摘要：目前研究的分揀機器人故障檢測系統(tǒng)檢測準(zhǔn)確性較低，導(dǎo)致檢測結(jié)果誤差較大、實時性較差;為此，基于物聯(lián)網(wǎng)設(shè)計一種新的分揀機器人故障檢測系統(tǒng);選用滑輪式機器人載體設(shè)定分揀機器人，硬件部分采用Zigbee壓力傳感器采集機器人故障信息，利用XBEE模塊負(fù)責(zé)數(shù)據(jù)傳輸，協(xié)調(diào)分揀中控機接收各個傳感器采集的信息，通過STMP3550芯片實現(xiàn)控制器設(shè)計;通過信息標(biāo)定、信息采集、特征提取、故障識別實現(xiàn)軟件工作流程，應(yīng)用非極大值最大類間方差法來篩選出最優(yōu)的高低閾值解，得到連續(xù)但含有假邊緣的故障信息圖像邊緣;將提取到的圖像特征向量映射到類型空間之中，確定故障原因，完成故障識別;實驗結(jié)果表明，所設(shè)計分揀機器人故障檢測系統(tǒng)在6次檢驗中都準(zhǔn)確地檢測出故障原因，故障檢測耗時平均值為3.27min，能夠有效提高檢測準(zhǔn)確性，加強檢測結(jié)果的實時性。

　　關(guān)鍵詞：物聯(lián)網(wǎng);分揀機器人;故障檢測;檢測系統(tǒng);高低閾值;圖像邊緣

　　引言近年來，我國各行各業(yè)都在飛速發(fā)展，勞動力成本逐漸上漲，但生產(chǎn)需求卻不斷在增加，因此分揀機器人在各行各業(yè)中的應(yīng)用非常廣泛，需求量巨大[12]。就目前來看，分揀機器人雖然取得了一定的應(yīng)用效果，但是在使用過程中存在很多問題，經(jīng)常會發(fā)生各種各樣的故障，為了解決這一問題，相關(guān)領(lǐng)域?qū)W者提出了人工檢測方式，雖然人工檢測能夠保證檢測過程的實時性，但是檢測過于局限，由于工作人員經(jīng)驗不足，有許多故障都難以確定，由此可見，人工檢測分揀機器人的故障狀態(tài)已然不能滿足工廠的需求[34]。

　　物聯(lián)網(wǎng)能夠通過不同的傳感器與識別技術(shù)采集、監(jiān)控、連接、互動各類信息，利用不同的網(wǎng)絡(luò)，完成物、物與人之間的廣泛連接。從而實現(xiàn)對物體和信息的智能管理。相比于互聯(lián)網(wǎng)和傳統(tǒng)電信網(wǎng)，物聯(lián)網(wǎng)能夠更好地將普通物理對象連接到一起[5]。

　　基于上述原因，本文設(shè)計了基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)，利用物聯(lián)網(wǎng)技術(shù)對分揀機器人實時監(jiān)控，并在發(fā)生故障時迅速上報故障，提升分揀機器人的工作效率，節(jié)省人工成本。分揀機器人的工作環(huán)境大多比較惡劣，因此，針對充滿灰塵和其他漂浮物和噪聲的環(huán)境，本文使用改進(jìn)的Canny技術(shù)對檢測圖像進(jìn)行預(yù)處理，并使用邊緣圖像信息提取來最大程度地減少環(huán)境對圖像質(zhì)量的影響，從而實現(xiàn)分揀機器人故障更準(zhǔn)確地檢測。本文設(shè)計的基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)，可以顯著提高工作中分揀機器人的故障檢測效率，提高行業(yè)的工作效率和系統(tǒng)靈活性。

