<nobr id="dt9zr"></nobr>

    <sub id="dt9zr"></sub>
    <address id="dt9zr"><meter id="dt9zr"></meter></address>

      <output id="dt9zr"><em id="dt9zr"></em></output>

            <address id="dt9zr"></address>

                  <sub id="dt9zr"></sub>

                  <sub id="dt9zr"><meter id="dt9zr"><cite id="dt9zr"></cite></meter></sub>

                        <form id="dt9zr"></form>
                        <thead id="dt9zr"><meter id="dt9zr"><b id="dt9zr"></b></meter></thead>
                        <output id="dt9zr"></output>
                        <form id="dt9zr"></form>

                          此頁面上的內容需要較新版本的 Adobe Flash Player。

                          獲取 Adobe Flash Player

                          當前位置:主頁 > 科技創新 > 新品速遞 >

                          智能制造技術在方矩管生產中的應用及實現

                          時間:2017-11-17 15:06來源:天津市友發德眾鋼管有限 作者:xuchen 點擊:
                          智能制造技術在方矩管生產中的應用及實現

                          研發單位:天津市友發德眾鋼管有限公司
                          主要研發人:顧金海 王亞林 李大華

                          1.成果名稱:智能制造技術在方矩管生產中的應用及實現
                          2.研制了方矩管機組智能化遠程自動換型系統,改變了方矩管機組手動調整軋輥位置的方式,實現了各種產品規格的遠程自動換型、配輥參數及換型時間等數據的存儲與調用、系統自檢保護預警及實時監控。
                          3.研制了組合式激光視覺傳感器與自主研發的機器視覺處理系統相結合的在線檢測系統。該系統測量精度達到0.5mm;在震動、水霧、反光等情況下依然能穩定在0.5mm的檢測精度;實時檢測并能夠同步顯示數據;實時保存測量數據。
                          4.將數學模型與神經網絡相結合,應用于方矩形管自動換型系統的配輥參數預報。能夠快速、精確地對連續成型過程的多道次孔型進行設定,通過數學模型初步預測新規格鋼管的配輥參數,運用BP神經網絡對其預測誤差修真,得到最后的配輥參數預測值。
                          5. 自主研發了一套結合孔型預報設定模型、智能化遠程自動換型系統、在線檢測系統的智能制造技術,并成功應用于方矩管生產過程。
                          6.獲取的國家專利:
                           
                           專利申請文件及科技成果鑒定證書見附頁
                          已實施的科技項目介紹
                          1.詳細科學技術內容
                          (一)項目整體介紹
                          “十三五”期間,鋼管企業不僅僅在產品上要創新,而且在生產流程以及企業全流程上都要按照智能化來改造升級,這也是為了使產品更能適應用戶需求,達到提質增效的目的。因此需要加快推進鋼鐵制造信息化、數字化與制造技術融合發展,把智能制造作為兩化深度融合的主攻方向。支持鋼鐵企業完善基礎自動化、生產過程控制、制造執行、企業管理四級信息化系統建設。
                          本項目涉及的主要工作包括針對方矩管生產過程自動化程度低、耗費大量人工操作、生產效率低、產品質量波動大的問題,提出采用智能制造技術對方矩管生產過程進行全面改造,旨在提高生產過程自動化程度、提高產品質量,實現遠程自動換型、數據記錄、實時監控,方矩管外形尺寸在線檢測,多道次孔型預報設定等功能。該項目總體框圖如下:

