6.5. Роботизированный конвейерный транспорт с автоматическим распознаванием и адресованием грузов [1988 Тимофеев А.В.

В современных ГАП наряду с описанными выше напольными транспортными роботами широко используются и другие средства автоматической транспортировки грузов. К числу таких альтернативных средств относятся ленточные, роликовые и подвесные конвейеры с автоматическим адресованием грузов, обслуживаемые манипуляционными роботами. Этот новый класс автоматических систем будем называть роботизированным конвейерным транспортом.

Роликовые конвейеры обычно применяются на предприятиях, на которых потоки материалов и технологические маршруты имеют прямолинейный характер. Загрузка и разгрузка этих конвейеров зачастую осуществляются манипуляционными роботами. Для распознавания и последующего адресования транспортируемых грузов над конвейером устанавливается один или несколько видео датчиков (телекамера, линейка или матрица фотодиодов и т. п.) системы технического зрения.

Более перспективна и широко применяется в ГАП разветвленная сеть подвесных конвейеров, позволяющих экономить производственные площади. На подвесках этих конвейеров могут закрепляться и перемещаться самые разные грузы, которые должны быть доставлены соответствующим адресатам (позиции окраски, сборки и т. п.). Надежное функционирование подобных конвейеров возможно только при их оснащении системами автоматического распознавания и адресования грузов. В общем случае под термином "Адресование" подразумевается совокупность операций, связанных с обработкой информации об адресатах, к которым направляются грузы.

К этим операциям относятся формирование и кодирование адреса, перемещение грузов по адресу, декодирование и считывание, переадресация. Подвески конвейера, детали и изделия перемещаются в пространстве по определенным трассам к тем позициям, куда они адресованы. При этом адресный код может содержать не только координаты позиции, но также и дополнительные данные о характерах объекта и места его позиционирования.

Системы автоматического адресования зачастую используются в сочетании с системами технического зрения. Последние классифицируют объекты, подлежащие адресованию, и тем самым обеспечивают промежуточный контроль и учет грузов на подвесном конвейере. Точность адресования прямо зависит от надежности распознавания. Источником ошибок распознавания могут быть колебания подвесок с грузом в поле зрения системы технического зрения, нарушение технических норм подвеса деталей и т. д. Поэтому важнейшим требованием к распознающей системе является ее инвариантность по отношению к неизбежным на практике производственным возмущениям. Это достигается посредством обучения и адаптации распознающей системы в процессе производственной эксплуатации конвейера.

Рис. 6.19. Принцип оптико-электронного кодирования деталей на подвесном конвейере: 1 - сцеп; 2 - деталь; 3 - фотоприемники; 4- осветители

Рассмотрим особенности конвейерного транспорта с автоматическим распознаванием и адресованием деталей на примере подвесного толкающего конвейера ПО "Кировский завод". Этот конвейер является одним из важнейших транспортных средств в условиях серийного производства тракторов К-701. Он обеспечивает подачу на соответствующие позиции главного сборочного конвейера 11 типов деталей (бака топливного, бака масляного, кабины, капота, облицовки радиатора, крыльев и т. п.).

Для кодирования деталей в процессе их транспортировки используется оптико-электронная система, изображенная на рис. 6.19. Она состоит из семи узконаправленных источников света (ламп накаливания А12-6) и фотоприемников (фоторезисторов ФСД-Г1), шарнирно закрепленных на направляющих, что позволяет легко изменять их местоположение и ориентацию. Сигналы с фотоприемников поступают на пороговые элементы, с выходов которых снимается семи разрядный двоичный код (образ детали, закрепленной на подвесе и находящейся в поле зрения системы). Время кодирования каждой детали не превышает 0,1 с.

Коды транспортируемых деталей подаются в распознающий автомат, который работает в двух режимах: обучения и принятия решений. В режиме обучения в процессе нормальной эксплуатации конвейера накапливаются определенная статистика в виде кодов деталей и соответствующих им кодов классов, к которым эти детали принадлежат. Этот статистический материал называется обучающей выборкой. По нему с помощью ЭВМ формируются логические описания классов и связанные с ними решающие (распознающие) правила. Синтезированные описания и правила реализуются в дальнейшем либо в виде программы для микроЭВМ, либо в виде распознающего устройства на микросхемах.

