代 康，謝 凱

(新疆工程學(xué)院 信息工程學(xué)院，烏魯木齊 830023)

0 引言

近年來，我國各行各業(yè)都在飛速發(fā)展，勞動(dòng)力成本逐漸上漲，但生產(chǎn)需求卻不斷在增加，因此分揀機(jī)器人在各行各業(yè)中的應(yīng)用非常廣泛，需求量巨大[1-2]。就目前來看，分揀機(jī)器人雖然取得了一定的應(yīng)用效果，但是在使用過程中存在很多問題，經(jīng)常會(huì)發(fā)生各種各樣的故障，為了解決這一問題，相關(guān)領(lǐng)域?qū)W者提出了人工檢測方式，雖然人工檢測能夠保證檢測過程的實(shí)時(shí)性，但是檢測過于局限，由于工作人員經(jīng)驗(yàn)不足，有許多故障都難以確定，由此可見，人工檢測分揀機(jī)器人的故障狀態(tài)已然不能滿足工廠的需求[3-4]。

物聯(lián)網(wǎng)能夠通過不同的傳感器與識(shí)別技術(shù)采集、監(jiān)控、連接、互動(dòng)各類信息，利用不同的網(wǎng)絡(luò)，完成物、物與人之間的廣泛連接。從而實(shí)現(xiàn)對(duì)物體和信息的智能管理。相比于互聯(lián)網(wǎng)和傳統(tǒng)電信網(wǎng)，物聯(lián)網(wǎng)能夠更好地將普通物理對(duì)象連接到一起[5]。

基于上述原因，本文設(shè)計(jì)了基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)，利用物聯(lián)網(wǎng)技術(shù)對(duì)分揀機(jī)器人實(shí)時(shí)監(jiān)控，并在發(fā)生故障時(shí)迅速上報(bào)故障，提升分揀機(jī)器人的工作效率，節(jié)省人工成本。分揀機(jī)器人的工作環(huán)境大多比較惡劣，因此，針對(duì)充滿灰塵和其他漂浮物和噪聲的環(huán)境，本文使用改進(jìn)的Canny技術(shù)對(duì)檢測圖像進(jìn)行預(yù)處理，并使用邊緣圖像信息提取來最大程度地減少環(huán)境對(duì)圖像質(zhì)量的影響，從而實(shí)現(xiàn)分揀機(jī)器人故障更準(zhǔn)確地檢測。本文設(shè)計(jì)的基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)，可以顯著提高工作中分揀機(jī)器人的故障檢測效率，提高行業(yè)的工作效率和系統(tǒng)靈活性。

1 基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)整體架構(gòu)設(shè)計(jì)

分揀機(jī)器人故障檢測系統(tǒng)由分揀機(jī)器人、中樞神經(jīng)網(wǎng)絡(luò)和采集終端三部分組成[6-7]?；谖锫?lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)整體架構(gòu)如圖1所示。

圖1 基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)整體架構(gòu)

圖1所示的系統(tǒng)以Zigbee壓力傳感系統(tǒng)為核心，通過信息標(biāo)定、信息采集、特征提取來完成故障識(shí)別的目的。在分揀機(jī)器人上放置多個(gè)Zigbee壓力傳感器，當(dāng)頂板壓力異常時(shí)，便自動(dòng)驅(qū)動(dòng)節(jié)點(diǎn)上的高亮度紅色LED燈，同時(shí)將故障數(shù)據(jù)上傳至上位機(jī)[8]。與此同時(shí)，相機(jī)會(huì)立即對(duì)故障部位進(jìn)行拍照，通過圖像預(yù)處理以及改進(jìn)后的Canny算子算法對(duì)圖像進(jìn)行信息的采集以及特征提取，最后上傳至上位機(jī)，進(jìn)行故障部位的識(shí)別[9]。

機(jī)械零件分揀生產(chǎn)線上的工作繁重。如果使用手動(dòng)分類，不僅操作效率降低，而且成本較高。為此本文分揀機(jī)器人在機(jī)械零件分揀工作中的常見故障，主要有主軸故障、腕軸故障、熱繼電器故障、減速齒輪故障、電機(jī)故障及剎車線故障。