                          圖1.1 系統總體框圖
                          該項目所涵系統包括設計建模、自動控制、在線質量檢測和生產管理系統,是以計算機為基礎的DCS與電力自動化監控系統,集研發設計、智能生產與智能檢測為一體。研發設計部分利用數學模型與神經網絡結合的預測方法構建配輥參數預報模型,指導升級改造后的智能化遠程自動換型系統設定模型預測的配輥參數,調整F400冷彎機組配輥位置,最后使用自主研發的在線檢測系統對生產出的鋼管進行質量檢測,將誤差反饋至預測模型進一步訓練從而對自動換型系統參數做出修正。整個鋼管生產自動換型生產過程中的生產數據可通過TCP/IP協議與F400生產數據庫建立連接,方便生產數據的儲存與調用。同時,數據庫數據可聯網與企業數據中心及其他生產線實現云共享。
                          (二)配輥參數預報模型
                          在冷彎成形過程中金屬板帶被連續的軋輥逐漸彎曲成所需的輪廓。其中每個軋輥的定位誤差會逐漸積累,影響到產品的尺寸。改造前現場憑借人工經驗控制電機轉動對系統換型,使用標尺的測量工具對配輥間距進行測量。對于新型號的鋼管缺乏對應的配輥參數數據,需結合生產出的鋼管參數逐步對換型系統進行參數修正,形成產品和人工的浪費。因此需要針對新型號鋼管換型精度低的情況,提出一種預測配輥參數的解決方法,用以指導生產。
                          模型預測是一種基于數學模型的控制策略,這種控制策略首先利用過去時刻的輸入輸出信息建立預測模型,然后利用預測模型對系統未來的輸出做出預測,通過長時域的優化獲得局部最優的控制量,從而實現對被控對象的有效控制。該項目的模型是非線性的,且工作點與操作點的延時較大,非線性系統預測方法中人工神經網絡法是較為常用且成熟的。人工神經網絡由眾多簡單神經元組成,能夠以任意精度逼近絕大多數非線性映射關系,是一種非常優秀的非線性建模工具。其中BP神經網絡由于其良好的非線性逼近能力、結構比較簡單、操作性強,是應用最成熟的一種網絡結構。因此,該項目采用數學模型與BP神經網絡相結合的方法。利用數學模型對新型號鋼管換型配輥參數做初步預測,結合BP神經網絡對其預測結果進一步修正。
                          2.1 冷彎成型中配輥尺寸誤差變化模型
                          模型預測控制一般由預測模型、滾動優化策略和反饋校正三部分構成,預測模型是滾動優化策略的基礎,反饋校正為預測模型提供修正。在工程應用中,建立的預測模型是否合適,將直接影響預測控制器的實際控制效果。
                          多機架生產線由一系列機架組成(圖2.1),整個系統的加工過程可以使用狀態空間來建模。圖2.1中的粗體部分輪廓是每個機架上的期望輥花圖。狀態向量描述系統中所有相關元素的幾何誤差。

                          圖2.1 多機架冷彎成型工藝圖
                          狀態空間傳輸(機架間傳輸)關系可以設置如下:
                                              (1)
                                      (2)
                          其中X(k)是在機架k操作之后的狀態向量或乘積信息(例如部分維度偏差)。U(k)代表在機架k產生的變化。在K(k)中包含關鍵產品特征的尺寸測量,W(k)和V(k)分別是表示建模誤差和噪聲的矢量。上述模型中的矩陣A(k)和B(k)包括關于單個機架k上的軋輥布局以及制造中機架的軋輥布局的變化信息。在冷彎成型過程中,A(k)和B(k)中包含的信息分別涉及每個機架的基準傳遞和軋輥的幾何輪廓,并且C(k)包括特征點位置信息(機架k上特征點的數量和位置)。
                          方形管外形如圖2.2所示:

                          圖2.2 冷彎成型截面圖
                          冷彎成型中A(k)s和B(k)s的建模
                          I型孔型的A(k)&B(k)
                          假設在機架中,在第i個孔型將側板從θi-1彎曲到θi(如圖2.3所示),假設圖2.3中的粗線是板帶中的非應變層(中性面)。從圖中可以得到以下公式:
                                              (3)
                                (4)
                          其中ki-1和ki是彎曲角度為θi-1和θi時的彎曲弧長度。可知在孔型中,軋輥的位置固定彎曲起點:P3,因此成形過程可以作為兩個過程的結合,即:
                          (1)使輸入板帶彎曲。
                          (2)將板帶彎曲成θi。

