【技术实现步骤摘要】
本专利技术属于钣金折弯加工精度检测与补偿，尤其涉及一种基于机器视觉的钣金折弯加工精度检测与补偿方法。
技术介绍
1、钣金折弯加工作为制造业的重要组成部分，具有成形简单、模具通用性好的特点，该种加工方式通过折弯机上下模具的配合，将水平放置的金属工件折弯成所需形状。其中折弯机作为该工艺的关键设备，在钣金加工工业中占据着非常重要的地位。
2、在钣金折弯加工过程中，需要机器人和折弯机配合完成折弯加工的各道工序，但由于机器人自身存在的定位精度问题和金属折弯件的材料特性，折弯成品的精度受到影响。
技术实现思路
1、本专利技术的目的在于提供一种基于机器视觉的钣金折弯加工精度检测与补偿方法，通过对尺寸误差和折弯成型角度误差的检测和补偿，提高了折弯成品的精度。为实现上述目的，采用如下技术方案：
2、一种基于机器视觉的钣金折弯加工精度检测与补偿方法，包括以下步骤：
3、步骤1、搭建机器视觉x、y直线轴定位误差检测系统xyc，用于获取折弯件角点坐标，并输出折弯件在当前采样位置的x、y直线轴定位误差，具体包括以下步骤：
4、将工业相机至于矩形工作区域的上方，并与pc机连接；机器人置于矩形工作区域的一侧，用于吸取折弯件；
5、矩形工作区域的长边与机器人坐标系的y轴平行，宽边与机器人坐标系的x轴向平行；
6、矩形工作区域固定间隔划分为若干个矩形采样位置psample，每个采样位置的长宽分别平行于矩形工作区域的长宽；
7、步骤2
8、步骤21、基于xyc进行采样，根据识别的折弯件角点坐标，并输出x、y直线轴定位误差；
9、针对机器人x、y直线轴的定位误差，通过机器人多次定位误差采样实验，机器视觉误差检测系统采集每个采样位置的x、y轴向定位误差；
10、每个采样位置的x、y轴向定位误差与对应的机器人理论x、y操作参数组成映射数据集；其中，机器人理论x、y操作参数为机器人从起始位置到各采样位置的理论操作参数psample＝(xsample,ysample)；
11、步骤22、基于采样得到的映射数据集，采用优化算法优化神经网络训练建立essa-elman定位误差预测模型：
12、essa-elman定位误差预测模型用于预测x、y直线轴定位误差，预测的x、y直线轴定位误差用于修正机器人理论x、y操作参数，修正后的机器人理论x、y操作参数输入给机器人；
13、步骤3、搭建机器视觉误差检测系统wjc，具体包括：
14、工业相机一在折弯机上方面正对折弯件正面以采集折弯件旋转角度；工业相机二在折弯机侧面正对折弯件侧面以实时采集成型角度；相机控制装置输出旋转角度误差和成型角度误差至显示模块；
15、pc机一将旋转角度误差通过控制模块、机器人控制装置反馈给机器人末端旋转轴、将成型角度误差通过控制模块、折弯机控制装置反馈给折弯机上模作相应补偿；
16、控制模块中存储所述essa-elman定位误差预测模型；
17、步骤4、采用神经网络前馈和机器视觉实时反馈联合补偿尺寸误差、采用机器视觉实时反馈补偿折弯成型角度误差，具体包括以下步骤：
18、essa-elman定位误差预测模型根据机器人理论x、y操作参数输出定位误差值，对机器人理论x、y操作参数进行补偿，最后补偿后的机器人理论x、y操作参数输出至机器人；
19、wjc实时测量旋转角度并输出旋转角度误差至机器人；
20、wjc实时测量折弯成型角度并输出折弯成型角度误差至机器人。
21、优选地，步骤21具体包括：
22、以固定距离dsample为固定采样步长，划分若干采样位置；
23、机器人在矩形工作区域平面上沿着y轴向进行z字形逐行采样，即从起始位置p0开始吸取折弯件，按照位置p11p12…p1n依次采样后，再从与p11距离为dsample的位置p21开始，沿着位置p21p22…p2n采样第二行，直至采样至最终位置pmn；
24、每次采样均以折弯件初始位置p0为起始位置，仅操作机器人到达各采样位置的理想x、y操作参数来控制机器人运动；
25、折弯件以起始位置的相同姿态到达各采样点，之后通过工业相机和pc机采集并输出折弯件在当前采样位置的x、y轴向定位误差；
26、其中，输出的定位误差与机器人x、y操作参数单位一致，均为毫米。
27、优选地，步骤21中的机器视觉采集x、y直线轴定位误差的方法如下：