利用物聯(lián)網(wǎng)將分揀機(jī)器人與故障檢測系統(tǒng)相連接，實(shí)時(shí)采集機(jī)器人故障信息，提取故障特征并對(duì)其進(jìn)行分類識(shí)別，獲得分揀機(jī)器人故障檢測結(jié)果。

2 基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)硬件設(shè)計(jì)

本文研究基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)的總體架構(gòu)由分揀機(jī)器人、采集器、控制器組成，系統(tǒng)硬件結(jié)構(gòu)如圖2所示。

圖2 基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)硬件結(jié)構(gòu)

2.1 分揀機(jī)器人

分揀機(jī)器人整體架構(gòu)為滑輪式機(jī)器人載體，機(jī)器人工全鋁合金結(jié)構(gòu)，通過雙輪電機(jī)定位保證了分揀機(jī)器人操作的精確度，分揀機(jī)器人的控制核心采用嵌入式八核控制系統(tǒng)，主機(jī)頻率為1 700 MHz，并且支持最新的Windos操作系統(tǒng)[10-11]。分揀機(jī)器人如圖3所示。

圖3 分揀機(jī)器人示意圖

圖3所示的分揀機(jī)器人中預(yù)裝了Linuh Debain嵌入式系統(tǒng)，編程語言使用了高效的Python語言，在嵌入式控制系統(tǒng)板引入集成視覺模塊，視頻檢測選用羅技1000W像素C890相機(jī)。分揀機(jī)器人的地圖導(dǎo)航系統(tǒng)采用PSJANDH公司的紅外激光測距儀，濕度與溫度傳感器采用DEKLL傳感器[12]。

2.2 采集器設(shè)計(jì)

本文選用了基于物聯(lián)網(wǎng)技術(shù)的Zigbee壓力傳感技術(shù)，Zigbee采集器主要由XBEE控制模塊、壓力傳感器以及高亮度LED燈組成，將Zigbee壓力傳感器采集的信息通過無線通信的方式以協(xié)議的形式發(fā)送到上位機(jī)中，通過串聯(lián)使用AT命令集的方式設(shè)置模塊參數(shù)，并通過串聯(lián)接口完成數(shù)據(jù)傳輸過程，壓力傳感器采用遼寧力敏公司的SKN8277阻式壓力傳感器[13]。采集器結(jié)構(gòu)如圖4所示。

圖4 采集器結(jié)構(gòu)

如圖4所示，采集器中存在一個(gè)視覺庫，在便捷Python編程包中，在應(yīng)用同一算法的情況下，在識(shí)別到LED高亮度紅燈后，視覺庫立即進(jìn)行特征檢測以及濾波識(shí)別，控制相機(jī)對(duì)故障區(qū)域進(jìn)行拍照，采集到的圖像傳入控制器，由控制器上交給上位機(jī)進(jìn)行識(shí)別。

2.3 控制器設(shè)計(jì)

控制器采用中控端設(shè)計(jì)方式，使用Lsjandu軟件進(jìn)行編程，由XBEE模塊以及分揀中控機(jī)、Lsjandu控制軟件組成。XBEE模塊負(fù)責(zé)數(shù)據(jù)之間的傳遞，協(xié)調(diào)分揀中控機(jī)接收各個(gè)傳感器采集的信息后，通過STMP3550芯片把Zigbee串連接口數(shù)據(jù)轉(zhuǎn)化為USB數(shù)據(jù)發(fā)送到上位機(jī)中[14]。利用STMP3550芯片設(shè)計(jì)控制器，控制器原理如圖5所示。

圖5 控制器原理框圖

圖5為控制器的原理圖，將控制器一端連接采集器，一端連接物聯(lián)網(wǎng)軟件，實(shí)現(xiàn)采集數(shù)據(jù)的傳輸，并接收軟件得到的故障檢測信息，實(shí)現(xiàn)故障檢測控制。

3 基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)軟件設(shè)計(jì)

在建立系統(tǒng)硬件結(jié)構(gòu)后，設(shè)計(jì)軟件流程。如何將物聯(lián)網(wǎng)與故障檢測信息連接在一起是文章需解決的難點(diǎn)。利用圖1中的物聯(lián)網(wǎng)實(shí)現(xiàn)信息交互和通信，從而完成故障檢測。本文設(shè)計(jì)的檢測軟件主要通過信息標(biāo)定、信息采集、特征提取、故障識(shí)別4部分組成，基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)軟件工作流程如圖6所示。

