于BP神经网络对整条生产线上工作台匀速运动的控制,通过仿真结果可以看出,当负载变化时,BP神经网络的自适应PID控制具有调节时间短、超调和振荡小等特点,从而大大改善了系统的鲁棒性和跟踪性能,可以有效地降低工作台的速度波动,使工作台匀速运动,从而达到均匀给料的目的。     

基于改进邻域粗糙集与S_Kohonen神经网络的滚动轴承故障诊断研究

针对现有滚动轴承故障诊断技术中,存在输入属性冗余过多、故障识别率不高等缺点,提出了基于改进邻域粗糙集与S_Kohonen神经网络的故障诊断方法。由于传感器采集的故障信息大多为数值型数据且数据维数较大,文中引入邻域粗糙集理论并对基于邻域粗糙集的经典前向贪心算法进行改进,利用改进算法约简故障数据,大大减小了算法复杂度;对Kohonen神经网络进行改进,在其原有结构基础上添加输出层构成S_Kohonen神经网络,使其输出类别满足给定分类要求;分别采用前向贪心算法、改进算法约简故障数据,将约简前、后的故障数据分别输入S_Kohonen神经网络、BP神经网络识别滚动轴承故障状态,试验结果证明邻域粗糙集可有效消除属性之间的重复信息,改进算法提取故障属性信息更能反映故障状态的本质,S_Kohonen神经网络具有良好的故障识别能力,两者配合使用,改进邻域粗糙集——S_Kohonen神经网络模型具有很好的故障诊断能力。     

基于改进超限学习机的制造过程质量监控模型

针对超限学习机识别模型在制造过程质量异常模式识别中存在输入权值和偏置向量随机设置导致识别效率低的问题，通过粒子群优化算法对超限学习机模型的网络结构进行优化，提出一种基于改进超限学习机的制造过程质量监控模型。利用主成分分析方法进行过程质量数据的特征提取，利用主成分特征对识别模型进行训练，利用粒子群优化算法对识别模型的网络结构进行优化。仿真实验和实测数据均表明：所提基于改进超限学习机的制造过程质量异常识别模型的识别效率明显高于其他同类模型，能够用于制造过程的实时监控。