В режиме принятия решений осуществляется автоматическая классификация или идентификация деталей. Классификация необходима для учета деталей в автоматизированной системе управления технологическими процессами (АСУ ТП), а идентификация - для автоматического адресования детали на соответствующую позицию сборочного конвейера. При участии сотрудников Ленинградского института авиационного приборостроения и Ленинградского государственного университета было разработано несколько вариантов распознающих автоматов с оптико-электронной системой ввода информации.

На первом этапе был создан простейший автомат, представляющий собой дешифратор кодов. Обучение этого автомата сводится к запоминанию в качестве эталонов семиразрядных двоичных кодов деталей всех классов, предварительно снятых в идеальных условиях эксплуатации конвейера. В этих условиях дешифратор, сравнивая код транспортируемой детали с эталонными кодами, обеспечивает безошибочное распознавание деталей. Однако реальные производственные условия зачастую сильно отличаются от идеальных. Это связано с нарушением технологических норм подвеса деталей и со значительными колебаниями деталей в процессе их транспортировки. В производственных условиях точность работы дешифратора снижается. Практически это проявляется в большом числе отказов и ошибок распознавания, вызванных непредсказуемыми преобразованиями (сдвигов, вращений и т. п.) деталей в "поле зрения" оптико-электронной системы. В подобных случаях возникает необходимость адаптации распознающего автомата к производственным возмущениям. Поэтому на втором этапе были разработаны более совершенные адаптивные автоматы, обеспечивающие инвариантность распознавания по отношению к указанным выше непредсказуемым преобразованиям названных деталей.

В режиме обучения синтезируются логические описания классов минимальной сложности и связанные с ними оптимальные решающие правила. Алгоритмы синтеза этих правил по обучающей выборке описаны в работах 1119, 123]. Синтезированные правила используются для распознавания и идентификации транспортируемых деталей и формирования управляющих воздействий на приводы стрелок ответвлений на подвесном конвейере с целью автоматического адресования идентифицированных деталей на соответствующие позиции сборочного конвейера.

Общая схема алгоритмического синтеза оптимально решающего (распознающего) правила описывается в следующей главе. Искомое правило строится в виде дизъюнкции конъюнкций от исходных признаков - предикатов, в терминах которых кодируются детали.

Логическое решающее правило характеризуется двумя параметрами: рангом r и сложностью N. Ранг r - это максимальный ранг элементарных решающих правил, вошедших в оптимальное правило. Он лимитирует число необходимых измерений предикатов-признаков. Сложность - это общее число используемых в решающем правиле признаков. Ясно, что чем меньше значение параметров r и N_r тем предпочтительнее (при прочих равных условиях) решающее правило.

Оптимальное логическое решающее правило обладает рядом полезных свойств: во-первых, признаки-предикаты, не вошедшие ни в одно элементарное решающее правило, не информативны и могут быть отброшены; во-вторых, все элементарные логические решающие правила взаимно ортогональны, а следовательно, и статистически независимы; в-третьих, ранг r и сложность N являются минимально необходимыми (при описанной схеме синтеза) для безошибочного распознавания обучающей выборки.

Оптимальное логическое решающее правило имеет графическое представление в виде бинарного дерева решений, называемого оптимальным распознающим графом. Каждое элементарное решающее правило изображается ветвью этого графа, признак-предикат - узлом, а код класса - листом с соответствующим номером. Из каждого узла исходит два ребра, соответствующих возможным значениям данного признака.

В режиме распознавания сначала измеряется признак, соответствующий узлу первого уровня (ранга). Далее по ребру, отвечающему полученному значению признака, осуществляется переход к узлу второго уровня (ранга) и измерение соответствующего признака. Процесс "раскрытия" узлов продолжается до тех пор, пока не встретится лист, содержащий код некоторого класса, к которому относится данный объект. Важно подчеркнуть, что распознавание с помощью оптимального решающего правила (и отвечающего ему оптимального распознающего графа) не требует измерения всех предикатов-признаков, так как его ранг r как правило, существенно меньше общего числа признаков. Это свойство последовательного анализа логических автоматов распознавания, реализующих описанное выше оптимальное решающее правило, выгодно отличает их от параллельных распознающих автоматов (типа "перцетрон") [44], требующих одновременного измерения и использования всех признаков.

Автоматизация управления конвейерно-складским РТК требует не только распознавания деталей с целью их классификации и учета, но и идентификации деталей определенного типа. Послед-нее необходимо для правильного и своевременного переключения стрелок ответвления конвейера с целью автоматической доставки деталей на соответствующие склады-накопители и посты разгрузки, расположенные вдоль главного сборочного конвейера.