                          圖2.3  I型孔型彎曲圖
                          然后通過以下公式建立第(i-1)特征點狀態與第i個特征點狀態之間的關系:
                                             (5)
                                        (6)
                              (7)
                               (8)
                          由于P3由配輥位置決定,則:
                                                          (9)
                                                  (10)
                          其中δx1和δy1是沿著x和y軸的軋輥的定位誤差。基于假設ki-1,ki,d和d'與配輥定位誤差和本機架引入的產品尺寸誤差無關。并且只有X(i-1)和軋輥定位誤差的元素被設置為變量,然后從(5)~(10)可以得到以下公式:
                             (11)
                            (12)
                           (13)
                            (14)
                          基于(9)~(14)可得
                            (15)
                                     (16)
                          II型孔型的A(k)&B(k)
                          I型和II型之間的區別是側輥和中心輥是封閉。彎曲位置由兩個軋輥的位置確定。由于在這種機架中,板帶通常進入內部彎曲(如圖2.4所示),并且假設機架是第j個。

                          圖2.4  II型孔型彎曲示意圖
                                           (17)
                             (18)
                          其中δx1,δy1,和δy2是輥2和輥3的位置誤差
                              (19)
                              (20)
                                (21)
                               (22)
                               (23)
                                  (24)
                               (25)
                             (26)
                          其中θ*是進入內部彎曲之前的外凸緣的彎曲角度。基于(17)~(26),可以得到A(j-1)和B(j)。
                          III型孔型的A(k)&B(k)
                          假設在第n個機架,如圖2.5,推導A(n)和B(n)。軋輥將側凸緣從θn-1彎曲到θn。圖2.5中的θ*與圖2.4中不同,它表示返回到外凸緣彎曲之前內彎的彎曲角度。

                          圖2.5 III型孔型彎曲示意圖
                          在這種工況中,P3和P5的位置由軋輥確定,所以:
                                    (27)
                                                   (28)
                               (29)
                          (30)
                          其中δx1,δy1,δx2,δy2,δx3和δy3是軋輥的定位誤差
                          公式(31)~(34)根據配輥位置的幾何形狀推導出來。可以基于(27)和(28)獲得P4的公式,并且可以基于(29)和(30)導出P1和P2的公式。由此,可以完成方矩形管成型過程中任何類型配輥中A(n-1)和B(n)的推導。
                          冷彎成型SOV模型中的回彈補償
                          由于冷彎成型工藝的特點,需要在使用SOV模型時加入狀態矢量X(k)的回彈補償,由圖2.6所示,整個冷彎成型工藝是一個連續的成型過程。

                          圖2.6 冷彎成型回彈
                          成型過程由L0,L1,L2三個階段組成。在L0中,板帶彎曲角度保持不變,在L1中板帶開始彎曲,L2是回彈發生的長度。假設它在第i個機架。在以前的SOV建模過程中,板帶在時間t3開始出口。但是由于軋輥的約束,t3處的板帶尺寸難以測量。一般來說,在L2之后的下一個機架L0階段進行測量。在這種情況下,必須考慮回彈。該項目開發了回彈補償
                              (31)
                          其中X *(k)是第k個機架的回彈補償。如圖2.7所示,并且基于幾何分析,可以得出特征點的尺寸補償。
                           

                          圖2.7 回彈補償示意圖
                          由于只有四個特征點P1,P2,P3和P4位于回彈板帶上,且被彎曲的板帶對稱,所以P1的補償值的推導如下式所示,假設θk是回彈之前的彎曲角度,θk'是回彈后的彎曲角度,Δθk是回彈角。
                                         (32)
                                          (33)
                                  (34)
                                     (35)
                                           (36)
                                        (37)
                          然后定義函數F1和F2如下:
                                 (38)
                                (39)
                          那么X *(k)可以寫成
                               (40)
                          關于在凸緣的一側上具有兩個彎曲的情況,可以以類似的過程導出補償矢量。
                          使用兩機架情況來驗證SOV模型。兩機架工藝是冷彎成型過程的一部分。在第一機架中,將兩側板帶從θi-1彎曲到θi。在第二機架中,將板帶從θi彎曲到θi+1
                          這兩個連續機架均為Ⅰ級,冷彎成型中SOV模型驗證的準備工作包括三個步驟:
                          基于測量出的機架CAD/CAPP信息導出A(k)s和B(k)s
                          進行測量,其中包括軋輥定位誤差U(i-1)&U(i),板帶狀態矢量X(i-2)&X(i)和彈簧背角Δθi-2&Δθi
                          計算回彈補償矢量X*(i-2)&X*(i)
                          之后,使用公式(40)用SOV模型預測ΔX(i),并將其與測量的ΔX(i)進行比較。
                          在驗證過程中測量了三種類型的產品(如表2.1所示),它們由相同的機架組成。從表2.2可以看出,基于SOV模型的預測結果與特征點的測量相匹配。
                          表2.1 三種類型產品的規格
                           
