此页面上的内容需要较新版本的 Adobe Flash Player。

获取 Adobe Flash Player

当前位置:主页 > 科技创新 > 新品速递 >

智能制造技术在方矩管生产中的应用及实现

时间:2017-11-17 15:06来源:天津市友发德众钢管有限 作者:xuchen 点击:
智能制造技术在方矩管生产中的应用及实现

研发单位:天津市友发德众钢管有限公司
主要研发人:顾金海 王亚林 李大华

1.成果名称:智能制造技术在方矩管生产中的应用及实现
2.研制了方矩管机组智能化远程自动换型系统,改变了方矩管机组手动调整轧辊位置的方式,实现了各种产品规格的远程自动换型、配辊参数及换型时间等数据的存储与调用、系统自检保护预警及实时监控。
3.研制了组合式激光视觉传感器与自主研发的机器视觉处理系统相结合的在线检测系统。该系统测量精度达到0.5mm;在震动、水雾、反光等情况下依然能稳定在0.5mm的检测精度;实时检测并能够同步显示数据;实时保存测量数据。
4.将数学模型与神经网络相结合,应用于方矩形管自动换型系统的配辊参数预报。能够快速、精确地对连续成型过程的多道次孔型进行设定,通过数学模型初步预测新规格钢管的配辊参数,运用BP神经网络对其预测误差修真,得到最后的配辊参数预测值。
5. 自主研发了一套结合孔型预报设定模型、智能化远程自动换型系统、在线检测系统的智能制造技术,并成功应用于方矩管生产过程。
6.获取的国家专利:
 
 专利申请文件及科技成果鉴定证书见附页
已实施的科技项目介绍
1.详细科学技术内容
(一)项目整体介绍
“十三五”期间,钢管企业不仅仅在产品上要创新,而且在生产流程以及企业全流程上都要按照智能化来改造升级,这也是为了使产品更能适应用户需求,达到提质增效的目的。因此需要加快推进钢铁制造信息化、数字化与制造技术融合发展,把智能制造作为两化深度融合的主攻方向。支持钢铁企业完善基础自动化、生产过程控制、制造执行、企业管理四级信息化系统建设。
本项目涉及的主要工作包括针对方矩管生产过程自动化程度低、耗费大量人工操作、生产效率低、产品质量波动大的问题,提出采用智能制造技术对方矩管生产过程进行全面改造,旨在提高生产过程自动化程度、提高产品质量,实现远程自动换型、数据记录、实时监控,方矩管外形尺寸在线检测,多道次孔型预报设定等功能。该项目总体框图如下:

图1.1 系统总体框图
该项目所涵系统包括设计建模、自动控制、在线质量检测和生产管理系统,是以计算机为基础的DCS与电力自动化监控系统,集研发设计、智能生产与智能检测为一体。研发设计部分利用数学模型与神经网络结合的预测方法构建配辊参数预报模型,指导升级改造后的智能化远程自动换型系统设定模型预测的配辊参数,调整F400冷弯机组配辊位置,最后使用自主研发的在线检测系统对生产出的钢管进行质量检测,将误差反馈至预测模型进一步训练从而对自动换型系统参数做出修正。整个钢管生产自动换型生产过程中的生产数据可通过TCP/IP协议与F400生产数据库建立连接,方便生产数据的储存与调用。同时,数据库数据可联网与企业数据中心及其他生产线实现云共享。
(二)配辊参数预报模型
在冷弯成形过程中金属板带被连续的轧辊逐渐弯曲成所需的轮廓。其中每个轧辊的定位误差会逐渐积累,影响到产品的尺寸。改造前现场凭借人工经验控制电机转动对系统换型,使用标尺的测量工具对配辊间距进行测量。对于新型号的钢管缺乏对应的配辊参数数据,需结合生产出的钢管参数逐步对换型系统进行参数修正,形成产品和人工的浪费。因此需要针对新型号钢管换型精度低的情况,提出一种预测配辊参数的解决方法,用以指导生产。
模型预测是一种基于数学模型的控制策略,这种控制策略首先利用过去时刻的输入输出信息建立预测模型,然后利用预测模型对系统未来的输出做出预测,通过长时域的优化获得局部最优的控制量,从而实现对被控对象的有效控制。该项目的模型是非线性的,且工作点与操作点的延时较大,非线性系统预测方法中人工神经网络法是较为常用且成熟的。人工神经网络由众多简单神经元组成,能够以任意精度逼近绝大多数非线性映射关系,是一种非常优秀的非线性建模工具。其中BP神经网络由于其良好的非线性逼近能力、结构比较简单、操作性强,是应用最成熟的一种网络结构。因此,该项目采用数学模型与BP神经网络相结合的方法。利用数学模型对新型号钢管换型配辊参数做初步预测,结合BP神经网络对其预测结果进一步修正。
2.1 冷弯成型中配辊尺寸误差变化模型
模型预测控制一般由预测模型、滚动优化策略和反馈校正三部分构成,预测模型是滚动优化策略的基础,反馈校正为预测模型提供修正。在工程应用中,建立的预测模型是否合适,将直接影响预测控制器的实际控制效果。
多机架生产线由一系列机架组成(图2.1),整个系统的加工过程可以使用状态空间来建模。图2.1中的粗体部分轮廓是每个机架上的期望辊花图。状态向量描述系统中所有相关元素的几何误差。

