搜索

400-007-8500

电话:0731-86200555

传真:0731-86368555
邮箱:sales@aicortech.cn
地址:湖南省长沙市天心区融城路(原伊莱克斯大道)18号远航企业广场F座

 

内页版权所有

>
新闻中心
>
常见问题

服务与支持侧边导航

新闻中心
两天前
答案
机器视觉在印刷缺陷在线检测中的应用 检测技术是现在在印刷业重要的技术之一,是保证印刷产品质量的重要手段,在印刷过程中受印刷设备、印刷工艺、印刷材料等因素影响,印刷品常常会出现套印不准、飞墨、刮伤、粘脏、起皱、污点等印刷缺陷。当今,国内检测印刷品缺陷的方式主要是人工随机抽样离线检测,印刷品质量受人的主观判断影响较大,很难保证印刷产品的准确性与一致性,离线检测时间长,印刷缺陷得不到及时纠正,而且现代印刷速度高,造成了印刷材料浪费,生产效率大大降低,在包装印刷行业中,人们对包装印刷品质量要求越来越高,且包装印刷品存在周期短印刷量大,在这种情况下,急需一种在线的印刷缺陷检测系统。机器视觉检测技术就是通过计算机来模拟人的视觉功能,在机器上加上“眼睛”,通过这个“眼睛”获取对象的图像信息,提取有用信息对其进行分析处理,并依据规则做出判断,完成质量检测。视觉检测系统硬件的设计印刷品缺陷在线检测要求准确识别与判定印刷过程中出现的印刷缺陷,将缺陷检测信息及时反馈到印刷机的控制单元并发出警报,实现印刷过程实时控制与监测.因此印刷品图像处理速度成为在线检测实时性的关键因素,要求实时图像处理系统具有很高的运算能力,所以这里笔者采用基于数字信号处理器DSP为核心的视觉检测系统。
2019-09-02 13:30
答案
伺服响应带宽参数设置影响  提到伺服驱动器的控制环,我们知道它通常包括:位置环、速度环、电流环这三种类型。尽管它们每个回路的目的,是为了控制电机在几个不同方面的输出性能,但它们都有一个共同的参数:带宽。 对于伺服驱动器来说,控制环带宽的定义为闭环响应幅度为-3dB时的频率。此时,它输出的比例增益,也就是输出与输入之比,约为其最大值的70.7%(1/√2);其输出功率,即传递给负载的功率,为输入功率的一半。(我们会在以后的推文中和大伙进一步探讨响应幅度、输出增益值、输出功率与输入功率之间的关系。)伺服系统的带宽衡量着其对变化的输入指令的响应速度,也决定了它能够以多快的速度去响应位置、速度或扭矩方面参数(如:反馈、误差...等)的变化。 伺服驱动器的控制回路通常采用多环结构,层层嵌套,最里面是电流环,嵌套在中间的速度环内,而速度环则是嵌套在最外面的位置环内。在这样的嵌套系统中,内侧控制环的响应速度一定是比外侧控制环的响应要快的,否则内侧环对外侧环的影响就会很小或者甚至没有。对于伺服的控制回路,内侧控制环的响应带宽一般会是外侧控制环的5到10倍。也就是说,电流环带宽大致是速度环的5到10倍,速度环带宽则约为位置环的5到10倍。 伺服驱动器较高的频响带宽通常能提供更硬的电机输出性能,有助于减少运动误差,提升控制精度,并改善动态响应特性。这也是为什么在实际应用中我们常常会用频响带宽去评价伺服驱动产品性能的一个重要原因。例如:现在几款日系伺服产品的速度环响应带宽普遍都已经达到了3kHz以上。但需要注意的是,驱动器的高带宽也可能会给伺服系统带来一些负面影响。比如:高带宽也会让电机对来自负载和传动系统的扰动变得十分敏感;再比如,高带宽会让电机以更高的频率去响应负载的波动,这就对系统的动力性能(如:加速度、扭矩和力)提出了更高的要求。考虑到功耗与力(力矩)之间是平方的关系,因此带宽的增加会显著增加电机的功耗(即热量),从而带来电机温度的升高;而由于温升是确保电机正常运行的一项关键因素,所以,事实上电机特性很有可能会对伺服驱动器实际的带宽产生一定程度的限制作用。另外,伺服系统中的其他一些因素,如:反馈元件的分辨率、驱动器的刷新速率、负载与电机之间的惯量比、以及电机与负载之间耦合的刚性...等等,也都会影响其最大可实现的响应带宽。
