CN118311935B

CN118311935B - 一种家居自动化生产控制系统及方法

Info

Publication number: CN118311935B
Application number: CN202410745537.4A
Authority: CN
Inventors: 麦康强; 柳祥胜; 刘桂民; 杨高飞; 刘川
Original assignee: Guangzhou Santuo Metai Processing Machiney Co ltd
Current assignee: Guangzhou Santuo Metai Processing Machiney Co ltd
Priority date: 2024-06-11
Filing date: 2024-06-11
Publication date: 2024-09-03
Anticipated expiration: 2044-06-11
Also published as: CN118311935A

Abstract

本发明涉及生产线控制技术领域，公开了一种家居自动化生产控制系统及方法，其方法包括以下步骤：接收家居产品的订单，通过订单获取订单数据，并将订单数据转化为生产任务，再使用优化算法进行任务排程；生产任务包括若干个加工任务和装配任务，通过加工任务生成G代码，并通过G代码控制用于生产线中的机床执行加工任务，通过装配任务生成运动指令，并规划用于生产线中的机器人抓取、搬运和装配的轨迹。本发明根据订单数据即时转化为生产任务并通过优化算法排程，保证生产任务的准确高效执行，并利用图像数据处理和深度学习模型进行缺陷检测，通过数据分析和生产优化模型建立，实现生产过程的持续优化。

Description

一种家居自动化生产控制系统及方法

技术领域

本发明涉及生产线控制领域，更具体地说，它涉及一种家居自动化生产控制系统及方法。

背景技术

家居产品在自动化生产控制过程中，需要通过大量人力物力实现管理和优化。

在现有系统中，如果接收定制化家居订单，则在工艺流程设计方面，生产线需要适时调整和优化现有工艺流程，而且质量检测与验证方面，需建立不同的质量控制标准，并投入适当的技术手段和设备，以保证定制化产品的质量符合客户的期望。

而且会因为定制化家居订单存在订单信息传递不畅、任务排程难以实时调整、质量检测的问题，限制生产效率和产品质量的提升。

发明内容

本发明提供一种家居自动化生产控制系统及方法，解决相关技术中接收定制化家居订单，会使生产线存在订单信息传递不畅、任务排程难以实时调整、质量检测的问题，限制了生产效率和产品质量的提升的技术问题。

本发明提供了一种家居自动化生产控制方法，包括以下步骤：

S100：接收家居产品的订单，通过订单获取订单数据，并将订单数据转化为生产任务，再使用优化算法进行任务排程；

S200：生产任务包括若干个加工任务和装配任务，通过加工任务生成G代码，并通过G代码控制用于生产线中的机床执行加工任务，通过装配任务生成运动指令，并规划用于生产线中的机器人抓取、搬运和装配的轨迹；