图2.1 多机架冷弯成型工艺图
状态空间传输(机架间传输)关系可以设置如下:
                    (1)
            (2)
其中X(k)是在机架k操作之后的状态向量或乘积信息(例如部分维度偏差)。U(k)代表在机架k产生的变化。在K(k)中包含关键产品特征的尺寸测量,W(k)和V(k)分别是表示建模误差和噪声的矢量。上述模型中的矩阵A(k)和B(k)包括关于单个机架k上的轧辊布局以及制造中机架的轧辊布局的变化信息。在冷弯成型过程中,A(k)和B(k)中包含的信息分别涉及每个机架的基准传递和轧辊的几何轮廓,并且C(k)包括特征点位置信息(机架k上特征点的数量和位置)。
方形管外形如图2.2所示:

图2.2 冷弯成型截面图
冷弯成型中A(k)s和B(k)s的建模
I型孔型的A(k)&B(k)
假设在机架中,在第i个孔型将侧板从θi-1弯曲到θi(如图2.3所示),假设图2.3中的粗线是板带中的非应变层(中性面)。从图中可以得到以下公式:
                    (3)
      (4)
其中ki-1和ki是弯曲角度为θi-1和θi时的弯曲弧长度。可知在孔型中,轧辊的位置固定弯曲起点:P3,因此成形过程可以作为两个过程的结合,即:
(1)使输入板带弯曲。
(2)将板带弯曲成θi。

图2.3  I型孔型弯曲图
然后通过以下公式建立第(i-1)特征点状态与第i个特征点状态之间的关系:
                   (5)
              (6)
    (7)
     (8)
由于P3由配辊位置决定,则:
                                (9)
                        (10)
其中δx1和δy1是沿着x和y轴的轧辊的定位误差。基于假设ki-1,ki,d和d'与配辊定位误差和本机架引入的产品尺寸误差无关。并且只有X(i-1)和轧辊定位误差的元素被设置为变量,然后从(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型之间的区别是侧辊和中心辊是封闭。弯曲位置由两个轧辊的位置确定。由于在这种机架中,板带通常进入内部弯曲(如图2.4所示),并且假设机架是第j个。

图2.4  II型孔型弯曲示意图
                 (17)
   (18)
其中δx1,δy1,和δy2是辊2和辊3的位置误差
    (19)
    (20)
      (21)
     (22)
     (23)
        (24)
     (25)
   (26)
其中θ*是进入内部弯曲之前的外凸缘的弯曲角度。基于(17)~(26),可以得到A(j-1)和B(j)。
III型孔型的A(k)&B(k)
假设在第n个机架,如图2.5,推导A(n)和B(n)。轧辊将侧凸缘从θn-1弯曲到θn。图2.5中的θ*与图2.4中不同,它表示返回到外凸缘弯曲之前内弯的弯曲角度。