Особенность задачи идентификации заключается в том, что решающее правило здесь строится для каждого класса деталей

в отдельности. Схема синтеза оптимальных идентифицирующих правил аналогична описанной выше. Эти правила также допускают представление в виде ориентировочного графа такого же типа, как и распознающий граф. Отличительной чертой идентифицирующего графа является то, что все его листья относятся к одному классу. Совокупность идентифицирующих графов удобно представлять в виде орбитального графа, который можно трактовать как логический фрейм классов. На нулевой орбите этого графа располагаются листья с указанием номеров классов. На первой орбите размещаются узлы первого уровня идентифицирующих графов, на второй орбите - узлы второго уровня и т. д.

Процесс идентификации класса по графу сводится к последовательному "раскрытию" его узлов-признаков. На первом шаге вычисляется значение признака-предиката, отвечающего первому узлу. Если это значение соответствует исходящему из узла ребру, то следует измерить значение признака, отвечающего узлу второй орбиты, к которому ведет данное ребро, и т. д. Таким образом, если удастся дойти до конца какой-либо ветви, то происходит идентификация соответствующего класса. Если же ребро, соответствующее вычисленному значению очередного признака, отсутствует, то это значит, что исследуемый объект данному классу не принадлежит.

Достоинством оптимальных идентифицирующих правил и графов является то, что, обеспечивая безошибочную идентификацию элементов обучающей выборки, они в то же время имеют минимальный ранг и сложность. Это упрощает их реализацию и обеспечивает высокую точность идентификации незнакомых объектов.

Перейдем теперь к описанию экспериментальных результатов, связанных с синтезом, программно-аппаратурной реализацией и производственными испытаниями автоматов распознавания и идентификации. Сначала по обучающей выборке, содержащей 32 элемента, были построены (в соответствии с описанными выше алгоритмами) оптимальные логические распознающие и идентифицирующие правила. Их графическое представление дано на рис. 6.20 и 6.21 соответственно.

Основные параметры синтезированного распознающего графа таковы: ранг r - 6, сложность N=24. Он обеспечивает безошибочное распознавание обучающей выборки. Этим же свойством обладает и идентифицирующий граф. Его параметры (по классам деталей) указаны в табл. 6.7. Ради краткости записи в этой таблице вместо признака-предиката ξ_i указывается лишь его номер i, а отрицание предиката ξ_j обозначается чертой над номером j.

Рис. 6.20. Локально-оптимальный распознающий граф

Рис. 6.21. Оптимальные идентифицирующие графы

Следует отметить, что синтезированные идентифицирующие графы и отвечающие им оптимальные логические описания классов, представленные в табл. 6.7, могут непосредственно использоваться как для идентификации деталей данного класса, так и для

их распознавания. Однако для распознавания деталей более удобен распознающий граф (и отвечающее ему логическое решающее правило), представленный на рис. 6.20. Хотя оптимальные идентифицирующие и распознающие графы безошибочно классифицируют обучающую выборку, на контрольной выборке возможны ошибки.

Для проверки эффективности автоматов распознавания и идентификации, реализующих синтезированные решающие правила и графы, был проведен эксперимент на подвесном толкающем конвейере. В результате этого эксперимента выяснилось, что точность распознавания и идентификации в производственных условиях (контрольная выборка насчитывала до 200 наблюдений) составила 89 %. Этот факт свидетельствует о том, что исходная обучающая выборка была недостаточно представительна: в нее не вошли коды деталей, подвергнутых многим характерным, но заранее не известным преобразованиям (нарушение технологических норм подвеса, естественные колебания деталей и др.)* Поэтому для увеличения точности в изменяющихся производственных условиях необходимо дообучить (адаптировать) распознающие и идентифицирующие автоматы так, чтобы они стали инвариантными ко всему классу возможных преобразований. С этой целью из контрольной выборки были отобраны элементы, ранее не встречавшиеся в обучающей выборке, и эти элементы были добавлены к "старой" выборке. В результате была получена "новая" обучающая выборка, состоящая из 45 элементов. Заметим, что в число этих элементов вошел и существенно новый элемент, отвечающий коду "пустой сцеп", образующий двенадцатый класс.