2019-08-26 08:48
答案
工业机器人选型的9大参数对于自动化行业的老鸟,资深的机、电工程师来说,选择合适的“机器人”也许是一个简单的工作。但是对于那些第一次准备购买、导入机器人的设计人员或工厂来说,也许会有些迷茫。下面从9个专业的参数方面,讨论如何选择一个合适的工业机器人。01应用场合首先,最重要的源头是评估导入的机器人,是用于怎样的应用场合以及什么样的制程。若是应用制程需要在人工旁边由机器协同完成,对于通常的人机混合的半自动线,特别是需要经常变换工位或移位移线的情况,以及配合新型力矩感应器的场合,协作型机器人(Cobots)应该是一个很好的选项。如果是寻找一个紧凑型的取放(Pick&Place)料机器人,你可能想选择一个水平关节型机器人(Scara)。如果是寻找针对小型物件,快速取放的场合,并联机器人(Delta)最适合这样的需求。接下来的讨论,我们将针对垂直关节多轴机器人(Multi-axis)。这种机器人可以适应一个非常大范围的应用。从取、放料到码垛,以及喷涂,去毛刺,焊接等专用制程。现在,工业机器人制造商基本上针对每一种应用制程都有相应的机器人方案。你所做的只需要明确你希望机器人为你做哪个工作,以及从不同的种类当中,选择最适合的型号。02有效负载有效负载是,机器人在其工作空间可以携带的最大负荷。从例如3Kg到1300Kg不等。如果你希望机器人完成将目标工件从一个工位搬运到另一个工位,需要注意将工件的重量以及机器人手爪的重量加总到其工作负荷。另外特别需要注意的是机器人的负载曲线,在空间范围的不同距离位置,实际负载能力会有差异。03自由度(轴数)机器人配置的轴数直接关联其自由度。如果是针对一个简单的直来直去的场合,比如从一条皮带线取放到另一条,简单的4轴机器人就足以应对。但是,如果应用场景在一个狭小的工作空间,且机器人手臂需要很多的扭曲和转动,6轴或7轴机器人将是最好的选择。轴数一般取决于该应用场合。应当注意,在成本允许的前提下,选型多一点的轴数在灵活性方面不是问题。这样方便后续重复利用改造机器人到另一个应用制程,能适应更多的工作任务,而不是发现轴数不够。机器人制造商倾向于使用各自略有不同的轴或关节命名。基本上,第一关节(J1)是最接近机器人底座的那个。接下来的关节称为J2,J3,J4和依此类推,直到到达手腕末端。而其他的Yaskawa/Motoman公司则使用字母命名他们机器人的轴。04最大作动范围当评估目标应用场合的时候,应该了解机器人需要到达的最大距离。选择一个机器人不是仅仅凭它的有效载荷-也需要综合考量它到达的确切距离。每个公司都会给出相应机器人的作动范围图,由此可以判断,该机器人是否适合于特定的应用。机器人的水平运动范围,注意机器人在近身及后方的一片非工作区域。机器人的最大垂直高度的量测是从机器人能到达的最低点(常在机器人底座以下)到手腕可以达到的的最大高度的距离(Y)。最大水平作动距离是从机器人底座中心到手腕可以水平达到的最远点的中心的距离(X)。05重复精度同样的,这个因素也还是取决于你的应用场合。重复精度可以被描述为机器人完成例行的工作任务每一次到达同一位置的能力。一般在±0.05mm到±0.02mm之间,甚至更精密。例如,如果需要你的机器人组装一个电子线路板,你可能需要一个超级精密重复精度的机器人。如果应用工序是比较粗糙,比如打包,码垛等,工业机器人也就不需要那么精密。