图2.5 III型孔型弯曲示意图
在这种工况中,P3和P5的位置由轧辊确定,所以:
          (27)
                         (28)
     (29)
(30)
其中δx1,δy1,δx2,δy2,δx3和δy3是轧辊的定位误差
公式(31)~(34)根据配辊位置的几何形状推导出来。可以基于(27)和(28)获得P4的公式,并且可以基于(29)和(30)导出P1和P2的公式。由此,可以完成方矩形管成型过程中任何类型配辊中A(n-1)和B(n)的推导。
冷弯成型SOV模型中的回弹补偿
由于冷弯成型工艺的特点,需要在使用SOV模型时加入状态矢量X(k)的回弹补偿,由图2.6所示,整个冷弯成型工艺是一个连续的成型过程。

图2.6 冷弯成型回弹
成型过程由L0,L1,L2三个阶段组成。在L0中,板带弯曲角度保持不变,在L1中板带开始弯曲,L2是回弹发生的长度。假设它在第i个机架。在以前的SOV建模过程中,板带在时间t3开始出口。但是由于轧辊的约束,t3处的板带尺寸难以测量。一般来说,在L2之后的下一个机架L0阶段进行测量。在这种情况下,必须考虑回弹。该项目开发了回弹补偿
    (31)
其中X *(k)是第k个机架的回弹补偿。如图2.7所示,并且基于几何分析,可以得出特征点的尺寸补偿。
 

图2.7 回弹补偿示意图
由于只有四个特征点P1,P2,P3和P4位于回弹板带上,且被弯曲的板带对称,所以P1的补偿值的推导如下式所示,假设θk是回弹之前的弯曲角度,θk'是回弹后的弯曲角度,Δθk是回弹角。
               (32)
                (33)
        (34)
           (35)
                 (36)
              (37)
然后定义函数F1和F2如下:
       (38)
      (39)
那么X *(k)可以写成
     (40)
关于在凸缘的一侧上具有两个弯曲的情况,可以以类似的过程导出补偿矢量。
使用两机架情况来验证SOV模型。两机架工艺是冷弯成型过程的一部分。在第一机架中,将两侧板带从θi-1弯曲到θi。在第二机架中,将板带从θi弯曲到θi+1
这两个连续机架均为Ⅰ级,冷弯成型中SOV模型验证的准备工作包括三个步骤:
基于测量出的机架CAD/CAPP信息导出A(k)s和B(k)s
进行测量,其中包括轧辊定位误差U(i-1)&U(i),板带状态矢量X(i-2)&X(i)和弹簧背角Δθi-2&Δθi
计算回弹补偿矢量X*(i-2)&X*(i)
之后,使用公式(40)用SOV模型预测ΔX(i),并将其与测量的ΔX(i)进行比较。
在验证过程中测量了三种类型的产品(如表2.1所示),它们由相同的机架组成。从表2.2可以看出,基于SOV模型的预测结果与特征点的测量相匹配。
表2.1 三种类型产品的规格
 
A 400 400
B 200 300
C 250 250
 
表2.2 钢管预测特征点与测量结果比较
  预测值 实际值
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 钢管预测结果与实际生产结果比较
  预测值 实际值
A宽 400 408.3
A高 400 410.2
B宽 300 306.3
B高 200 208.5
C宽 250 260.2
C高 250 258.9
 
由表2.3可知,单纯数学模型误差较大,无法满足生产需要。需要和针对非线性系统的预测方法结合,减小预测误差。
2.2 BP神经网络训练
由于测量的限制,以及预测误差的累计,且某些机架因工作条件不佳而无法测量,需要通过其他智能方法与SOV模型相结合,弥补SOV在线实时调整时间长,误差累计无法消除的缺点。神经网络预测方法是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。它的主要特点有:具有大规模并行协同处理的能力;具有较强的容错能力和联想能力;具有较强的学习能力;是一个大规模自组织、自适应的非线性动力系统,具有不可预测性、耗散性、高维性、不可逆性与自适应性,其算法流程图如下图2.8所示:

图2.8  BP神经网络计算流程图
首先对输入数据进行归一化处理,给定输入向量和目标输出,对隐含层、输出层各单位输出与目标值作比较,求出实际误差,若偏差满足要求且满足精度要求则结束训练,若不满足要求则计算隐含层误差并对网络权值进行更新学习,直至神经网络训练结果满足精度要求。
BP网络是神经网络中的常用方法,采用的是有监督的δ学习规则,其基本思想是:两神经元之间连接强度的变化量与教师信号di(k)和网络实际输出信号δi之差成正比,并与输入单元的激励成正比。其学习过程由正向传播和反向传播组成。在正向传播过程中,输入信号由输入层经隐含层传递给输出层。这时如果输出层的输出与所期望的输出相差较大,则转入反向传播,即误差信号从输出层开始,反向逐层、逐个节点地计算各连接权值的修正量,以修改各层神经元的权值,使误差信号最小。
训练网络的指标函数为:
                       (41)
式中P为训练用标准样本数;tpk为网络的实际输出;Opk为网络的期望输出。采用梯度下降法使E最小,即采用δ广义规则算法,权值修正式为:
                (42)
式中:ΔWji( n+1)为该次的权值修正量;ΔWji(n)为上一次的权值修正量;α为惯性因子,取值为0或1;η为学习因子,取值为0-1之间的数值。
BP神经网络可通过训练学习已有的知识,并通过预测解决实际问题。在训练学习过程中,利用实际数据,通过网络的正向传播和反向误差传播来调整网络的权值。当网络输出值与实际值的偏差达到一定精度时,停止对BP网络的训练,获得一组权值并保存。预测过程包括网络的正向传播过程。输入一组数据,利用已有权值,可获得一组输出值,即为网络的预测值。
2.3 预测模型应用
针对换型系统配辊与钢管生产延时控制的特点,选择成品钢管的尺寸精度和壁厚作为目标变量建立人工神经网络模型,采用BP神经网络,其网络模型为:输入层为50个神经元即钢管宽度、钢管长度、板带宽度、钢管壁厚上下限以及基于SOV模型预测的12组配辊的46个不同方向的数据。输出期望为12组配辊46个不同方向的真实数据。其中每种已知型号提供200组数据,以方矩管宽高分别为200-400mm的共44种型号的8800组数据作为神经网络的训练样本。网络结构图如图2.9所示:

图2.9 神经网络结构图
网络经过训练达到稳定状态如图2.10所示,网络经过730次迭代将误差数量级数降低到0.015918128。停止训练,输入检测样本进行检测,检测误差达到最小,网络训练完毕,可以看出这时的预测精度达到最高。

图2.10  BP神经网络的收敛曲线
在样本的学习过程中,增益项(学习速度)η和比例常数(惯性项系数)α对学习的效率和效果有很大的影响,较大的η有助于加快网络学习过程,但容易产生震荡;较小时可以抑制震荡,但可能使学习速度变慢,经过计算比较,兼顾网络的收敛速度和收敛稳定性,取η=0.1,α=0.45。
最后运用神经网络预测得到的配辊参数加工钢管,并对随机钢管型号进行试验,测得在钢管生产过程中钢管通过神经网络预测给定参数之后的生产变化情况, 并与理论值作了分析比较。以带宽为1600,宽高为400×400,壁厚为15.5~15.75的方矩管为例,配辊参数预测结果与误差参数分别如图2.11、图2.12所示:



图2.11 配辊参数预测结果


图2.12 配辊参数预测误差
由以上两图可以看出,经过神经网络预测配辊参数与实际参数的相对误差可以控制在1%以内,精准度达到99%以上。结合实际生产过程分别以250×250与400×400两种方矩管为例,输入预测参数,对生产的钢管每隔5秒进行一次宽度采样,其结果分别如图2.13与图2.14所示:

图2.13 预测配辊参数于250×250方矩管实际生产数据

图2.14 预测配辊参数于400×400方矩管实际生产数据
预测模型将BP神经网络与方矩管自动换型系统的配辊参数预测相结合,有效预测了新型号钢管所需配辊的控制参数。在钢管生产过程中,对生产出的钢管进行质量检测,将实际规格与期望规格增加至预测模型的输入向量之中,作为训练样本重新训练,从而对预测误差做出修正。
运用BP网络建立起配辊参数与钢管尺寸精度之间的非线性关系,实现了对新型号钢管的配辊参数优化,提高了钢管的尺寸精度,为实际生产带来了很大的便利。
(三)智能化远程自动换型系统
3.1 自动换型系统方案
该项目所研制的智能化远程自动换型系统采用集中分布式方案:主要包括主站人机界面控制系统、从站自动控制系统和传感器网络三个部分。主站控制器选用西门子S7-1500系列PLC,从站控制器选用西门子ET200M分布式I/O站。该项目的成型过程PLC控制系统现场由两级通讯网络组成,一级为ROFINET分布式现场总线网络,实现PLC与I/O口机组之间的数据通信,另一级以工业以太网Ethernet/IP,实现PLC与上位计算机之间的数据交换和通讯,触摸屏及主站设置在中控柜,对成型过程和设备运行进行实时操作、监控。系统控制对象为控制配辊换型的现场电机。系统结构图如图3.1所示:

图3.1 系统结构
系统开始运行后,首先选择手/自动方式,选择自动方式,首先进行故障诊断,如发生故障,即进行故障定位,对不能自动运行的机组报警,无故障进行机组调零,调零完成后给定参数进行上辊动作,调整完毕后进行下辊动作,下辊调整完毕后设备开始运行,换型后设备停止运行重新调零。系统初始化流程图如图3.2所示:

图3.2 系统初始化流程
现场通过电机转动直接控制轧辊移动达到钢管换型的效果,操作人员可在触摸屏及上位机上设置需要换型的参数,上位控制系统由两级通信网络控制电机启动,轧辊移动至限位开关即逻辑零点后触发限位开关,限位开关闭合置位为1。由硬接线将限位开关闭合状态发送至相位开关对应机组的从站控制器后经一级网络传输至主站控制器PLC,进行下位程序处理,对电机发出制动指令。同时,数据采集处理将零点位置的绝对值与从检距传感器接收的数据进行求差运算,并将运算结果发送至上位控制系统。上位控制系统对数据采集处理单元内计数器的运算结果与规定所需的钢管换型尺寸进行比较,直至运算结果与所需钢管换型尺寸相符合时,上位控制系统对电机发出停止指令。同时通过两级通讯网络将控制结果反馈至上位控制系统,操作人员可对控制结果进行远程控制。钢管换型流程如图3.3所示:

图3.3 钢管换型流程
在触摸屏初始界面中点击“产品选型”按钮,进入产品选型界面,如图3.4所示,根据生产要求点击相应型号的选择按钮,完成型号选择。

图3.4 产品选型界面
远程自动换型系统主要功能包括:自动/手动切换;系统自动调零;参数记录和读取;在线修改参数;距离偏差报警;人员非法进入报警、触摸屏可视化操作;数据保密等。
3.2 拉绳式传感器测量轧辊间距
为实现对钢管成型过程的远程控制和高精度要求、降低人工成本和安全风险,提出基于拉绳式传感器的轧辊间距测量方法,具体实施方案如下:
在钢管换型时,电机启动直接控制轧辊的位置变化,现场传感器采集现场设备运行数据,当触发限位开关时数据采集计数器将触发限位开关时的轧辊坐标数据传送至控制系统,控制系统规定该坐标为零点坐标并将该零点坐标发送至数据运算器,同时现场传感器信号传输至数据运算器与零点坐标进行运算,运算之后将运算结果发送至控制系统,控制系统将接收到的运算结果与钢管换型规定的轧辊间距进行比较,根据比较结果对电机进行控制。基于拉绳式传感器的轧辊间距测量方法总体流程图如图3.5所示:
上位控制系统和数据采集处理单元内的计数器结合收到限位开关信号后以该限位开关信号作为上位控制系统和数据采集处理单元计数器于该项的零点位置。相位零点逻辑图如图3.6所示:
所用的拉绳式检距传感器如图3.7所示,钢丝绳由自卷弹簧始终收紧,由钢丝绳的直线位移转换成旋转量测量;钢丝绳紧紧绕在多圈测量轮上,每一圈的行程均相同,因此在整个测量过程中时刻都是线性测量;钢丝绳测量轮、卷簧轮与传感器同轴联动,其连接误差降至最小;由于与被测轧辊软性连接,所以抗震动性能优越。