S300：利用图像采集设备采集生产线生产出的家居的图像和点云数据，并通过高斯滤波和几何校正的预处理方法处理图像和点云数据，使用深度学习模型进行缺陷检测；

S400：采集和存储生产线的生产过程中生成的数据，包括加工参数、装配信息和质量检测结果，使用大数据分析和机器学习技术对数据进行分析，建立生产优化模型；

S500：通过图形化界面提供操作控制、状态监控和报警提示，实时监控生产线中设备的工作状态和生产进度，检测并报警异常情况。

一种家居自动化生产控制系统，包括：

订单管理模块：接收订单并转化为生产任务，通过优化算法进行任务排程；

生产任务管理模块：生成加工任务和装配任务的G代码，控制机床执行加工任务并规划机器人装配轨迹；

图像数据处理与缺陷检测模块：采集图像和点云数据，通过处理和深度学习模型进行缺陷检测；

数据分析与生产优化模块：采集和存储生产数据，利用大数据分析和机器学习建立生产优化模型；

监控与报警模块：通过图形化界面实时监控设备工作状态和生产进度，检测并报警异常情况。

一种存储介质，存储有非暂时性计算机可读指令，用于执行上述的家居自动化生产控制方法中的一个或多个步骤。

本发明的有益效果在于：

本发明通过引入自动化控制系统，可以实现订单数据即时转化为生产任务并通过优化算法排程，保证生产任务的准确高效执行；

同时，利用图像数据处理和深度学习模型进行缺陷检测，提高产品质量；通过数据分析和生产优化模型建立，实现生产过程的持续优化；

而通过监控与报警系统，保证生产线运行稳定，及时发现并处理异常情况。

综合来看，家居自动化生产控制系统将提升生产效率、产品质量和生产线管理水平，提高企业竞争力和市场表现。

附图说明

图1是本发明提出的一种家居自动化生产控制方法的流程图；

图2是本发明提出的一种家居自动化生产控制系统的结构框图。

图中：101、订单管理模块；102、生产任务管理模块；103、图像数据处理与缺陷检测模块；104、数据分析与生产优化模块；105、监控与报警模块。

具体实施方式

现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。

如图1-图2所示，一种家居自动化生产控制方法，包括以下步骤：

在步骤S100中，订单家居产品的订单的具体步骤如下：

订单系统接收客户订单，包含家居产品规格、数量、材料、颜色、特殊要求等；

客户订单中订单信息包括客户ID、家居产品ID、数量、交货时间和特殊要求；

订单系统与客户订单接收端集成，实时获取订单数据，数据格式为JSON或XML。

任务生成：订单系统将订单转化为具体的生产任务，包括以下内容：

将订单分解成多个加工和装配任务，任务排程根据生产线的当前状态和资源情况，使用优化算法（如遗传算法、模拟退火）进行任务排程；

具体的，将订单分解成多个加工任务和装配任务，根据家居产品规格和制造流程，将订单中的家居产品分解为各个加工步骤和装配步骤；

订单包含家居产品，其规格为，每个家居产品包含若干加工步骤；

将家居产品分解为各个加工步骤，生成加工任务集合。

再根据生产线的当前状态和资源情况，进行任务排程，使用优化算法（如遗传算法、模拟退火）进行任务排程，以达到生产效率和资源利用率的最大化；

其中，模拟退火的步骤如下：

初始解：选择一个随机的任务排程方案；

温度参数：设初始温度，降温速率；

邻域解：在当前方案基础上随机交换两个任务的顺序；

接受概率：计算接受新方案的概率；

降温：更新温度；

迭代：重复上述步骤，直到温度低于某个阈值或达到最大迭代次数。

其中，任务参数包括加工任务（工序、加工时间、设备）和装配任务（装配顺序、工具、材料）；

任务参数：

加工任务：包含工序、加工时间、设备等信息；

工序：如切割、钻孔、铣削等；

加工时间：每个工序所需的时间；

设备：指定加工设备，如CNC机床；

装配任务：包含装配顺序、工具、材料等信息，具体的：

装配顺序：如第一个零件装配，第二个零件装配等；

工具：如装配机器人、夹具等；

材料：所需的原材料和零部件；

在本发明的一个实施例中，在步骤S200中，任务执行包括加工任务和装配任务：