另外一方面,组装工程的机器人精度的选型要求,也关联组装工程各环节尺寸和公差的传递和计算,比如:来料物料的定位精度,工件本身的在治具中的重复定位精度等。这项指标从2D方面以正负±表示。事实上,由于机器人的运动重复点不是线性的而是在空间3D运动,该参数的实际情况可以是在公差半径内的球形空间内任何位置。当然,现在的配合现在的机器视觉技术的运动补偿,将减低机器人对于来料精度的要求和依赖,提升整体的组装精度。06速度这个参数与每一个用户息息相关。事实上,它取决于在该作业需要完成的CycleTime。规格表列明了该型号机器人最大速度,但我们应该知道,考量从一个点到另一个点的加减速,实际运行的速度将在0和最大速度之间。这项参数单位通常以度/秒计。有的机器人制造商也会标注机器人的最大加速度。07本体重量机器人本体重量是设计机器人单元时的一个重要因素。如果工业机器人必须安装在一个定制的机台,甚至在导轨上,你可能需要知道它的重量来设计相应的支撑。08刹车和转动惯量基本上每个机器人制造商提供他们的机器人制动系统的信息。有些机器人对所有的轴配备刹车,其他的机器人型号不是所有的轴都配置刹车。要在工作区中确保精确和可重复的位置,需要有足够数量的刹车。另外一种特别情况,意外断电发生的时候,不带刹车的负重机器人轴不会锁死,有造成意外的风险。同时,某些机器人制造商也提供机器人的转动惯量。其实,对于设计的安全性来说,这将是一个额外的保障。你可能还注意到不同轴上的适用的扭矩。例如,如果你的动作需要一定量的扭矩以正确完成工作,你需要检查,在该轴上适用的最大扭矩是否正确的。如果选型不正确,机器人则可能由于过载而Down机。09防护等级根据机器人的使用环境,选择达到一定的防护等级(IP等级)的标准。一些制造商提供相同的机械手针对不同的场合不同的IP防护等级的产品系列。如果机器人在与生产食品相关的产品,医药、医疗器具,或易燃易爆的环境中工作时,IP等级会有所不同。一般如,标准:IP40,油雾:IP67,清洁ISO等级。
2019-08-22 17:07
答案
盘点|AI在机器人运动控制领域应用盘点 复杂机器人的运动控制,一直阻挡机器人产业发展的老大难问题,迟迟没有得到很好的解决。即便是代表机器人最高水平的波士顿动力,其机器人离实用也还远。近两年发展迅猛的AI,俨然如万金油般,被用在各种地方,自然也包括机器人控制领域,而且似乎取得了不错的效果。前端时间,UCberkely的强化学习专家PieterAbbeel创办了EmbodiedIntelligence,业务更是直接涵盖了VR、AI、机器人三大热点。为了搞清楚VR、AI等新技术如何在机器人控制领域应用,本文根据一些相关论文和公开资料,包括PieterAbbeel的演讲,对VR和AI在机器人控制方面的应用进行了简单梳理,发现AI和VR等在机器人控制等方面还是有实在的应用,只不过离取得实质性突破,还有相当长的距离。机器人控制的几种类型很多机器人的研究目标很多是模拟人的智能,所以研究人的控制系统,对于机器人有很大的借鉴意义。人体的神经系统由大脑、小脑、脑干、脊髓、神经元等共同构成,复杂而又完善。人体神经系统包括中枢神经系统和周围神经系统。中枢神经系统由脑和脊髓组成,是人体神经系统的最主体部分。周围神经系统是从脑和脊髓发出的分布到全身各处的神经。无数的神经元存在于神经系统各处,构成神经网络。中枢神经网络负责运动控制,主要分成三层:大脑:居于最高层,负责运动的总体策划,各种任务的下达。小脑:居于中间层,负责运动的协调组织和实施。人体平衡由小脑控制。脑干和脊髓:属于最低层,负责运动的执行,具体控制肌肉的骨骼的运动,由脑干和脊髓完成。三层对运动的调控作用不同,由高到低,低层接收高层的下行控制指令并具体实现。