图3.5 基于拉绳式传感器的轧辊间距测量方法流程
 

图3.6 相位零点逻辑
 

图3.7 拉绳式检距传感器原理结构
3.3 自动换型调零方法
为解决钢管换型过程中对轧辊零点位置确定精度的问题,提出了一种用于钢管换型的调零方法,具体实施方案如下:
轧辊对中流程如图3.8所示:轧辊在对中工况时,如电机转动控制两侧轧辊向中间移动,当轧辊内沿触发对中限位开关,对中限位开关闭合,与其对应的对中限位开关I/O点由0置为1,由PLC下位程序令对应控制触发限位开关轧辊的电机制动,并将对中限位开关闭合状态及触发限位开关的轧辊信息通过工业以太网Ethernet/IP的通信方式传输至上位控制系统,上位控制系统对是否对中完成进行逻辑处理。

图3.8 轧辊对中流程
零点确认流程如图3.9所示:轧辊在上下方向运动时,如电机转动控制轧辊纵向上移,当轧辊上移触发上限限位开关,上限限位开关闭合,与其对应的上限限位开关I/O点由0置为1,由PLC下位程序控制电机制动,并将上限限位开关闭合状态通过工业以太网Ethernet/IP的通信方式传输至上位控制系统,上位控制系统结合检距传感器的数据信息将上位零点坐标发送至运算器进行后续的轧辊检距测量,同时发送电机停止制动逆向运行指令。

图3.9 零点确认流程
限位开关原理如图3.10所示:限位开关与运动部件进行机械直接接触可以操作的位置开关,当物体接触开关的感应面时,仅需要机械接触及施加轻微压力即可使开关动作。其类似于开关型传感器,既有行程开关、微动开关的特性,同时具有性能稳定,频率响应快,抗干扰能力强等。
 

图3.10 限位开关原理
(四)在线检测系统
4.1 在线检测系统方案
该项目中的在线尺寸参数检测系统,通过结构光传感器测量方矩管的型面,并根据各自的空间位姿坐标,转换在同一坐标系下。通过前期标定可以实现测量不同规格的方矩管尺寸参数,能够实现在线、实时、快速、自动、非接触的测量,有较高的测量精度,省时省力,降低工人的操作强度,提高产品的生产速度和效率。结合实际情况,系统在震动、湿度、光照等干扰因素下效果依然良好。
利用机器视觉的线结构光技术,不仅能够提高测量的精度,同时也使测量系统更加稳定。除此之外,这样的组合也有利于大尺寸方矩管的测量。对于大尺寸方矩管的测量,需要多个传感器的协同操作,因此需要将整组传感器进行全局标定,统一到一个世界坐标系中,这样得到的三维信息才能够真实的反应方矩管的特征。
该项目中的在线检测系统具有测量范围大、非接触、效率高、实时性强、主动受控、光条图像信息易于提取和测量精度高等优点,采用的技术方案包括如下步骤:
a.由1只摄像机和线激光投射器组成线结构光视觉传感器,并完成摄像机和结构光视觉传感器参数的校准。线结构光视觉传感器如图4.1所示:
b.根据线结构光视觉传感器工作距离及测量景深,在被测方矩管四周布设并固定4只线结构光视觉传感器。系统布设如图4.2所示:
c.参考现有的单结构光传感器的局部标定方法,通过对多传感器标定方法的研究,设计出一种多传感器全局标定的方法。
d.根据激光摄像头的测量范围和方矩管尺寸,调节好各传感器最佳位置,使激光照射在同一截面上,并且能够满足所有尺寸方矩管的测量要求。
e.计算机通过线结构光视觉传感器控制器控制所布设的线结构光视觉传感器中的摄像机同步采集方矩管表面光条图像。
f.确定系统中图像处理的方法,选择了中值滤波去噪、基于大律法的图像分割技术与高斯曲线拟合法的中心线定位方法。
g.计算机进行光条图像处理,并根据线结构光视觉传感器的测量模型计算方矩管表面光条的空间位姿坐标,并转换到全局测量坐标系下。
h. 由投射到同一型面上的多个光条的空间坐标拟合可表征各型面的平面,并计算平面间的位姿关系,根据平面间的位姿关系,求取方矩管的几何尺寸参数。
i. 将二维信息转换为三维空间信息得到条纹对应的物体表面三维信息。

图4.1 线结构光视觉传感器设计图

图4.2 系统布设图
方矩管质检系统如图4.3所示,通过全局标定将各个传感器获得的空间位姿转在同一坐标系下,通过图像处理的方法,获得方矩管的表面信息,提取所需特征尺寸参数。