在加工任务中，通过CNC程序生成G代码控制机床执行加工任务，加工任务的格式包括加工路径、刀具参数、加工材料和加工时间；

在装配任务中，将装配任务转换为机器人能够执行的运动指令，运动指令的格式包括抓取、搬运和装配的轨迹；具体的：

1.加工任务：

在加工任务中，进行CNC编程是将设计好的零件图纸转化为机床上可执行的指令序列，通过这些指令去控制机床上的运动轨迹和刀具的切削动作，从而实现对工件的加工。

以下是CNC程序编写时需要考虑的具体内容：

加工路径规划：根据零件的设计要求和形状，确定加工路径；

通常加工路径包括轮廓加工、孔加工、开槽等操作；

在编写CNC程序时，生成G代码，需要明确每个加工操作的路径和顺序，确保能够按照设计要求完成加工；

刀具参数选择：根据加工材料的硬度、形状和加工要求，选择合适的刀具；

刀具的选择包括刀具类型、刀尖半径、切削刃数等参数，确保刀具能够有效地切削工件，并保证加工质量和效率；

加工材料考虑：不同的加工材料对切削过程有不同的影响，如硬度、韧性、热处理特性等；

在编写CNC程序时，生成的G代码还需要考虑加工材料的特性，调整切削速度、进给速度和切削深度，以确保切削质量和刀具使用寿命；

加工时间估算：根据加工深度、速度和进给速度等因素，估算加工任务所需的时间；

准确的加工时间估算有助于提前安排生产计划和资源调配，以保证生产进度。

2.装配任务：

确定装配任务和工作流程：需要明确要进行的具体装配任务和整个工作流程，还包括需要装配的零部件、装配顺序、连接方式等；

根据具体装配任务和整个工作流程，确定机器人在装配过程中需要执行的动作和轨迹；

机器人抓取、搬运和装配轨迹规划：根据装配任务的要求，规划机器人的抓取、搬运和装配的轨迹。这些轨迹需要考虑到零部件的位置、形状、重量等因素，确保机器人能够准确、稳定地进行抓取、搬运和装配操作；

机器人编程：将确定的抓取、搬运和装配的轨迹转换为机器人可执行的运动指令，需要在机器人控制软件中编写相应的程序，定义机器人的动作和路径，程序通常包括控制机器人的关节运动、末端执行器的位置和姿态控制等；

调试和测试：在编写完机器人程序后，需要对程序进行调试和测试，确保机器人能够按照预定的轨迹准确地执行装配任务，在调试过程中可能需要对程序进行微调和优化，以满足装配任务的要求。

在本发明的一个实施例中，步骤S300具体包括以下内容：

S310：数据采集，具体包括图像数据采集和点云数据采集；

图像数据采集

采集设备：高清摄像头安装在生产线上；

方法：在家居产品生产过程中，对每一个完成的部件进行拍摄，获取高分辨率的图像数据；

点云数据采集

采集设备：激光扫描仪安装在生产线上；

方法：激光扫描仪对每一个家居产品进行全方位扫描，生成包含产品表面形状的三维点云数据；

S320：数据预处理，具体包括图像预处理和点云预处理；

图像预处理

高斯滤波：用来平滑图像，减少噪声，高斯滤波器将每个像素的值与其邻近像素的加权平均值进行替换；

高斯滤波器公式：

；

其中，是高斯函数，和是像素坐标，是标准差；

几何校正：用于纠正拍摄图像的几何变形，包括畸变校正、透视校正；

畸变校正公式：

；

其中，和是纠正后的坐标，和是原始坐标，是径向距离，，，是畸变参数；

点云预处理

降噪：使用滤波算法如平滑滤波、统计滤波等去除点云数据中孤立的噪声点；

对齐与配准：使用ICP（Iterative Closest Point）算法将点云数据对齐到参考坐标系；

S330：对家居产品进行缺陷检测，具体包括以下步骤：

S331：数据采集：收集包含正常产品和有缺陷产品的图像和点云数据；

S332：数据预处理：对采集到的数据进行预处理，包括去噪、裁剪、标准化；

S333：特征提取：针对图像数据，使用卷积神经网络（CNN）来提取图像特征；针对点云数据，可以使用点云处理网络（Point Net）模型来提取点云特征；

S334：缺陷检测模型训练：将提取的特征输入到深度学习模型中进行训练，采用CNN-Point Net模型，CNN-Point Net模型是结合CNN和Point Net的综合模型，训练模型以学习到正常和缺陷类型；