大脑可直接也可间接的通过脑干控制脊髓运动神经。如果把机器人与人进行类比,机械臂控制器就类似于人的脊髓,负责控制电机(肌肉)和机械机构(骨骼)的具体运动,多足机器人的运动控制器,就类似于人的小脑,负责控制平衡和协调。而机器人的操作系统层,则类似于人的大脑,感知和认知世界,并下达各种复杂的运动目标。基于以上类比,参照目前的各类机器人的情况,机器人的运动控制大概可以分成4种任务:脊髓控制——机械臂运动的基础控制。工业机器人,各类机械臂,无人机的底层运动控制等面临的主要是这类问题。小脑控制——多足机器人的平衡和运动协调控制。这块目前是机器人控制仍未突破的难点,目前做的最好的显然是波士顿动力。大脑控制——环境的感知。主要是扫地机器人、无人机等底层运动控制已经封装好的机器人的导航和路径规划。需要通过环境感知,对自身和目标进行定位、导航和运动规划。大脑控制——环境的认知和交互,也就是机器人具体执行交互任务,如控制机械臂抓取物体,执行操作等。这是服务机器人需要突破的重要问题。几种具体控制的AI应用情况1.脊髓控制类脊髓控制的两种典型的应用是机械臂路径规划和无人机的飞行控制。这类问题属于传统自动控制理论,以数学和动力学建模为基础,发展了很多年,已经有了非常完备的理论和实践基础,也取得了很好的效果。虽然深度学习在最近很热,理论上也可以用于这类控制。但目前在这类基础控制领域,并没有应用。主要原因可能有:1)工业机器人高精度重复特定动作等,基于自动控制理论已经能从数学上很好的解决,且由于了解原理,属于白盒系统。既然有可靠的白盒方案,没必要换成黑盒的神经网络控制系统。2)工业机器人等应用领域,对控制算法稳定性要求很高。而作为黑盒方案的神经网络控制系统,数据上还无法证明其稳定性。神经网络控制器一旦发生问题,难以进行解释和改进。3)神经网络算法基于大量数据训练,而现有的运动控制中,比如飞控,拿到实际实验数据的成本高,大量数据的获取非常困难。2.小脑控制类小脑控制典型问题是类人型双足和多足机器人的平衡和运动协调控制问题。这方面一直是基于传统控制理论在进行研究,不过由于相比于机械臂或无人机,其运动的自由度高很多,难度很大。双足类人机器人给人大多数的印象还是运动迟缓、僵硬、站不稳。波士顿动力的Altas、大狗等已经是在这方面最先进的,波士顿动力学公司并未公布他们使用的技术,但谷歌工程师EricJang表示,根据从演讲得来的信息,BD的机器人控制策略使用基于模型的控制器,并不涉及神经网络相关算法。3.环境感知类主要的场景是服务机器人的路径规划、无人机目标追踪、工业机器人的视觉定位等,通过感知环境,给封装好的运动控制系统下达目标运动指令。目标识别环境感知过程中的目标识别,如无人机目标的识别和追踪等,有神经网络的帮助,可以识别的更准确,已经在大疆等无人机上应用。定位导航和路径规划目前机器人的定位导航,主要基于流行的vSLAM或激光雷达SLAM技术。主流的激光雷达方案大概可以分三步,中间部分环节可能涉及到一些深度学习,大部分内容并不涉及深度学习相关。第一步:SLAM,构建场景地图,用激光雷达构建场景的2D或3D点云,或者重建出3D场景。第二步:构建语义地图,可能会对物体进行识别和分割,对场景中的物体进行标记。(有的可能略过这一步)第三部:基于算法进行路径规划,并驱动机器人的运动。4.环境交互典型应用场景:机械臂抓取目标物体等。与环境的交互,一直是传统自动控制难以解决的问题。近年来,以强化学习为基础,AI相关技术用在了这类问题上,取得了一定的研究进展,但是否是未来的主流方向,仍存在很大争议。1)强化学习强化学习框架中,有一个包含神经网络的Agent负责决策。