图4.3 方矩管质检系统框图
4.2 在线检测流程与功能
系统软件流程如图4.4所示,4个传感器先分别对激光照射的型面进行拍照,然后进行图像处理,采用中值滤波去噪、基于大律法的图像分割技术与高斯曲线拟合法的中心线定位方法,提取特征点,然后将获取的数据转换在同一坐标系下进行数据处理,得到方矩管的尺寸参数。
系统具体流程如下:
在钢管四周大于钢管管径的位置安装两个支架,第一个支架上安装两只线结构光视觉传感器,第二个支架上再安装两只线结构光视觉传感器,使四个传感器可同步上下移动以调节传感器高度及测量角度。
完成单个传感器的局部标定和整体传感器系统的全局标定。
计算机通过线结构光视觉传感器控制器控制所布设的线结构光视觉传感器中的摄像机同步采集方矩管表面光条图像。计算机进行光条图像处理,并根据线结构光视觉传感器的测量模型计算方矩管表面光条的空间位姿坐标,并转换到全局测量坐标系下。由投射到同一型面上的多个光条的空间坐标拟合可表征各型面的平面,并计算平面间的位姿关系,根据平面间的位姿关系,求取方矩管的几何尺寸参数,包括高度、宽度、R角和表面凹凸度等。将二维信息转换为三维空间信息,即可得到条纹对应的物体表面三维信息。

图4.4 软件流程图
在线检测系统采用机器视觉测量的线结构光法,运用激光三角测量原理,使被测物体特征点明显,信息提取准确,精度高。参考现有的单结构光传感器的局部标定方法,通过对多传感器标定方法的研究,设计出一种多传感器全局标定的方法。确定系统中图像处理的方法,选择中值滤波去噪、基于大律法的图像分割技术与高斯曲线拟合法的中心线定位方法。计算不同传感器方矩形管表面光条的空间位姿坐标,并转换到全局测量坐标系下,求取方矩形管的几何尺寸参数。
实际应用中,在线尺寸参数检测系统将实现如下功能:
a.通过结构光视觉传感器测量方矩管的型面,并根据各自的空间位姿坐标,转换到同一坐标系下。该系统可以实现在线测量不同规格的方矩管尺寸参数,能够实现在线、实时、快速、自动、非接触的测量,具有较高的测量精度,省时省力,降低工人的操作强度和危险性,提高产品质量和生产效率。
b.在线的图像处理软件,选择中值滤波去噪、基于大律法的图像分割技术与高斯曲线拟合法的中心线定位方法。可以对各个传感器采集到的图像进行特征点提取和方矩管图像的拼接,并且获得方矩管特征尺寸数据。
图4.5为现场系统已投入运行,图4.6为现场检测画面。

图4.5 现场机柜运行图

图4.6 现场检测画面
该项目研制了一套结合孔型预报设定模型、智能化远程自动换型系统、在线检测系统的智能制造技术,并成功应用于方矩管生产过程中。项目成果工业适用性强,生产过程可靠性强,自动换型和质量检测精度高。大幅节省了人力成本,提高了生产及检测的精度和效率。
a.智能预测模型带来的技术指标提高:经过神经网络预测出的配辊参数与实际生产配辊参数的相对误差可以控制在1%以内,精准度可以达到99%以上,转化为实际值误差为±1毫米。
b.自动换型系统带来的技术指标提高:换型时间由智能改造前的2~3小时变为改造后的20~45分钟;换型过程所需工人数量由改造前的6人变为改造后的1人;换型精度从改造前的±8mm变为改造后的±1mm;
c.在线检测系统带来的技术指标提高:检测精度从1mm提高到0.5mm;由原来抽检变为实时每3m检测一次,保证了产品质量;由原来3个工人人工检测变为计算机自动检测,节省人工成本;在线检测系统提供了数据的可视化界面,提高了生产及检测效率。
产品投入运行以来,各系统均运行正常。配辊参数预测方法,用于新型方矩管配辊参数调整,减小了新型号成品尺寸误差,满足对产品的生产需要。新型自动配辊换型系统提高了生产线的自动化程度,减少了因人为因素造成的潜在生产风险。在线自动检测系统可以执行在线检测、数据处理、未合格报警等功能,提高了产品质量和生产效率。
 
 

(责任编辑:admin)

------分隔线----------------------------