Рис. 6.22. Дообученный распознающий граф

По полученной таким образом расширенной обучающей выборке вновь строились по той же методике распознающие и идентифицирующие правила и графы. В результате были синтезированы "дообученный" распознающий граф, представленный на рис. 6.22, и "дообученный" идентифицирующий граф, представленный на рис. 6.23. Эти графы и соответствующие им описания классов, представленные в табл. 6.8, естественно имеют более сложную структуру, чем ранее построенные (см. рис. 6.20 и рис. 6.21). Это видно, в частности, из табл. 6.7 и 6.8, где представлены оптимальные логические описания классов вместе с параметрами r_i и N_i характеризующими их сложность.

Достоинством "дообученных" распознающих и идентифицирующих графов является их инвариантность практически к любым возможным преобразованиям деталей. Вследствие этого они обеспечивают высокую (по существу, предельную) точность распознавания и идентификации. Фактически (по данным производственных испытаний) они гарантируют безошибочное распознавание элементов расширенной обучающей выборки, а на элементах контрольной выборки (более 700 наблюдений) процент ошибок не превысил 4 %. Достигнутая точность близка к предельно возможной в рассматриваемых производственных условиях. Без введения дополнительных датчиков в информационно-измерительную систему (и соответственно без увеличения размерности пространства признаков) этот результат практически не улучшаем.

Рис. 6.23. Дообученные идентифицирующие графы

Оптимальные распознающие и идентифицирующие графы и отвечающие им логические решающие и идентифицирующие правила допускают простую программную и аппаратурную реализацию. Поэтому они были реализованы сначала в виде программ для микроЭВМ ("Электроника-60"), а затем аппаратурно на базе логических элементов (типа И, ИЛИ, НЕ) серии К-155. Примеры схем для аппаратурной реализации идентифицирующих правил для классов I, II и VI представлены на рис. 6.24. Возможны и другие варианты реализации, например на базе элементов И - НЕ (штрих Шеффера) или ИЛИ-НЕ (стрелка Пирса).

Общий вид автомата распознавания представлен на рис. 6.25. К его достоинствам следует отнести высокую точность (около 96 %) и быстроту (до нескольких микросекунд) распознавания. Это достигается благодаря адаптивности автомата в широком классе производственных возмущений. Аналогичные автоматы распознавания созданы и для ленточных транспортных конвейеров [120, 133]. В них в качестве информационной системы обычно используется линейка фотодиодов, устанавливаемая над конвейером, по которому транспортируются произвольно расположенные детали. В режиме принятия решений производится не только распознавание деталей, но и определяется их местоположение и ориентация. Последнее особенно важно для последующего манипулирования транспортируемыми деталями (например, при разгрузке конвейера).

Рис. 6.24. Примеры схем для реализации идентифицирующих правил на базе цифровых интегральных схем: а - класс I: бак топливный (левый); б - класс П.- бак топливный (правый); в - класс VI: бак масляный

Рассмотренные автоматы распознавания и адресования обладают определенной гибкостью: при изменении номенклатуры транспортируемых деталей достаточно переобучить автомат распознавания, после чего он автоматически перестраивается на идентификацию и адресование новых деталей. Это свойство адаптивных автоматов распознавания и адресования деталей на конвейере особенно важно для ГАП.

Подвесной конвейер с автоматическим распознаванием и адресованием деталей на ПО "Кировский завод" является частью конвейерно-складского робототехнического комплекса, общий вид которого представлен на рис, 6.26. Этот комплекс работает следующим образом. При по-явлении деталей на подвесах из механического цеха автомат распознавания, установленный перед окрасочной камерой, их классифицирует и посылает соответствующий сигнал в управляющий вычислительный комплекс (УВК). Последний оперативно определяет нужную программу окраски и передает ее окрасочным роботам. Окрашенные детали транспортируются на подвесные склады-накопители, а оттуда на главный сборочный конвейер, причем по пути они идентифицируются и УВК вырабатывает адресующий сигнал на коммутатор переключения стрелок, которые обеспечивают доставку деталей на соответствующие позиции сборочного конвейера. Одновременно с идентификацией осуществляется учет деталей всех типов, поступающих на сборку. Высокая точность распознавания и адресования деталей позволяет свести к минимуму простои сборочного конвейера и тем самым повысить его производительность .

