【技术实现步骤摘要】
本专利技术涉及铸造清理工业机器人的清理工具检测，尤其涉及一种铸造件清理机器人的工具健康管理方法及系统。
技术介绍
1、随着“机器人+”时代发展趋势，工业机器人逐步代替人工进行一些工作环境差、伤害性强的工作。工业机器人技术的逐渐成熟，让其替代铸造后清理能够实现，在清理铸造件时，机器人通常会使用到多种工具，由于铸造件强度较高，切削打磨过程破坏性较大，易对工具以及工具上的耗材产生较大损耗，如果没有及时发现，可能会进一步对设备，工具或铸造件带来破坏。
2、因此在铸造件清理打磨过程中，工具的健康状态和耗材的使用情况是关键的；目前传统的工具的健康状态检测方法需要人工检查，这不仅效率低，而且可能会遗漏一些细微的问题。
技术实现思路
1、本专利技术提供一种铸造件清理机器人的工具健康管理方法及系统，以克服上述技术问题。
2、为了实现上述目的，本专利技术的技术方案是：
3、一种铸造件清理机器人的工具健康管理方法，包括以下步骤：
4、s1：获取铸造件清理机器人的机械臂末端的作用力信号；
5、获取铸造件清理机器人的机械臂末端的清理工具的电流信号；
6、待所述作用力信号大于设定的作用力阈值且所述电流信号大于设定的电流阈值时，开始计算清理工具使用时长，以获得清理工具使用总时长；
7、并根据所述作用力信号和所述电流信号获取清理工具健康评分；
8、s2：获取清理工具信息，根据清理工具信息获取清理工具类型，所述清理工具类
9、s3：对所述清理工具图像进行图像分割获得清理工具主体扫描图片和清理工具耗材扫描图片；
10、并对所述清理工具主体扫描图片进行清理工具主体健康评分处理获得清理工具主体健康评分；
11、采用清理工具耗材图像处理策略对所述清理工具耗材扫描图片进行处理获得清理工具耗材健康评分；
12、s4：根据所述清理工具健康评分、清理工具使用总时长、清理工具主体健康评分以及清理工具耗材健康评分对所述清理工具进行健康决策评估获得清理工具健康评估结果。
13、进一步的，s2中所述清理工具图像采集策略具体为：
14、当清理工具为金属耗材清理工具时，通过高分辨率相机对金属耗材清理工具进行扫描获得金属耗材清理工具扫描图片，通过超声模块对所述金属耗材清理工具的金属耗材部分进行超声扫描获取金属耗材二维超声图像；
15、当清理工具为非金属耗材清理工具时，通过高分辨率相机对非金属耗材清理工具进行扫描获得非金属耗材清理工具扫描图片，通过环形灯光源以设定角度对非金属耗材部分进行照射，并通过超分辨相机对所述非金属耗材清理工具的非金属耗材部分进行扫描获得非金属耗材图像。
16、进一步的，s3中所述清理工具耗材图像处理策略如下：
17、当清理工具为金属耗材清理工具时，清理工具耗材扫描图片为金属耗材扫描图片，清理工具耗材图像处理策略包括以下步骤：
18、将所述金属耗材扫描图片与所述金属耗材二维超声图像进行图像配准获得图像配准后的金属耗材扫描图片和金属耗材二维超声图像；
19、将图像配准后的金属耗材扫描图片和金属耗材二维超声图像进行图像融合获得图像融合后的金属耗材扫描图片；
20、采用densenet深度学习网络模型对所述图像融合后的金属耗材扫描图片进行深度学习并输出金属耗材健康评估向量ometal；
21、当清理工具为非金属耗材清理工具时，清理工具耗材图像处理策略包括以下步骤：
22、对所述非金属耗材图像进行灰度处理获得灰度处理后的非金属耗材图像；
23、对所述灰度处理后的非金属耗材图像进行降噪处理获得降噪后的非金属耗材图像；
24、对所述降噪后的非金属耗材图像进行对比度增强处理获得对比度增强的非金属耗材图像；
25、对所述对比度增强的非金属耗材图像进行特征提取获取非金属耗材健康评估向量on-metal。
26、进一步的，所述清理工具主体健康评分处理，具体为：
27、构建resnet预训练的深度学习模型，包括依次连接的卷积模块、多个残差模块、全局平均池化层以及全连接层；
28、所述卷积模块为卷积核为7x7的卷积层，用于清理工具主体扫描图片的特征提取，所述特征提取的表达式为：
29、finit＝σ(winit*itool+binit)
30、fpool＝maxpooling(finit)