                          A 400 400
                          B 200 300
                          C 250 250
                           
                          表2.2 鋼管預測特征點與測量結果比較
                            預測值 實際值
                          A型ΔxP1 4.40 4.01
                          A型ΔyP1 1.23 1.02
                          B型ΔxP1 3.32 3.17
                          B型ΔyP1 1.85 1.68
                          C型ΔxP1 3.85 3.66
                          C型ΔyP1 1.49 1.21
                           
                          表2.3 鋼管預測結果與實際生產結果比較
                            預測值 實際值
                          A寬 400 408.3
                          A高 400 410.2
                          B寬 300 306.3
                          B高 200 208.5
                          C寬 250 260.2
                          C高 250 258.9
                           
                          由表2.3可知,單純數學模型誤差較大,無法滿足生產需要。需要和針對非線性系統的預測方法結合,減小預測誤差。
                          2.2 BP神經網絡訓練
                          由于測量的限制,以及預測誤差的累計,且某些機架因工作條件不佳而無法測量,需要通過其他智能方法與SOV模型相結合,彌補SOV在線實時調整時間長,誤差累計無法消除的缺點。神經網絡預測方法是一種模仿動物神經網絡行為特征,進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度,通過調整內部大量節點之間相互連接的關系,從而達到處理信息的目的。它的主要特點有:具有大規模并行協同處理的能力;具有較強的容錯能力和聯想能力;具有較強的學習能力;是一個大規模自組織、自適應的非線性動力系統,具有不可預測性、耗散性、高維性、不可逆性與自適應性,其算法流程圖如下圖2.8所示:

                          圖2.8  BP神經網絡計算流程圖
                          首先對輸入數據進行歸一化處理,給定輸入向量和目標輸出,對隱含層、輸出層各單位輸出與目標值作比較,求出實際誤差,若偏差滿足要求且滿足精度要求則結束訓練,若不滿足要求則計算隱含層誤差并對網絡權值進行更新學習,直至神經網絡訓練結果滿足精度要求。
                          BP網絡是神經網絡中的常用方法,采用的是有監督的δ學習規則,其基本思想是:兩神經元之間連接強度的變化量與教師信號di(k)和網絡實際輸出信號δi之差成正比,并與輸入單元的激勵成正比。其學習過程由正向傳播和反向傳播組成。在正向傳播過程中,輸入信號由輸入層經隱含層傳遞給輸出層。這時如果輸出層的輸出與所期望的輸出相差較大,則轉入反向傳播,即誤差信號從輸出層開始,反向逐層、逐個節點地計算各連接權值的修正量,以修改各層神經元的權值,使誤差信號最小。
                          訓練網絡的指標函數為:
                                                 (41)
                          式中P為訓練用標準樣本數;tpk為網絡的實際輸出;Opk為網絡的期望輸出。采用梯度下降法使E最小,即采用δ廣義規則算法,權值修正式為:
                                          (42)
                          式中:ΔWji( n+1)為該次的權值修正量;ΔWji(n)為上一次的權值修正量;α為慣性因子,取值為0或1;η為學習因子,取值為0-1之間的數值。
                          BP神經網絡可通過訓練學習已有的知識,并通過預測解決實際問題。在訓練學習過程中,利用實際數據,通過網絡的正向傳播和反向誤差傳播來調整網絡的權值。當網絡輸出值與實際值的偏差達到一定精度時,停止對BP網絡的訓練,獲得一組權值并保存。預測過程包括網絡的正向傳播過程。輸入一組數據,利用已有權值,可獲得一組輸出值,即為網絡的預測值。
                          2.3 預測模型應用
                          針對換型系統配輥與鋼管生產延時控制的特點,選擇成品鋼管的尺寸精度和壁厚作為目標變量建立人工神經網絡模型,采用BP神經網絡,其網絡模型為:輸入層為50個神經元即鋼管寬度、鋼管長度、板帶寬度、鋼管壁厚上下限以及基于SOV模型預測的12組配輥的46個不同方向的數據。輸出期望為12組配輥46個不同方向的真實數據。其中每種已知型號提供200組數據,以方矩管寬高分別為200-400mm的共44種型號的8800組數據作為神經網絡的訓練樣本。網絡結構圖如圖2.9所示:

                          圖2.9 神經網絡結構圖
                          網絡經過訓練達到穩定狀態如圖2.10所示,網絡經過730次迭代將誤差數量級數降低到0.015918128。停止訓練,輸入檢測樣本進行檢測,檢測誤差達到最小,網絡訓練完畢,可以看出這時的預測精度達到最高。

                          圖2.10  BP神經網絡的收斂曲線
                          在樣本的學習過程中,增益項(學習速度)η和比例常數(慣性項系數)α對學習的效率和效果有很大的影響,較大的η有助于加快網絡學習過程,但容易產生震蕩;較小時可以抑制震蕩,但可能使學習速度變慢,經過計算比較,兼顧網絡的收斂速度和收斂穩定性,取η=0.1,α=0.45。
                          最后運用神經網絡預測得到的配輥參數加工鋼管,并對隨機鋼管型號進行試驗,測得在鋼管生產過程中鋼管通過神經網絡預測給定參數之后的生產變化情況, 并與理論值作了分析比較。以帶寬為1600,寬高為400×400,壁厚為15.5~15.75的方矩管為例,配輥參數預測結果與誤差參數分別如圖2.11、圖2.12所示:



                          圖2.11 配輥參數預測結果


                          圖2.12 配輥參數預測誤差
                          由以上兩圖可以看出,經過神經網絡預測配輥參數與實際參數的相對誤差可以控制在1%以內,精準度達到99%以上。結合實際生產過程分別以250×250與400×400兩種方矩管為例,輸入預測參數,對生產的鋼管每隔5秒進行一次寬度采樣,其結果分別如圖2.13與圖2.14所示:

                          圖2.13 預測配輥參數于250×250方矩管實際生產數據

                          圖2.14 預測配輥參數于400×400方矩管實際生產數據
                          預測模型將BP神經網絡與方矩管自動換型系統的配輥參數預測相結合,有效預測了新型號鋼管所需配輥的控制參數。在鋼管生產過程中,對生產出的鋼管進行質量檢測,將實際規格與期望規格增加至預測模型的輸入向量之中,作為訓練樣本重新訓練,從而對預測誤差做出修正。
                          運用BP網絡建立起配輥參數與鋼管尺寸精度之間的非線性關系,實現了對新型號鋼管的配輥參數優化,提高了鋼管的尺寸精度,為實際生產帶來了很大的便利。
                          (三)智能化遠程自動換型系統
                          3.1 自動換型系統方案
                          該項目所研制的智能化遠程自動換型系統采用集中分布式方案:主要包括主站人機界面控制系統、從站自動控制系統和傳感器網絡三個部分。主站控制器選用西門子S7-1500系列PLC,從站控制器選用西門子ET200M分布式I/O站。該項目的成型過程PLC控制系統現場由兩級通訊網絡組成,一級為ROFINET分布式現場總線網絡,實現PLC與I/O口機組之間的數據通信,另一級以工業以太網Ethernet/IP,實現PLC與上位計算機之間的數據交換和通訊,觸摸屏及主站設置在中控柜,對成型過程和設備運行進行實時操作、監控。系統控制對象為控制配輥換型的現場電機。系統結構圖如圖3.1所示:

                          圖3.1 系統結構
                          系統開始運行后,首先選擇手/自動方式,選擇自動方式,首先進行故障診斷,如發生故障,即進行故障定位,對不能自動運行的機組報警,無故障進行機組調零,調零完成后給定參數進行上輥動作,調整完畢后進行下輥動作,下輥調整完畢后設備開始運行,換型后設備停止運行重新調零。系統初始化流程圖如圖3.2所示:

                          圖3.2 系統初始化流程
                          現場通過電機轉動直接控制軋輥移動達到鋼管換型的效果,操作人員可在觸摸屏及上位機上設置需要換型的參數,上位控制系統由兩級通信網絡控制電機啟動,軋輥移動至限位開關即邏輯零點后觸發限位開關,限位開關閉合置位為1。由硬接線將限位開關閉合狀態發送至相位開關對應機組的從站控制器后經一級網絡傳輸至主站控制器PLC,進行下位程序處理,對電機發出制動指令。同時,數據采集處理將零點位置的絕對值與從檢距傳感器接收的數據進行求差運算,并將運算結果發送至上位控制系統。上位控制系統對數據采集處理單元內計數器的運算結果與規定所需的鋼管換型尺寸進行比較,直至運算結果與所需鋼管換型尺寸相符合時,上位控制系統對電機發出停止指令。同時通過兩級通訊網絡將控制結果反饋至上位控制系統,操作人員可對控制結果進行遠程控制。鋼管換型流程如圖3.3所示:

                          圖3.3 鋼管換型流程
                          在觸摸屏初始界面中點擊“產品選型”按鈕,進入產品選型界面,如圖3.4所示,根據生產要求點擊相應型號的選擇按鈕,完成型號選擇。

                          圖3.4 產品選型界面
                          遠程自動換型系統主要功能包括:自動/手動切換;系統自動調零;參數記錄和讀取;在線修改參數;距離偏差報警;人員非法進入報警、觸摸屏可視化操作;數據保密等。
                          3.2 拉繩式傳感器測量軋輥間距
                          為實現對鋼管成型過程的遠程控制和高精度要求、降低人工成本和安全風險,提出基于拉繩式傳感器的軋輥間距測量方法,具體實施方案如下:
                          在鋼管換型時,電機啟動直接控制軋輥的位置變化,現場傳感器采集現場設備運行數據,當觸發限位開關時數據采集計數器將觸發限位開關時的軋輥坐標數據傳送至控制系統,控制系統規定該坐標為零點坐標并將該零點坐標發送至數據運算器,同時現場傳感器信號傳輸至數據運算器與零點坐標進行運算,運算之后將運算結果發送至控制系統,控制系統將接收到的運算結果與鋼管換型規定的軋輥間距進行比較,根據比較結果對電機進行控制。基于拉繩式傳感器的軋輥間距測量方法總體流程圖如圖3.5所示:
                          上位控制系統和數據采集處理單元內的計數器結合收到限位開關信號后以該限位開關信號作為上位控制系統和數據采集處理單元計數器于該項的零點位置。相位零點邏輯圖如圖3.6所示:
                          所用的拉繩式檢距傳感器如圖3.7所示,鋼絲繩由自卷彈簧始終收緊,由鋼絲繩的直線位移轉換成旋轉量測量;鋼絲繩緊緊繞在多圈測量輪上,每一圈的行程均相同,因此在整個測量過程中時刻都是線性測量;鋼絲繩測量輪、卷簧輪與傳感器同軸聯動,其連接誤差降至最小;由于與被測軋輥軟性連接,所以抗震動性能優越。

                          圖3.5 基于拉繩式傳感器的軋輥間距測量方法流程
                           

                          圖3.6 相位零點邏輯
                           

                          圖3.7 拉繩式檢距傳感器原理結構
                          3.3 自動換型調零方法
                          為解決鋼管換型過程中對軋輥零點位置確定精度的問題,提出了一種用于鋼管換型的調零方法,具體實施方案如下:
                          軋輥對中流程如圖3.8所示:軋輥在對中工況時,如電機轉動控制兩側軋輥向中間移動,當軋輥內沿觸發對中限位開關,對中限位開關閉合,與其對應的對中限位開關I/O點由0置為1,由PLC下位程序令對應控制觸發限位開關軋輥的電機制動,并將對中限位開關閉合狀態及觸發限位開關的軋輥信息通過工業以太網Ethernet/IP的通信方式傳輸至上位控制系統,上位控制系統對是否對中完成進行邏輯處理。

                          圖3.8 軋輥對中流程
                          零點確認流程如圖3.9所示:軋輥在上下方向運動時,如電機轉動控制軋輥縱向上移,當軋輥上移觸發上限限位開關,上限限位開關閉合,與其對應的上限限位開關I/O點由0置為1,由PLC下位程序控制電機制動,并將上限限位開關閉合狀態通過工業以太網Ethernet/IP的通信方式傳輸至上位控制系統,上位控制系統結合檢距傳感器的數據信息將上位零點坐標發送至運算器進行后續的軋輥檢距測量,同時發送電機停止制動逆向運行指令。