Agent以当前机器人传感器所采集到的环境为输入,输出控制机器人的行动命令action,机器人行动后,再观察新的环境状态和行动带来的结果Reward,决定下一步新的行动action。Reward根据控制目标进行设置,并有正反向之分。例如,如果以自动驾驶为目标,正向的Reward的就是到达目的地,反向就是不能达到目的地,更不好的Reward就是出车祸。然后重复这个过程,目标是最大化Reward。强化学习的控制过程,本来就是个正向反馈的控制过程,是AI用于机器人控制的基础。以此为基础,强化学习在机器人控制方面出现了一些研究成果。2)环境中寻找目标16年,李飞飞组放出了一篇论文,基于深度强化学习,在以目标图像为输入的情况下,不建图去找东西。大致思路是:根据机器看到的图,决定怎么走,然后再看图,再决定新走的一步,直到找到东西。论文将目标图像作为输入,训练出来的神经网络具有通用性。这种方式找东西更接近人的思维。训练出的控制器并没有记住物体的位置,更不知道房屋的结构。但它记住了在每一个位置,通向各个物体应该怎么走。3)机器人抓取传统的机器人学研究认为,需要非常清楚要抓取的物体的三维几何形状,分析受力位置和力的大小,再反向计算机器手如何一步步移动到这些位置。但这种方式抓取不规则形状和柔性物体会很困难。例如毛巾,可能需要看成一系列刚体的链接,再进行动力学建模分析,但是计算量比较大。而小黄鸭那样的橡胶,外部并不能看出弹性程度,难以计算出需要施加的正确的力。PieterAbbeel、DeepMind和OpenAI关于机器人控制的研究,都以此深度强化学习为基础。基于强化学习进行机器人抓取,以机器视角看到的图像为输入,以机器最终抓到物体为目标,不断对机器进行训练,从而在不建模和不做受力分析的情况下,实现对物体的抓取。PieterAbbeel已经展示过机器人叠毛巾,开瓶盖,装玩具等复杂的动作。不过基于强化学习也仍有很多问题,如效率低、推理过程长、任务难以描述、不能终身学习、不能最大限度从真实世界获取信息等。其中一些通过meta学习,one-shot学习,迁移学习,VR示教等方法的引入得到了改善,有些则还暂时难以解决。5.DexterityNetwork鉴于深度强化学习的各种问题,PieterAbbeel在UCBerkeley的同事KenGoldberg,则采用了叫做DexterityNetwork(Dex-Net)的研究思路。首先通过传统机器人学中分析受力和建模的思路,建立一个包含大量数据的数据集,这个数据集里的每一项数据包含一个物体的模型和这个物体在不同姿态下可以被稳定抓起来的施力方式,这些施力方式是通过物体模型计算出来的。有了数据之后,用这些数据训练一个神经网络。然后给出一个新物体,通过神经网络判断这个物体和数据集里哪个物体最相似,然后根据最相似的物体的数据集里包含的施力方式计算出这个新物体的最稳定施力方式。KenGoldberg的方案的一个重要弊端,是计算量过于庞大。整个算法占用了Google云服务器上的1500台虚拟机的计算量。此方法也让“云机器人”这个概念受到了关注。目前PieterAbbeel和KenGoldberg的两种方法还处于学术争议阶段,新的研究成果还在不断出现,也还有很多问题没有解决,尤其是稳定性和鲁棒性是各方争议的焦点。不同于语音识别音箱出了错,无非是闹个笑话,机器人系统对稳定性和可靠性的要求非常高,系统一旦出错,轻则毁物,重则造成人类的生命危险。PieterAbbeel也承认目前还没考虑鲁棒性和稳定性问题,似乎整体还没达到商用产品级。总结总体而言,以强化学习为代表,AI在机器人控制领域近两年取得了一些进展,尤其是在过去研究方法难以突破的环境交互问题方面取得了进展。但基于神经网络的控制系统,在鲁棒性等方面短期似乎难以得到解决,因此离实际应用还有很远的距离。在多种研究方法的共同努力下,我们也期待机器人控制问题能够早日有所突破。