S335：检测输出：使用训练好的综合模型对新的家居产品数据进行缺陷检测，综合模型会自动识别和标记出可能存在缺陷的部分。

综合模型具体包括以下内容：

卷积神经网络（CNN）：

；

其中，代表第i个神经元与第j个输入神经元之间的连接权重，是第j个输入神经元的输出，是偏置项，是激活函数（如ReLU）。

点云处理网络（Point Net）：

其中，代表点云中的第i个点，是一个MLP（多层感知机）结构的映射函数，是对整个局部点云进行汇总的函数。

综合模型：根据具体模型结构，将CNN和Point Net的结构结合起来，具体的，在处理三维物体的识别任务中，可以先使用Point Net提取点云特征，然后将提取的特征映射到二维图片上，使用CNN提取二维图片特征，最后结合两组特征进行分类任务；

生成对抗网络（GAN）：

生成器网络通常用一个深度神经网络表示，记为，其中是生成器的参数，生成器网络的表达式为：

其中，是生成器生成的数据样本。

判别器的目标是区分真实数据样本和生成器生成的假数据样本。判别器网络也是一个深度神经网络，记为，其中是判别器的参数。判别器网络的输出为一个概率值，表示输入数据为真实数据的概率。判别器的数学表达式为：

；

其中，输出为一个概率值（通常通过sigmoid函数得到）；

生成对抗网络的训练过程是通过生成器和判别器的对抗学习实现的，其优化目标是使生成器生成逼真的数据样本，让判别器无法区分真实数据和生成数据。

具体优化目标可以表示为最小化生成器和最大化判别器的损失函数，即：

其中，为优化目标，损失函数为生成器和判别器的交叉熵损失函数等；

生成器和判别器交替进行训练，其中生成器试图生成逼真的数据以骗过判别器，判别器则努力区分真实数据和生成数据；

生成器的参数记为，判别器的参数记为，目标是找到最优的和，使得生成器生成的数据无法被判别器有效区分。

在本发明的一个实施例中，在步骤S400中，具体的实现步骤如下：

S410：数据采集与存储：在生产线上部署传感器和监测设备，以实时采集各个环节产生的数据，如加工参数（如温度、压力、速度）、装配信息（如零件拼接信息）和质量检测结果（如产品尺寸、外观缺陷检测结果），将以上数据将通过网络传输到中央数据存储系统（可能是云端或本地服务器），以保证数据及时、安全地存储；

S420：数据分析与预处理：在数据存储后，对数据进行预处理，包括数据清洗、去除异常值、标准化等操作，以确保数据质量和可用性，然后利用大数据分析技术，对数据进行分析和挖掘，从中发现数据之间的关联和规律，探寻潜在的生产优化方案和问题；

S430：机器学习模型建立：基于数据分析的结果，可以选择合适的机器学习模型，如监督学习（如分类、回归）、无监督学习（如聚类）、强化学习等，通过使用这些机器学习模型，建立生产优化模型，预测生产线下一步的产能、质量情况等，实时调整生产参数以优化生产效率；

S440：实施生产优化：通过生产优化模型提供的推荐方案和决策，生产管理人员可以根据具体情况调整生产线的设置和参数，以实现生产优化目标，例如，在实时质量检测中发现异常时，可以通过模型建议的措施来解决问题，提高产品质量，减少废品率。

生产优化模型采用线性回归模型，用于生产过程中的参数调优和生产效率优化。

生产优化模型的表达式为：

；

在生产优化模型中，输入特征：表示生产过程中采集的各种参数，如加工速度、温度、质量检测结果等；

权重参数：是模型需要学习的参数，表示不同特征在生产过程中的重要程度和影响力；

偏置项：表示模型的偏差，用于平衡模型输出与真实值之间的偏差。

在本发明的一个实施例中，在步骤S500中，具体的实现步骤如下：

设备连接：确保生产线中的设备能够实现与监控系统的连接。设备可能通过各种通信方式（如以太网、Modbus、Profinet等）与监控系统进行连接，并实现数据的交换和通信。