28、图像坐标系与步骤1中的采样用坐标系的规定相反，使得机器人y轴向的误差值δy对应于步骤1中的y坐标轴，机器人x轴向的误差值δx对应于步骤1中的x坐标轴；
29、设某一采样位置的折弯件角点2、角点4的位置坐标分别为pt2(xt2,yt2)、pt4(xt4,yt4)，该边的中点坐标为
30、工业相机测量得到的折弯件实际位置角点2、角点4的位置坐标分别为pa2(xa2,ya2)、pa4(xa4,ya4)，该边的中点坐标为
31、机器人y轴向的误差值δy：
32、
33、pt和pa之间的欧式距离d：
34、
35、则机器人x轴向的误差值δx：
36、
37、其中，x、y轴向的定位误差方向通过比较pt和pa的横纵坐标大小关系即可获得。
38、优选地，步骤22具体包括：
39、以elman神经网络为基础网络，利用麻雀搜索算法的寻优性迭代找寻网络最佳初始权值和阈值后，再以该权值阈值为初值进行网络训练，可取得更优的预测效果；
40、同时，针对麻雀搜索算法随机产生初始麻雀种群位置使麻雀种群多样性差的问题，利用tent混沌映射函数的分布均匀性和不确定性来生成初始麻雀种群位置，保留种群多样性的同时也增强了麻雀搜索算法的全局搜索能力，由此建立tent混沌映射优化后的ssa-elman定位误差预测模型essa-elman。
41、优选地，步骤4中，对机器人理论x、y操作参数进行补偿的过程包括：
42、各采样位置的实际定位误差esample＝(δxsample,δysample)；
43、将目标位置的理论操作参数ptarget输入预测模型中，得到其定位误差预测值et′arget；
44、最后，对目标位置的理论操作参数ptarget反向叠加其定位误差预测值et′arget，即可获得补偿后的目标位置操作参数pmodified，输入给机器人完成补偿。
45、优选地，步骤4中，旋转角度补偿过程包括：
46、折弯加工中需要旋转的理论角度为θ，先以角度θ控制机器人对折弯件一次旋转；
47、旋转完成后，利用位于矩形工作区域本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，步骤21具体包括：
3.根据权利要求2所述的基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，步骤21中的机器视觉采集X、Y直线轴定位误差的方法如下：
4.根据权利要求1所述的基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，步骤22具体包括：
5.根据权利要求1所述的基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，步骤4中，对机器人理论X、Y操作参数进行补偿的过程包括：
6.根据权利要求1所述的基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，步骤4中，旋转角度补偿过程包括：
7.根据权利要求1所述的基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，成型折弯角度补偿过程包括：
8.根据权利要求1所述的基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，步骤21中角坐标点为亚像素级角点坐标
...【技术特征摘要】
1.一种基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，步骤21具体包括：
3.根据权利要求2所述的基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，步骤21中的机器视觉采集x、y直线轴定位误差的方法如下：
4.根据权利要求1所述的基于机器视觉的钣金折弯加工精度检测与补偿方法，其特征在于，步骤22具体包括：
5.根据权利要求1所述的...
【专利技术属性】
技术研发人员：徐丰羽，陶金，丁大伟，徐帅，范保杰，蒋国平，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。