31、其中：itool为清理工具主体扫描图片；winit和binit为卷积层的权重和偏置；*表示卷积操作；σ表示relu激活函数finit是卷积操作后的特征图；maxpooling是最大池化操作；
32、所述残差模块包含两个或多个的卷积层，且各每个卷积层后面设有激活函数，所述残差模块b用于对卷积模块的输出进行残差处理，所述进行残差处理的表达式为：
33、
34、
35、fres＝fpool+fconv2
36、fpool＝maxpooling(fres)
37、其中：fpool是上一层卷积模块的输出或上一个残差模块的输出；以及是残差模块b卷积层的权重和偏置；fconv1和fconv2是卷积操作后的特征图；fres是残差模块的输出，即输入fpool和fconv2的和；
38、所述全局平均池化层，用于对最终的残差模块的输出进行全局平均池化，所述全局平均池化的表达式为；
39、fgap＝globalavgpooling(fres)
40、其中，globalavgpooling是全局平均池化操作；fgap为全局平均池化的输出；
41、所述全连接层用于对全局平均池化层的输出进行全连接运算，所述全连接运算的表达式为：
42、opred＝softmax(wfc·fgap+bfc)
43、其中，w和b分别表示权重和偏置；opred是全连接层的输出，表示图像属于每个类别的概率；wfc和bfc分别表示全连接层的权重与偏置；
44、将工具本体的状态定义为“正常”、“轻微破损”、“中度破损”和“严重破损”四种类别，并通过设定的工具本体样本集对所述resnet预训练的深度学习模型进行训练，获得resnet预训练的深度学习模型输出概率向量；
45、所述深度学习模型输出概率向量的表达式为
46、opred＝[pnormal、pslight、pmoderate、pcritical]
47、其中：pnormal表示工具本体状态为“正常”的概率；pslight表示工具本体状态为“轻微破损”的概率；pmoderate表示工具本体状态为“中度破损”的概率；本文档来自技高网...
【技术保护点】
1.一种铸造件清理机器人的工具健康管理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种铸造件清理机器人的工具健康管理方法，其特征在于，S2中所述清理工具图像采集策略具体为：
3.根据权利要求2所述的一种铸造件清理机器人的工具健康管理方法，其特征在于，S3中所述清理工具耗材图像处理策略如下：
4.根据权利要求2所述的一种铸造件清理机器人的工具健康管理方法，其特征在于，所述清理工具主体健康评分处理的方法，具体为：
5.根据权利要求1所述的一种铸造件清理机器人的工具健康管理方法，其特征在于，根据所述作用力信号和所述电流信号获取清理工具健康评分过程如下：
6.根据权利要求4所述的一种铸造件清理机器人的工具健康管理方法，其特征在于，还包括根据每个窗口的健康评分St构建铸造件清理工作的预警策略，所述预警策略具体为
7.根据权利要求1所述的一种铸造件清理机器人的工具健康管理方法，其特征在于，所述S4包括以下步骤：
8.一种基于权利要求1至7任意一项所述的铸造件清理机器人的工具健康管理方法的系统，包
...【技术特征摘要】
1.一种铸造件清理机器人的工具健康管理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种铸造件清理机器人的工具健康管理方法，其特征在于，s2中所述清理工具图像采集策略具体为：
3.根据权利要求2所述的一种铸造件清理机器人的工具健康管理方法，其特征在于，s3中所述清理工具耗材图像处理策略如下：
4.根据权利要求2所述的一种铸造件清理机器人的工具健康管理方法，其特征在于，所述清理工具主体健康评分处理的方法，具体为：
5.根据权利要求1所述的一种铸造件清理机器...
【专利技术属性】
技术研发人员：秦兆伯，关颖，于健，李炳萱，赵博，穆禹丞，陈广泰，
申请(专利权)人：中车大连机车研究所有限公司，
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。