                          圖3.9 零點確認流程
                          限位開關原理如圖3.10所示:限位開關與運動部件進行機械直接接觸可以操作的位置開關,當物體接觸開關的感應面時,僅需要機械接觸及施加輕微壓力即可使開關動作。其類似于開關型傳感器,既有行程開關、微動開關的特性,同時具有性能穩定,頻率響應快,抗干擾能力強等。
                           

                          圖3.10 限位開關原理
                          (四)在線檢測系統
                          4.1 在線檢測系統方案
                          該項目中的在線尺寸參數檢測系統,通過結構光傳感器測量方矩管的型面,并根據各自的空間位姿坐標,轉換在同一坐標系下。通過前期標定可以實現測量不同規格的方矩管尺寸參數,能夠實現在線、實時、快速、自動、非接觸的測量,有較高的測量精度,省時省力,降低工人的操作強度,提高產品的生產速度和效率。結合實際情況,系統在震動、濕度、光照等干擾因素下效果依然良好。
                          利用機器視覺的線結構光技術,不僅能夠提高測量的精度,同時也使測量系統更加穩定。除此之外,這樣的組合也有利于大尺寸方矩管的測量。對于大尺寸方矩管的測量,需要多個傳感器的協同操作,因此需要將整組傳感器進行全局標定,統一到一個世界坐標系中,這樣得到的三維信息才能夠真實的反應方矩管的特征。
                          該項目中的在線檢測系統具有測量范圍大、非接觸、效率高、實時性強、主動受控、光條圖像信息易于提取和測量精度高等優點,采用的技術方案包括如下步驟:
                          a.由1只攝像機和線激光投射器組成線結構光視覺傳感器,并完成攝像機和結構光視覺傳感器參數的校準。線結構光視覺傳感器如圖4.1所示:
                          b.根據線結構光視覺傳感器工作距離及測量景深,在被測方矩管四周布設并固定4只線結構光視覺傳感器。系統布設如圖4.2所示:
                          c.參考現有的單結構光傳感器的局部標定方法,通過對多傳感器標定方法的研究,設計出一種多傳感器全局標定的方法。
                          d.根據激光攝像頭的測量范圍和方矩管尺寸,調節好各傳感器最佳位置,使激光照射在同一截面上,并且能夠滿足所有尺寸方矩管的測量要求。
                          e.計算機通過線結構光視覺傳感器控制器控制所布設的線結構光視覺傳感器中的攝像機同步采集方矩管表面光條圖像。
                          f.確定系統中圖像處理的方法,選擇了中值濾波去噪、基于大律法的圖像分割技術與高斯曲線擬合法的中心線定位方法。
                          g.計算機進行光條圖像處理,并根據線結構光視覺傳感器的測量模型計算方矩管表面光條的空間位姿坐標,并轉換到全局測量坐標系下。
                          h. 由投射到同一型面上的多個光條的空間坐標擬合可表征各型面的平面,并計算平面間的位姿關系,根據平面間的位姿關系,求取方矩管的幾何尺寸參數。
                          i. 將二維信息轉換為三維空間信息得到條紋對應的物體表面三維信息。

                          圖4.1 線結構光視覺傳感器設計圖

                          圖4.2 系統布設圖
                          方矩管質檢系統如圖4.3所示,通過全局標定將各個傳感器獲得的空間位姿轉在同一坐標系下,通過圖像處理的方法,獲得方矩管的表面信息,提取所需特征尺寸參數。