Рис. 6.26. Схема подвесного конвейера с адаптивным адресованием деталей: 1 - подвесные склады-накопители; 2, 3 - транспортный и сборочный конвейеры; 4 - окрасочная камера

Таким образом, конвейерный транспорт с автоматическим распознаванием и адресованием деталей обладает рядом преимуществ; Во-первых, система управления такого конвейера, реализуемая на базе микропроцессоров и микроЭВМ, легко сопрягается с управляющими ЭВМ более высокого уровня, образуя единую автоматизированную систему управления производством (АСУП). Во- вторых, применение микроЭВМ для управления конвейером позволяет оптимизировать распределение и адресацию грузов по производственным участкам ГАП. В-третьих, благодаря распознаванию деталей автоматически осуществляется их учет и обеспечивается возможность переключения программ, управляющих оборудованием ГАП, установленным на позициях с соответствующим адресом, в зависимости от того, к какому классу принадлежит транспортируемая деталь. В последнеее время в ГАП все шире начинают применяться подвесные манипуляторы тельферного (с перемещением по монорельсу) и портального типов. Эти транспортные манипуляторы, как и подвесные конвейеры, размещаются над технологическим оборудованием, что позволяет экономить производственные площади. Наиболее совершенные образцы этих роботов снабжаются датчиками внешней информации (тактильными щупами, системами технического зрения и т. п.), обеспечивающими возможность адаптации к изменяющейся производственной обстановке. К транспортным манипуляторам тельферного типа относятся отечественные роботы ТРТ-250-1, "Спрут-1", УМ 160 2.81.01 и др., а к роботам портального типа - "Сигма" (Италия), "Адам-02" (СССР), "Пирин" (Болгария) и др.

Роботизированный конвейерный транспорт может иметь разные компоновки в зависимости от требований производства. Примером рациональной компоновки роликового конвейера и портального манипулятора может служить гибкая манипуляционно-транспортная система для обслуживания токарных станков, представленная на рис. 6.27, разработанная фирмой "Бош" (ФРГ). Эта система обладает большой гибкостью и универсальностью. Поэтому она особенно перспективна для использования в условиях ГАП.

Рис. 6.27. Роботизированный конвейерный транспорт для обслуживания токарного станка

В ГАП важную роль играют автоматические склады. Для автоматизации транспортно-складских операций обычно используются роботы-штабелеры, представляющие собой каретку с погрузочно-разгрузочным механизмом и грузовой платформой, перемещающуюся в вертикальном и горизонтальном направлениях вдоль стеллажей склада. Система управления склада, реализуемая на базе микроЭВМ, обеспечивает автоматическое адресование роботов-штабелеров с учетом текущего состояния склада.

Значительное внимание разработке автоматического транспорта для ГАП уделяется во многих индустриально развитых странах. Состояние дел и перспективы развития в этой области нашли отражение в программе 1-й Международной конференции по проблемам транспортирования материалов, состоявшейся в 1983 г. в Лондоне. Тематика докладов, представленных на этой конференции, охватывает вопросы создания и внедрения автоматизированных систем управления производственными материальными потоками, опыт эксплуатации автоматических транспортных средств в условиях ГАП, а также перспективные разработки транспортных роботов с адаптивным управлением и элементами искусственного интеллекта.

Высокие темпы развития ГАП обусловливают ускоренную разработку и внедрение автоматических транспортных средств. Вместе с тем повышаются требования к гибкости, автономности и универсальности таких средств. Этим требованиям удовлетворяют рассмотренные выше транспортные роботы с адаптивным управлением, манипуляционно-транспортные роботы с элементами искусственного интеллекта, а также роботизированный конвейерный транспорт с автоматическим распознаванием и адресованием грузов. Естественно ожидать, что в ближайшие годы удельный вес адаптивных транспортных средств указанных типов в общей структуре транспорта для ГАП будет неуклонно возрастать.

Общий объем программного обеспечения для микроЭВМ "Электроника-60" составляет около 3000 операторов. В качестве инструментальной ЭВМ для его отладки использовалась ЭВМ "Электроника-100-25". Описанное программное обеспечение используется в управляющей микроЭВМ адаптивного робота ОЗУН-12000, снабженного системой технического зрения на базе ПЗС. Этот робот позволяет повысить производительность труда при микросварке миниатюрных электронных изделий в десятки раз [99].

Адаптивные микросварочные роботы составляют основу для создания РТК и ГАП сборки микроэлектронных приборов. Такие РТК и ГАП способны адаптироваться к изменяющимся производственным условиям и быстро перестраиваться с прецизионной сборки одних изделий на сборку других. Благодаря этому ГАП прецизионной сборки, построенной на базе адаптированных роботов для микросварки, могут надежно работать без участия человека.