　　1基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)整體架構(gòu)設(shè)計

　　分揀機器人故障檢測系統(tǒng)由分揀機器人、中樞神經(jīng)網(wǎng)絡(luò)和采集終端三部分組成[67]。通過信息標(biāo)定、信息采集、特征提取來完成故障識別的目的。在分揀機器人上放置多個Zigbee壓力傳感器，當(dāng)頂板壓力異常時，便自動驅(qū)動節(jié)點上的高亮度紅色LED燈，同時將故障數(shù)據(jù)上傳至上位機[8]。與此同時，相機會立即對故障部位進(jìn)行拍照，通過圖像預(yù)處理以及改進(jìn)后的Canny算子算法對圖像進(jìn)行信息的采集以及特征提取，最后上傳至上位機，進(jìn)行故障部位的識別[9]。

　　機械零件分揀生產(chǎn)線上的工作繁重。如果使用手動分類，不僅操作效率降低，而且成本較高。為此本文分揀機器人在機械零件分揀工作中的常見故障，主要有主軸故障、腕軸故障、熱繼電器故障、減速齒輪故障、電機故障及剎車線故障。利用物聯(lián)網(wǎng)將分揀機器人與故障檢測系統(tǒng)相連接，實時采集機器人故障信息，提取故障特征并對其進(jìn)行分類識別，獲得分揀機器人故障檢測結(jié)果。

　　2基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)硬件設(shè)計

　　本文研究基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)的總體架構(gòu)由分揀機器人、采集器、控制器組成，系統(tǒng)硬件結(jié)構(gòu)。

　　2.1分揀機器人

　　分揀機器人整體架構(gòu)為滑輪式機器人載體，機器人工全鋁合金結(jié)構(gòu)，通過雙輪電機定位保證了分揀機器人操作的精確度，分揀機器人的控制核心采用嵌入式八核控制系統(tǒng)，主機頻率為1700MHz，并且支持最新的Windos操作系統(tǒng)。

　　分揀機器人中預(yù)裝了LinuhDebain嵌入式系統(tǒng)，編程語言使用了高效的Python語言，在嵌入式控制系統(tǒng)板引入集成視覺模塊，視頻檢測選用羅技1000W像素C890相機。分揀機器人的地圖導(dǎo)航系統(tǒng)采用PSJANDH公司的紅外激光測距儀，濕度與溫度傳感器采用DEKLL傳感器[12]。

　　2.2采集器設(shè)計

　　本文選用了基于物聯(lián)網(wǎng)技術(shù)的Zigbee壓力傳感技術(shù)，Zigbee采集器主要由XBEE控制模塊、壓力傳感器以及高亮度LED燈組成，將Zigbee壓力傳感器采集的信息通過無線通信的方式以協(xié)議的形式發(fā)送到上位機中，通過串聯(lián)使用AT命令集的方式設(shè)置模塊參數(shù)，并通過串聯(lián)接口完成數(shù)據(jù)傳輸過程，壓力傳感器采用遼寧力敏公司的SKN8277阻式壓力傳感器[13]。采集器中存在一個視覺庫，在便捷Py-thon編程包中，在應(yīng)用同一算法的情況下，在識別到LED高亮度紅燈后，視覺庫立即進(jìn)行特征檢測以及濾波識別，控制相機對故障區(qū)域進(jìn)行拍照，采集到的圖像傳入控制器，由控制器上交給上位機進(jìn)行識別。

　　2.3控制器設(shè)計

　　控制器采用中控端設(shè)計方式，使用Lsjandu軟件進(jìn)行編程，由XBEE模塊以及分揀中控機、Lsjandu控制軟件組成。XBEE模塊負(fù)責(zé)數(shù)據(jù)之間的傳遞，協(xié)調(diào)分揀中控機接收各個傳感器采集的信息后，通過STMP3550芯片把Zigbee串連接口數(shù)據(jù)轉(zhuǎn)化為USB數(shù)據(jù)發(fā)送到上位機中[14]。利用STMP3550芯片設(shè)計控制器。將控制器一端連接采集器，一端連接物聯(lián)網(wǎng)軟件，實現(xiàn)采集數(shù)據(jù)的傳輸，并接收軟件得到的故障檢測信息，實現(xiàn)故障檢測控制。