圖6 基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)軟件流程

3.1 信息標(biāo)定

為了獲取精確的分揀機(jī)器人故障信息，本文對(duì)信息進(jìn)行標(biāo)定處理，通過Zigbee壓力傳感器中的XBEE收集故障信息，確定故障信息后，自標(biāo)定信息軟件ZKHY便會(huì)立即對(duì)故障信息進(jìn)行標(biāo)定，同時(shí)上傳到上位機(jī)中，進(jìn)而快速收集到故障信息定位。

通過Zigbee壓力傳感器對(duì)分揀機(jī)器人故障信息進(jìn)行標(biāo)定，能夠縮短特征提取耗時(shí)，提升故障識(shí)別的準(zhǔn)確率。

3.2 信息采集

本文提出的基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)的最終任務(wù)是將發(fā)生故障的分揀機(jī)器人的位置信息以及種類信息傳遞給機(jī)器人控制系統(tǒng)，因此信息的采集尤其重要，本文采用圖像采集方式來對(duì)故障信息進(jìn)行采集。

圖像采集就是將數(shù)字圖像數(shù)據(jù)采集到計(jì)算機(jī)中的過程，本文所采用的是用羅技1 000 W像素C890相機(jī)，利用等時(shí)間間隔觸發(fā)的方式進(jìn)行故障信息的圖像采集，在發(fā)生故障時(shí)便可迅速對(duì)分揀機(jī)器人故障位置進(jìn)行拍照采集。

由于分揀工作中大多環(huán)境狀態(tài)差，鏡頭會(huì)受到環(huán)境中灰塵、噪音的影響，因此，還需要對(duì)圖像進(jìn)行預(yù)處理，以此減少后續(xù)算法的復(fù)雜度，提高計(jì)算機(jī)的運(yùn)行效率。預(yù)處理是圖像自動(dòng)識(shí)別系統(tǒng)中必不可少的一步，它直接影響到后續(xù)特征提取以及故障識(shí)別的效果，本系統(tǒng)中的圖像預(yù)處理的目的就是去除圖像中的噪聲以及灰塵，以此得到清晰的圖像，以便后續(xù)對(duì)圖像進(jìn)行特征提取以及故障識(shí)別中獲得正確的圖像特征以及正確的故障信息。

3.3 特征提取

在完成信息采集后，進(jìn)行特征提取，邊緣信息的提取效果直接關(guān)系到故障識(shí)別效果，因此本文采用邊緣信息作為圖像的故障信息特征進(jìn)行提取[15]。

本文選用的邊緣圖像信息提取方法為基于物聯(lián)網(wǎng)的Canny算子算法，Canny算子算法擁有其他算法無法達(dá)到的高檢測精確度以及良好的抗噪音效果，傳統(tǒng)的Canny算法采用了高斯的濾波器，因此存在閾值分割的共性問題，高斯濾波器無法解決閾值的自適應(yīng)性低這一問題，內(nèi)部平滑參數(shù)無法與閾值進(jìn)行兼顧[16-18]，因此，本文在傳統(tǒng)的Canny算法上進(jìn)行了改進(jìn)，通過統(tǒng)計(jì)學(xué)理論來分析圖像的灰度分布情況，進(jìn)而大致判斷出當(dāng)前的區(qū)域信息，若處于圖像邊緣附近，則可將邊緣點(diǎn)內(nèi)的臨近灰度值看作為像素點(diǎn)的灰度值，并可代替原灰度值，若發(fā)現(xiàn)圖像變化較為平緩的區(qū)域[19-20]，則可使用高斯濾波器來對(duì)圖像的噪聲進(jìn)行減弱處理，本文使用此方式來代替?zhèn)鹘y(tǒng)Canny算子中的高斯濾波器，可以很好地解決傳統(tǒng)方法存在的不足，更好更準(zhǔn)確連接故障圖像邊緣。提取故障特征。