图形化界面设计：设计人机界面（HMI）系统的图形化界面，使其能够直观显示生产线中设备的工作状态、生产进度和其他重要参数；

界面需要包括所需的操作控制按钮、实时状态显示区域、报警提示显示区域等。

操作控制：通过图形化界面提供操作控制功能，操作人员可以通过界面上的按钮、滑块等元素对设备进行控制，如启停设备、调整生产参数、设置生产模式等。

状态监控：在图形化界面上显示设备的实时状态信息，包括设备的运行状态、生产进度、各项参数值等；

通过实时监控界面，操作人员可以了解设备当前的工作情况，发现可能存在的问题或异常情况。

报警提示：基于设备数据的监测和分析，当系统检测到异常情况时，会通过图形化界面进行报警提示，以提醒操作人员注意，其中报警可以是声音、弹窗、闪烁等形式，帮助操作人员及时响应并处理异常问题。

实时监控和远程访问：监控系统一般提供实时监控功能，操作人员可以随时查看生产线上的设备状态和生产情况，同时，部分系统支持远程访问功能，可以通过互联网远程监控生产线，及时处理异常情况。

根据以上的控制方法，是通过以下的家居自动化生产控制系统进行作业，该家居自动化生产控制系统，包括：

订单管理模块101：接收订单并转化为生产任务，通过优化算法进行任务排程；

生产任务管理模块102：生成加工任务和装配任务的G代码，控制机床执行加工任务并规划机器人装配轨迹；

图像数据处理与缺陷检测模块103：采集图像和点云数据，通过处理和深度学习模型进行缺陷检测；

数据分析与生产优化模块104：采集和存储生产数据，利用大数据分析和机器学习建立生产优化模型；

监控与报警模块105：通过图形化界面实时监控设备工作状态和生产进度，检测并报警异常情况。

本公开的至少一实施例提供一种存储介质，存储有非暂时性计算机可读指令，用于执行前述的家居自动化生产控制方法中的一个或多个步骤。

计算机程序可以被存储/分布在合适的介质上，例如与其他硬件一起或作为其他硬件的部分供应的光学存储介质或固态介质，但是也可以被以其他形式分布，例如经由互联网或其他有线或无线的电信系统来分布。

上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。

Claims

1.一种家居自动化生产控制方法，其特征在于，包括以下步骤：

所述图像的预处理方法包括高斯滤波和几何校正；

高斯滤波：用于平滑图像，减少噪声，高斯滤波器将每个像素的值与其邻近像素的加权平均值进行替换；

高斯滤波器公式：

其中，G(x，y)是高斯函数，x和y是像素坐标，σ是标准差；

对点云的预处理方法包括降噪和对齐与配准；

降噪：使用滤波算法去除点云数据中孤立的噪声点；

对齐与配准：使用ICP算法将点云数据对齐到参考坐标系；

对家居产品进行缺陷检测，具体包括以下步骤：

S333：特征提取：针对图像数据，使用CNN模型来提取图像特征；针对点云数据，使用Point Net模型来提取点云特征；

S334：缺陷检测模型训练：将提取的特征输入到综合模型中进行训练，综合模型采用CNN-Point Net模型，CNN-Point Net模型是结合CNN模型和Point Net模型的综合模型，训练模型以学习到正常和缺陷类型；

S335：检测输出：使用训练好的综合模型对新的家居产品数据进行缺陷检测，综合模型则自动识别和标记出家居产品中存在缺陷的部分；

在步骤S334中，综合模型包括以下内容：

CNN模型：

hi＝σ(∑_jW_ij*x_j+b_i)；

其中，W_ij代表第i个神经元与第j个输入神经元之间的连接权重，x_j是第j个输入神经元的输出，b_i是偏置项，σ是激活函数；

Point Net模型：

f_PointNet(x₁，x₂，...，x_n)＝g(h(x₁)+h(x₂)+...+h(x_n))；

其中，x_i代表点云中的第i个点，h是一个多层感知机结构的映射函数，g是对整个局部点云进行汇总的函数；

综合模型：根据具体模型结构，将CNN模型和Point Net模型结构结合，结合两组模型的特征进行分类任务；

生成对抗网络：

生成器网络采用一个深度神经网络表示，记为G(z，θ_G)，其中θ_G是生成器的参数，生成器网络的表达式为：

x＝G(z，θ_G)；

其中，x是生成器生成的数据样本；

判别器的目标是区分真实数据样本x和生成器生成的假数据样本G(z，θ_G)，判别器网络也为深度神经网络，记为D(x，θ_D)，其中θ_D是判别器的参数，判别器网络的输出为概率值，表示输入数据为真实数据的概率，判别器的表达式为：

