焊接机器人系统示意图资料下载

  目前服役的焊接机器人90% 都是以“示教再现”模式进行工作的， 少数以轨迹规划方式工作。焊接过程中， 焊枪与焊缝中心都会存在一定误差， 而且焊接过程又是一个复杂、非线性、干扰因素较多的过程， 焊接工件热变形、咬边、错边， 以及焊缝间隙的变化等是不可预知的， 这些因素都会直接影响到焊接质量。 在“示教再现”或轨迹规划应用的基础上，实时焊缝纠偏可以进一步提高焊接精度， 尤其适用于辅助工程上焊接易变形、装配复杂等自动焊难以控制的工件生产。 本文以新型航天器燃料贮箱LF6 铝合金材2 mm 薄板的对接焊接为背景， 针对脉冲钨极惰性气体保护焊（ GT AW） 焊接方法， 对平板直缝和平板法兰进行焊缝跟踪试验， 将传统的“示教再现”型机器人开发成具有实时焊缝跟踪的弧焊机器人系统。     1 试验部分     1. 1 试验系统组成   在本实验中， 执行机构包括日本安川电机公司的HP6 型焊接机器人， 两轴翻转变位机， 单轴头尾式变位机， 日本OT C 公司生产的IN VERTERELESON 500P 型交直流两用GT AW 焊接电源，CM-271 型送丝机和HC-71 型送丝控制箱。 控制系统为研华公司的工控机， 传感系统为自行开发的CCD 被动光视觉系统， 以及图像采集卡。 整个系统如图1 所示。          考虑到LF6 铝合金薄板的焊接性， 采用交流脉冲焊进行焊接， 脉冲频率为2 H z， 基值电流为50 A，峰值电流为125 A， 焊接速度为2. 6 mm/ s.   1. 2 图像采集与处理   1. 2. 1 开小窗口分析法   采用“小窗口”获取焊缝特征信息， 在焊缝区域开了一个100 帧x120 帧的小窗口， 仅对此窗口内的图像进行处理。 该窗口包含了进行焊缝跟踪所需要的特征信息， 又削减了大量不必要的图像信息。 CCD 摄像机和送丝嘴都固定在焊枪上， 也就是焊枪、钨极、送丝嘴在图像平面投影的相对位置是不变的， 同时在试验前已经将CCD 摄像机的轴心、焊枪轴心以及焊缝调节到了同一个平面上， 如此， 焊枪的轴线在图像平面上的投影为一条水平线， 为后续的跟踪提供了便利条件。   1. 2. 2 图像处理算法   在试验中， 首先提取到焊缝的上下边缘， 经过去除伪点之后进行最小二乘法拟合， 得到焊缝中心线。 图像处理算法流程主要包括图像复原、中值滤波、边缘寻找、伪点去除及最小二乘法拟合， 如图2 所示 。          采用了逆滤波器方法来进行图像复原， 同时选用3x3 模板中值滤波， 当前像素点的灰度值由它的8 邻域的像素灰度值的中间值获得。   在对图像进行了观察和分析后， 发现即焊缝边缘和其他区域相比， 灰度变化极大。 因此， 根据灰度值变化的速率来确定焊缝边缘点， 即每一列中速率变化最大的2 个点作为为焊缝的上下边缘点。 用此种边缘检测算法是基于2 mm 薄板的特性， 没有坡口使焊缝处较大的灰度变化在整幅图像中极易捕捉， 同时此类算法较小的计算量也不会影响到图像处理的实时性。   经过上述图像处理之后并不能够准确地获得焊缝边缘， 仍旧有伪边缘存在， 如何再去除伪边缘点，识别出真正的焊缝边缘， 是图像处理中最困难， 也是最关键的技术。 通过24 邻域从上下2 个方向向中间逐行扫描的方式去除伪边缘点。 由于焊缝边缘是连续变化的， 假设存在图像处理误差在2 个象素之内，如果某一特征点24 邻域内不存在相邻特征点， 认为该点为伪边缘点或孤立点。   1. 2. 3 图像处理算法精度验证   为了验证图像处理算法的精度， 采用了激光测距传感器对焊缝的实际位置进行了精确定位。   在工装一侧竖立一块表面光滑且与焊缝平行的金属板， 然后对机器人示教一条准确的沿焊缝路径，并在变形不大的厚板上进行试验。 起弧后， 激光测距传感器开始工作， 得到实时焊缝位置， 并与经过图像处理所得到焊缝位置进行对比， 结果如图3 所示， 中部的水平直线为示教焊缝路线， 折线为经过图像处理算法纠偏的焊枪实际路径。          对比显示， 本文中图像处理算法所得到的焊缝位置与实际焊缝位置的误差在 0. 15 mm 以内。   综上所述， 根据试验分析和计算机数字图像处理本身固有的误差， 可以确定本文研究的焊接过程的图像处理方法的精度能够控制在 0. 15 mm 范围内， 完全满足实际焊接的需求。   1. 3 焊缝跟踪原理及实现   跟踪方法原理是， 固定视觉传感器在焊枪正前方， 通过直接观察焊枪与焊缝中心线的位置关系， 提取偏差信息， 输出纠偏控制电压。   由于铝合金具有较强的反光性， 在熔池前端区域有一个反光区， 检测的间隙与实际间隙大小差异很大， 甚至无法看清， 所以， 本次项目检测的焊缝中心距离熔池中心具有一定距离， 需通过曲线拟合的方法才能计算出当前焊接位置的焊枪与焊缝中心的偏差量， 如图4 所示。          1. 4 控制器设计   1. 4. 1 纠偏电压与纠偏量关系建模   由于首钢Mo toman 系列机器人纠偏卡是不开放的， 无法得知其运动细节， 建模可以使该过程简单化。 对纠偏系统进行建模后， 使用Mat lab 的Simulink 工具对控制器进行离线设计。 经过试验， 在机器人运动过程中，在单位时间内随机给出不同的纠偏电压， 并记录该纠偏电压下的偏差量。 选取连续的3 组共383 对数据作为样本空间。 使用Mat lab 对3 组数据进行建模， 得到了1 个线性回归模型， 其对3 组数据都有很高的适配度， 分别为82. 3% ， 97. 16% 和95. 99%.   1. 4. 2 模糊PID 控制器设计