2019-08-22 14:25
答案
浅谈工控机最新的发展和分类  随着工业的不断发展,市场对工控机的需求不断上涨。起初,工控机只是用于工业生产过程的测量、控制、管理等环节。而伴随嵌入式工控机、工业平板电脑的衍生,工控机的应用不再局限于工业自动化领域,现已成为自动化设备和信息产业基础设备的核心。据专业报告分析,国内工控机市场年平均增速在15%以上,工控机在各行各业的潜力正不断被挖掘,市场需求日益旺盛,工控机所扮演的角色也越来越重要。在此背景下,工控机、工业主板、数据采集板、应用系统等产业链相关厂家将迎来重要发展契机。目前国内工控市场,主要还是以国外西门*、倍*、贝加*、欧姆*、*创等国际品牌占据主导地位,但像研*、*祥、华*工控、*扬、*昆等也国内知名品牌,因其丰富的行业经验,也占据了部分市场份额,也亦有触*智能、广州*控、阿*奇等后起之秀品牌逐渐打开市场,可以说随着市场需求不断上涨,国内本土品牌也在不断崛起。那么,在工业自动化的大趋势下,跟随小编一起来了解一下什么是工控机以及其最新的分类吧!什么是工控机?工控机即工业控制计算机,但现在,更时髦的叫法是产业电脑或工业电脑,英文简称IPC,全称IndustrialPersonalComputer。工控机通俗的说就是专门为工业现场而设计的计算机。工控机有哪些分类?工控机的主要类别有:IPC(PC总线工业电脑)、PLC(可编程控制系统)、DCS(分散型控制系统)、FCS(现场总线系统)及CNC(数控系统)五种。1、IPC即基于PC总线的工业电脑。因其价格低、质量高、产量大、软/硬件资源丰富,已被广大的技术人员所熟悉和认可,这也是工业电脑热的基础。同时,IPC具有可靠性、实时性、扩充性、兼容性的特点,可解决工业现场的电磁干扰、震动、灰尘、高/低温等问题。应用范围:能与工业现场的各种外设、板卡如与道控制器、视频监控系统、车辆检测仪等相连,以完成各种任务。2、PLC即可编程逻辑控制器。PLC一种专门为在工业环境下应用而设计的数字运算操作电子系统。它采用一种可编程的存储器,在其内部存储执行逻辑运算、顺序控制、定时、计数和算术运算等操作的指令,通过数字式或模拟式的输入输出来控制各种类型的机械设备或生产过程。应用范围:能广泛应用于工业控制的各个领域,是推进机电一体化进程的巨大推力。3、DCS即分布式控制系统。它是一种高性能、高质量、低成本、配置灵活的分散控制系统系列产品,可以构成各种独立的控制系统、分散控制系统DCS、监控和数据采集系统(SCADA),能满足各种工业领域对过程控制和信息管理的需求。应用范围:能广泛用于各种大、中、小型电站的分散型控制、发电厂自动化系统的改造以及钢铁、石化、造纸、水泥等工业生产过程控制。4、FCS即现场总线控制系统。它是全数字串行、双向通信系统。系统内测量和控制设备如探头、激励器和控制器可相互连接、监测和控制。在工厂网络的分级中,它既作为过程控制(如PLC,LC等)和应用智能仪表(如变频器、阀门、条码阅读器等)的局部网,又具有在网络上分布控制应用的内嵌功能。应用范围:具有广泛的应用前景,现今国际上已知的现场总线类型有四十余种,比较典型的现场总线有:FF,Profibus,LONworks,CAN,HART,CC-LINK等。5、CNC即计算机数字控制系统。它是采用微处理器或专用微机的数控系统,由事先存放在存储器里系统程序(软件)来实现控制逻辑,实现部分或全部数控功能,并通过接口与外围设备进行联接。应用范围:机械制造技术;信息处理、加工、传输技术;自动控制技术;伺服驱动技术;传感器技术;软件技术等。
上一页
1
2
...
5