y＝D(x，θ_D)；

其中，y输出为一个概率值；

生成对抗网络的训练过程是通过生成器和判别器的对抗学习，其优化目标是使生成器生成逼真的数据样本，判别器无法区分真实数据和生成数据；

优化目标表示为最小化生成器和最大化判别器的损失函数：

minθ_G max θ_DL(θ_G，θ_D)；

其中，损失函数L(θ_G，θ_D)为生成器和判别器的交叉熵损失函数；

2.根据权利要求1所述的一种家居自动化生产控制方法，其特征在于，在步骤S100中，所述将订单数据转化为生产任务的内容如下：将订单数据分解成若干个加工任务和装配任务，根据家居产品规格和制造流程，将订单中的家居产品分解为若干个加工步骤和装配步骤；

在订单中包含家居产品P，家居产品P的规格为家居产品P_i包含若干个加工步骤

将家居产品P分解为若干个加工步骤T_ij，生成加工任务集合T＝{T_ij}；

再根据生产线的状态和资源使用，使用优化算法进行任务排程。

3.根据权利要求1所述的一种家居自动化生产控制方法，其特征在于，在步骤S100中，优化算法的步骤如下：

初始解：选择一个随机的任务排程方案；

温度参数：设初始温度T₀＝100，降温速率α=0.95；

邻域解：随机交换两个任务的顺序；

接受概率：计算接受新方案的概率

降温：更新温度T←0.95×T；

迭代：重复以上步骤，直到温度低于某个阈值或达到最大迭代次数。

4.根据权利要求1所述的一种家居自动化生产控制方法，其特征在于，在步骤S200中，在加工任务中，通过CNC程序生成G代码控制机床执行加工任务，加工任务的格式包括加工路径、刀具参数、加工材料和加工时间；

在装配任务中，将装配任务转换为机器人能够执行的运动指令，运动指令的格式包括抓取、搬运和装配的轨迹。

5.根据权利要求1所述的一种家居自动化生产控制方法，其特征在于，在步骤S400中，包括的步骤如下：

S410：数据采集与存储：在生产线上部署传感器和监测设备，实时采集生产线产生的数据，包括加工参数、装配信息和质量检测结果，将以上数据将通过网络传输到存储设备；

S420：数据分析与预处理：在数据存储后，对数据进行预处理，包括数据清洗、去除异常值、标准化，利用大数据分析技术对数据进行分析和挖掘；

S430：机器学习模型建立：基于数据分析的结果，采用无监督学习模型，作为生产优化模型，预测生产线产能、质量情况；

S440：实施生产优化：通过生产优化模型提供的推荐方案和决策，调整生产线的设置和参数，用于生产优化目标。

6.一种家居自动化生产控制系统，根据权利要求1-5中任一所述的家居自动化生产控制方法进行控制，其特征在于，包括：

订单管理模块(101)：接收订单并转化为生产任务，通过优化算法进行任务排程；

生产任务管理模块(102)：生成加工任务和装配任务的G代码，控制机床执行加工任务并规划机器人装配轨迹；

图像数据处理与缺陷检测模块(103)：采集图像和点云数据，通过处理和深度学习模型进行缺陷检测；

数据分析与生产优化模块(104)：采集和存储生产数据，利用大数据分析和机器学习建立生产优化模型；

监控与报警模块(105)：通过图形化界面实时监控设备工作状态和生产进度，检测并报警异常情况。

7.一种存储介质，其特征在于，存储有非暂时性计算机可读指令，用于执行如权利要求1-5中任一所述的家居自动化生产控制方法中的一个或多个步骤。