[发明专利]一种应用于智能制造车间的故障在线检测系统及检测方法

说明书

本发明涉及一种应用于智能制造车间的故障在线检测系统及方法，其基于深度神经网络构建制造缺陷预测模型，有效利用大量实际智能制造车间制造过程中获得的典型制造缺陷，结合图像采集与图像处理技术，对典型制造缺陷图像构成的标准样本图像库进行训练学习，使得该深度神经网络模型可以用于实时的制造缺陷识别与分类，能够在产品的制造过程中，通过实时图像采集、处理与分析动态地获得产品的制造信息，并结合PLC控制器以及历史维修数据库，给出并自动执行制造缺陷的维修策略，能够为智能制造车间的产品制造精度、制造信息收集与分析提供更为准确的参考信息。

技术领域

本发明属于智能制造技术领域，具体地，涉及一种应用于智能制造车间的故障在线检测系统及其方法。

背景技术

目前的智能制造车间，由于采用的高速、高精度的数控机床较多，加工制造的产品允许误差小，以及智能制造车间对人员综合素质、环境都具有较高的要求，使得制造制造车间的产品制造过程中的制造缺陷有时难以被及时人工发现，通常只能通过后序工序的人工检验才得以发现，从而造成智能制造的废品增加、生产率下降等问题，严重时，甚至会造成后序制造机床的报废，这在智能制造装配区间已经有所发生，因此，对制造制造车间的产品在制造过程中进行动态的制造缺陷检验已经诊断，是影响智能制造进一步发展的阻碍因素之一，如今也得到了业内学者的广泛研究。

发明内容

本发明的目的是提供一种应用于智能制造车间的故障在线检测系统及检测方法。

根据本发明的上述目的，提出一种故障在线检测系统，包括工件检测平台、图像采集单元、图像处理单元、特征向量提取单元、深度神经网络单元以及计算机控制单元，其中，

所述工件检测平台包括检测工位，所述图像采集单元内的面阵相机采集检测工位上工件检测平台的图像，并发送至图像处理单元；

所述图像处理单元对接收到的图像进行分辨率扫描，获得当前检测工位的敏感区域图像，且对敏感区域图像进行去噪，再将去噪后的敏感区域图像发送至特征向量提取单元；

特征向量提取单元对敏感区域图像进行边缘检测，形成目标区域，并分别通过公式(1)至(3)计算获得目标区域的边缘面积、边缘形状因子以及目标区域平均半径，再加上前3维的Hu不变矩，构成具有四个特征变量的敏感区域的特征向量，以反映当前工件检测平台的工件质量信息，特征向量作为输入层发送至深度神经网络单元；

上式中，参数M和N为目标区域的边缘点个数，其中t(x,y)为各边缘点的灰度值；参数L为目标区域的周长，可采用图像处理技术中的链码法进行计算获得，参考K为目标区域边界上的边缘点个数，(x_k,y_k)表示位于目标区域边界上的像素坐标，表示目标区域的质心坐标，可通过如下公式进行计算：

其中，参数A表示敏感区域的面积，且适于在图像处理中识别到敏感区域时获得其大小；

深度神经网络单元基于神经网络算法构建制造缺陷预测模型，对工件检测平台的图像特征向量进行训练、学习与分类，识别当前工件检测平台上的待测工件的制造缺陷类型，并将分类结果反馈给计算机控制单元。

又一方面，本发明还提供了一种应用于智能制造车间的故障在线检测方法，包括：

步骤1：构建基于深度神经网络的制造缺陷预测模型，通过样本图像对深度神经网络进行训练学习；

步骤2：工件检测平台在计算机控制模块的控制指令下带动待测工件在检测工位上运动使其到达预设的检测位置，触发接近开关，并发送触发信号至计算机控制单元；