　　3基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)軟件設(shè)計

　　在建立系統(tǒng)硬件結(jié)構(gòu)后，設(shè)計軟件流程。如何將物聯(lián)網(wǎng)與故障檢測信息連接在一起是文章需解決的難點。利用圖1中的物聯(lián)網(wǎng)實現(xiàn)信息交互和通信，從而完成故障檢測。本文設(shè)計的檢測軟件主要通過信息標(biāo)定、信息采集、特征提取、故障識別4部分組成，基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)軟件工作流程。

　　3.1信息標(biāo)定

　　為了獲取精確的分揀機器人故障信息，本文對信息進(jìn)行標(biāo)定處理，通過Zigbee壓力傳感器中的XBEE收集故障信息，確定故障信息后，自標(biāo)定信息軟件ZKHY便會立即對故障信息進(jìn)行標(biāo)定，同時上傳到上位機中，進(jìn)而快速收集到故障信息定位。通過Zigbee壓力傳感器對分揀機器人故障信息進(jìn)行標(biāo)定，能夠縮短特征提取耗時，提升故障識別的準(zhǔn)確率。

　　3.2信息采集

　　本文提出的基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)的最終任務(wù)是將發(fā)生故障的分揀機器人的位置信息以及種類信息傳遞給機器人控制系統(tǒng)，因此信息的采集尤其重要，本文采用圖像采集方式來對故障信息進(jìn)行采集。圖像采集就是將數(shù)字圖像數(shù)據(jù)采集到計算機中的過程，本文所采用的是用羅技1000W像素C890相機，利用等時間間隔觸發(fā)的方式進(jìn)行故障信息的圖像采集，在發(fā)生故障時便可迅速對分揀機器人故障位置進(jìn)行拍照采集。

　　由于分揀工作中大多環(huán)境狀態(tài)差，鏡頭會受到環(huán)境中灰塵、噪音的影響，因此，還需要對圖像進(jìn)行預(yù)處理，以此減少后續(xù)算法的復(fù)雜度，提高計算機的運行效率。預(yù)處理是圖像自動識別系統(tǒng)中必不可少的一步，它直接影響到后續(xù)特征提取以及故障識別的效果，本系統(tǒng)中的圖像預(yù)處理的目的就是去除圖像中的噪聲以及灰塵，以此得到清晰的圖像，以便后續(xù)對圖像進(jìn)行特征提取以及故障識別中獲得正確的圖像特征以及正確的故障信息。

　　3.3特征提取

　　在完成信息采集后，進(jìn)行特征提取，邊緣信息的提取效果直接關(guān)系到故障識別效果，因此本文采用邊緣信息作為圖像的故障信息特征進(jìn)行提取[15]。本文選用的邊緣圖像信息提取方法為基于物聯(lián)網(wǎng)的Canny算子算法，Canny算子算法擁有其他算法無法達(dá)到的高檢測精確度以及良好的抗噪音效果，傳統(tǒng)的Canny算法采用了高斯的濾波器，因此存在閾值分割的共性問題，高斯濾波器無法解決閾值的自適應(yīng)性低這一問題，內(nèi)部平滑參數(shù)無法與閾值進(jìn)行兼顧[1618]。

　　因此，本文在傳統(tǒng)的Canny算法上進(jìn)行了改進(jìn)，通過統(tǒng)計學(xué)理論來分析圖像的灰度分布情況，進(jìn)而大致判斷出當(dāng)前的區(qū)域信息，若處于圖像邊緣附近，則可將邊緣點內(nèi)的臨近灰度值看作為像素點的灰度值，并可代替原灰度值，若發(fā)現(xiàn)圖像變化較為平緩的區(qū)域[1920]，則可使用高斯濾波器來對圖像的噪聲進(jìn)行減弱處理，本文使用此方式來代替?zhèn)鹘y(tǒng)Canny算子中的高斯濾波器，可以很好地解決傳統(tǒng)方法存在的不足，更好更準(zhǔn)確連接故障圖像邊緣。提取故障特征。