3.4 故障識(shí)別

在提取圖像特征后，需要對(duì)其進(jìn)行分類識(shí)別，識(shí)別出故障問題，此過程的實(shí)質(zhì)便是將提取到的圖像特征向量映射到類型空間之中，以此獲得識(shí)別分類的結(jié)果，因此，結(jié)合本文設(shè)計(jì)的基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)，本文采用了相似模板匹配的方式來對(duì)特征進(jìn)行判別，尋找到易于識(shí)別與區(qū)分的特征，進(jìn)而根據(jù)相似模板板頂相似度來確定故障的原因，完成故障識(shí)別。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)方法

為了驗(yàn)證本文設(shè)計(jì)的基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)的有效性，與傳統(tǒng)故障檢測系統(tǒng)進(jìn)行實(shí)驗(yàn)對(duì)比，實(shí)驗(yàn)在Matlab仿真平臺(tái)進(jìn)行，首先設(shè)定實(shí)驗(yàn)參數(shù)，如表1所示。

表1 實(shí)驗(yàn)參數(shù)

根據(jù)上述實(shí)驗(yàn)參數(shù)，選取本文提出的基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)與傳統(tǒng)的基于分級(jí)特征提取的故障檢測系統(tǒng)以及基于機(jī)器視覺的工業(yè)機(jī)器人智能分揀系統(tǒng)進(jìn)行對(duì)比實(shí)驗(yàn)。

4.2 實(shí)驗(yàn)步驟

分別設(shè)置分揀機(jī)器人的6種故障原因：主軸故障、腕軸故障、熱繼電器故障、減速齒輪故障、電機(jī)故障及剎車線故障。采用上述3種系統(tǒng)測試故障，得到不同方法的檢測結(jié)果，并測試對(duì)各個(gè)故障檢測所耗費(fèi)的時(shí)間，得到實(shí)驗(yàn)結(jié)果。

4.3 結(jié)果分析

將3個(gè)系統(tǒng)同時(shí)對(duì)多個(gè)故障分揀機(jī)器人進(jìn)行檢測，檢測結(jié)果如表2所示。

表2 故障檢測結(jié)果

如表2所示，本文共選擇了6種不同類型的故障進(jìn)行實(shí)驗(yàn)，基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)在6次檢驗(yàn)中都準(zhǔn)確地檢測出故障原因，基于分級(jí)特征提取的故障檢測系統(tǒng)在6次檢驗(yàn)中僅有一次檢測出故障原因，基于機(jī)器視覺的工業(yè)機(jī)器人智能分揀系統(tǒng)有3次準(zhǔn)確檢測出故障原因，由此可見，本文提出的系統(tǒng)對(duì)于故障的檢測準(zhǔn)確性更高。

故障檢測時(shí)間如表3所示。

表3 故障檢測時(shí)間實(shí)驗(yàn)結(jié)果 min

如表3所示，在檢測時(shí)間上，本文研究的檢測系統(tǒng)耗時(shí)平均值為3.27 min，始終小于傳統(tǒng)系統(tǒng)。由于傳統(tǒng)系統(tǒng)檢測準(zhǔn)確率較低，所以需要耗費(fèi)更長的時(shí)間進(jìn)行信息檢測，而本文系統(tǒng)內(nèi)部的采集器和控制器同時(shí)工作，有效提高檢測準(zhǔn)確性，縮短檢測時(shí)間。

綜上所述，本文提出的基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)可以很好地解決當(dāng)今使用分揀機(jī)器人的工廠存在的故障無法及時(shí)識(shí)別與處理的問題，也為分揀機(jī)器人故障檢測系統(tǒng)以后的開發(fā)提供了一定程度的參考，基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)擁有的高效率優(yōu)勢會(huì)使得該系統(tǒng)越來越廣泛地應(yīng)用于其領(lǐng)域。

5 結(jié)束語

為了節(jié)省人工成本，提高分揀機(jī)器人的工作效率，本文設(shè)計(jì)了基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)，硬件設(shè)計(jì)了系統(tǒng)電路以及采集器、控制器，結(jié)合故障信息標(biāo)定、故障信息采集、故障信息特征提取來完成最后的故障識(shí)別的目的。實(shí)驗(yàn)表明，本文設(shè)計(jì)的基于物聯(lián)網(wǎng)的分揀機(jī)器人故障檢測系統(tǒng)可顯著提升對(duì)于工作中的分揀機(jī)器人的故障檢測效率，提升了該行業(yè)的工作效率與系統(tǒng)柔性。