                          圖4.3 方矩管質檢系統框圖
                          4.2 在線檢測流程與功能
                          系統軟件流程如圖4.4所示,4個傳感器先分別對激光照射的型面進行拍照,然后進行圖像處理,采用中值濾波去噪、基于大律法的圖像分割技術與高斯曲線擬合法的中心線定位方法,提取特征點,然后將獲取的數據轉換在同一坐標系下進行數據處理,得到方矩管的尺寸參數。
                          系統具體流程如下:
                          在鋼管四周大于鋼管管徑的位置安裝兩個支架,第一個支架上安裝兩只線結構光視覺傳感器,第二個支架上再安裝兩只線結構光視覺傳感器,使四個傳感器可同步上下移動以調節傳感器高度及測量角度。
                          完成單個傳感器的局部標定和整體傳感器系統的全局標定。
                          計算機通過線結構光視覺傳感器控制器控制所布設的線結構光視覺傳感器中的攝像機同步采集方矩管表面光條圖像。計算機進行光條圖像處理,并根據線結構光視覺傳感器的測量模型計算方矩管表面光條的空間位姿坐標,并轉換到全局測量坐標系下。由投射到同一型面上的多個光條的空間坐標擬合可表征各型面的平面,并計算平面間的位姿關系,根據平面間的位姿關系,求取方矩管的幾何尺寸參數,包括高度、寬度、R角和表面凹凸度等。將二維信息轉換為三維空間信息,即可得到條紋對應的物體表面三維信息。

                          圖4.4 軟件流程圖
                          在線檢測系統采用機器視覺測量的線結構光法,運用激光三角測量原理,使被測物體特征點明顯,信息提取準確,精度高。參考現有的單結構光傳感器的局部標定方法,通過對多傳感器標定方法的研究,設計出一種多傳感器全局標定的方法。確定系統中圖像處理的方法,選擇中值濾波去噪、基于大律法的圖像分割技術與高斯曲線擬合法的中心線定位方法。計算不同傳感器方矩形管表面光條的空間位姿坐標,并轉換到全局測量坐標系下,求取方矩形管的幾何尺寸參數。
                          實際應用中,在線尺寸參數檢測系統將實現如下功能:
                          a.通過結構光視覺傳感器測量方矩管的型面,并根據各自的空間位姿坐標,轉換到同一坐標系下。該系統可以實現在線測量不同規格的方矩管尺寸參數,能夠實現在線、實時、快速、自動、非接觸的測量,具有較高的測量精度,省時省力,降低工人的操作強度和危險性,提高產品質量和生產效率。
                          b.在線的圖像處理軟件,選擇中值濾波去噪、基于大律法的圖像分割技術與高斯曲線擬合法的中心線定位方法。可以對各個傳感器采集到的圖像進行特征點提取和方矩管圖像的拼接,并且獲得方矩管特征尺寸數據。
                          圖4.5為現場系統已投入運行,圖4.6為現場檢測畫面。

                          圖4.5 現場機柜運行圖

                          圖4.6 現場檢測畫面
                          該項目研制了一套結合孔型預報設定模型、智能化遠程自動換型系統、在線檢測系統的智能制造技術,并成功應用于方矩管生產過程中。項目成果工業適用性強,生產過程可靠性強,自動換型和質量檢測精度高。大幅節省了人力成本,提高了生產及檢測的精度和效率。
                          a.智能預測模型帶來的技術指標提高:經過神經網絡預測出的配輥參數與實際生產配輥參數的相對誤差可以控制在1%以內,精準度可以達到99%以上,轉化為實際值誤差為±1毫米。
                          b.自動換型系統帶來的技術指標提高:換型時間由智能改造前的2~3小時變為改造后的20~45分鐘;換型過程所需工人數量由改造前的6人變為改造后的1人;換型精度從改造前的±8mm變為改造后的±1mm;
                          c.在線檢測系統帶來的技術指標提高:檢測精度從1mm提高到0.5mm;由原來抽檢變為實時每3m檢測一次,保證了產品質量;由原來3個工人人工檢測變為計算機自動檢測,節省人工成本;在線檢測系統提供了數據的可視化界面,提高了生產及檢測效率。
                          產品投入運行以來,各系統均運行正常。配輥參數預測方法,用于新型方矩管配輥參數調整,減小了新型號成品尺寸誤差,滿足對產品的生產需要。新型自動配輥換型系統提高了生產線的自動化程度,減少了因人為因素造成的潛在生產風險。在線自動檢測系統可以執行在線檢測、數據處理、未合格報警等功能,提高了產品質量和生產效率。
                           
                           

                          (責任編輯:admin)

                          ------分隔線----------------------------
                          11选5任二翻倍打公式