　　3.4故障識別

　　在提取圖像特征后，需要對其進(jìn)行分類識別，識別出故障問題，此過程的實質(zhì)便是將提取到的圖像特征向量映射到類型空間之中，以此獲得識別分類的結(jié)果，因此，結(jié)合本文設(shè)計的基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)，本文采用了相似模板匹配的方式來對特征進(jìn)行判別，尋找到易于識別與區(qū)分的特征，進(jìn)而根據(jù)相似模板板頂相似度來確定故障的原因，完成故障識別。

　　4實驗結(jié)果與分析

　　4.1實驗方法

　　為了驗證本文設(shè)計的基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)的有效性，與傳統(tǒng)故障檢測系統(tǒng)進(jìn)行實驗對比，實驗在Matlab仿真平臺進(jìn)行，首先設(shè)定實驗參數(shù)。根據(jù)上述實驗參數(shù)，選取本文提出的基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)與傳統(tǒng)的基于分級特征提取的故障檢測系統(tǒng)以及基于機器視覺的工業(yè)機器人智能分揀系統(tǒng)進(jìn)行對比實驗。

　　4.2實驗步驟分別設(shè)置分揀機器人的6種故障原因：主軸故障、腕軸故障、熱繼電器故障、減速齒輪故障、電機故障及剎車線故障。采用上述3種系統(tǒng)測試故障，得到不同方法的檢測結(jié)果，并測試對各個故障檢測所耗費的時間，得到實驗結(jié)果。綜上所述，本文提出的基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)可以很好地解決當(dāng)今使用分揀機器人的工廠存在的故障無法及時識別與處理的問題，也為分揀機器人故障檢測系統(tǒng)以后的開發(fā)提供了一定程度的參考，基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)擁有的高效率優(yōu)勢會使得該系統(tǒng)越來越廣泛地應(yīng)用于其領(lǐng)域。

　　物聯(lián)網(wǎng)論文： 基于物聯(lián)網(wǎng)的農(nóng)業(yè)設(shè)施群環(huán)境監(jiān)控系統(tǒng)

　　5結(jié)束語

　　為了節(jié)省人工成本，提高分揀機器人的工作效率，本文設(shè)計了基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)，硬件設(shè)計了系統(tǒng)電路以及采集器、控制器，結(jié)合故障信息標(biāo)定、故障信息采集、故障信息特征提取來完成最后的故障識別的目的。實驗表明，本文設(shè)計的基于物聯(lián)網(wǎng)的分揀機器人故障檢測系統(tǒng)可顯著提升對于工作中的分揀機器人的故障檢測效率，提升了該行業(yè)的工作效率與系統(tǒng)柔性。

　　參考文獻(xiàn)：

　　[1]陳修齊.基于物聯(lián)網(wǎng)技術(shù)的機器人視覺匹配系統(tǒng)研究[J].計算機與數(shù)字工程，2018，46(6)：6771.

　　[2]李海鎖.基于分級特征提取的貨物分揀機器人目標(biāo)自動識別系統(tǒng)設(shè)計[J].自動化與儀器儀表，2020(5)：8588.

　　[3]徐青青.基于機器視覺的工業(yè)機器人智能分揀系統(tǒng)設(shè)計[J].儀表技術(shù)與傳感器，2019(8)：9295.

　　[4]胡琦瑤，周和興，彭先霖，等.基于物聯(lián)網(wǎng)的智能室內(nèi)定位送水系統(tǒng)設(shè)計[J].計算機測量與控制，2020，28(2)：240245.

　　[5]衛(wèi)泓宇，劉冠靈，謝愛倍，等.基于單目視覺的智能物料分揀機器人的設(shè)計[J].計算機技術(shù)與發(fā)展，2020，30(2)：98103.

　　作者：代康，謝凱