WETHINK智能柔性制造
一、柔性制造枝术发展现状
一、如何理解柔性制造
根据国标定义，柔性制造系统是数控加工设备、物料运储装置和计算机控制系统等组成的自动化制造系统。它包括多个柔性制造单元，能根据制造任务或生产环境的变化。
刚性生产系统是用于工件输送系统将各种刚性自动化加工设备和辅助设备按一定的顺序链接起来，在控制系统的作用下完成单个零件加工的复杂大系统。适合进行大批量生产，效率高、成本低、质量稳定、程序固化。
柔性制造系统则是建立在成组技术的基础上，由计算机控制的自动化生产系统，可同时加工形状相近的一组或一类产品。适合多品种、小批量的高效制造模式，减少毛坯和在制品的库存量，减少直接劳动力。
二、柔性制造两个核心要素
“机器视觉”和“定位精度”是影响智能制造中柔性生产的两大方面。
机器视觉赋予柔性生产感知的能力
实践中可以发现，机器视觉是在产品的自动化产线中实现“感知”的重要一环，机器视觉就是用机器代替人眼来做识别、测量、检测和语义理解。随着人工智能技术的发展，机器视觉在工厂的应用增多，解决许多传统机器视觉无法处理的问题。
图像识别主要包含特征提取和分类识别。传统提取的特征都是图像底层的视觉特征,并且需要具备一定专业知识人员进行特征的设计与选择，这种人工设计的特征需要经过大量的验证后才能证明其对某一种识别任务的有效性，这也在一定程度上限制了图像识别技术的应用。
针对传统图像处理算法遇到的局限，譬如以前在做一个二维码时，首先要知道二维码的特征，然后做图像预处理，找到二维码的问题，再解算二维码的数据，这种方式存在很多缺陷。
基于二维码特征的定位流程，背景杂乱、光照不均、透视形变、印刷质量差的二维码则难以识别。因为背景杂乱无规律，无法有效区分检测目标特征，此外在特定场景下目标特征发生明显变化。
因此，需要提高特征提取能力和泛化能力。深度学习应用于机器视觉时，采用深度学习卷积神经网络进行二维码识别，深度神经网络模拟人的视觉过程，前段层仅仅感知边缘轮廓，后端不同的层不同神经元局部“兴奋”生成局部特征，再到生成全景图像。这种自动提取图像特征的机制和类似人脑的处理过程大大改进了效果，后均能对二维码进行正确识别，从而大大提高了机器视觉识别成功率和提高了效率。
WETHINK认知机器人的优势与柔性
微链科技认知技术生产的WETHINK认知机器人是一款具有慧眼、会思考、更安全、更灵敏、更智能、会学习的机器人，搭载的3D机器视觉识别技术，可以让机器人看到感知工作环境的变化，并做出正确的判断去工作，可以胜任更精细化的工作,搭载的6维力矩传感机构安全力可以达到0.1牛，引导速度为0.1秒，识别定位精度为0.01mm,能够集成物联网系统，通过数据采集查看机器人实时状态，大数据分析提高生产效率，目前世界上感应力的机器人。
WETHINKROBOT机器人搭载的大数据采集分析系统，可通过工业物联网实时监测机器人状态
数据采集：可准确的采集机器人工作中的各项参数的实时数据
大数据分析：可对机器人工作的实时参数通过大数据算法比对找出机器人工作状态的偏差，以便更好地使用维护机器人
物联网传输：机器人分析数据可接入工业物联网系统，便于机器人的管理监控
WETHINKROBOT机器人是真正的工业化4.0时代的产品，机器人实现了工业物联网基础下的智能化、信息数据化、工作高效化，而搭载的3D视觉识别技术和大数据采集分析系统，更是其他协作机器人所不具备的。所以WETHINKROBOT机器人是认知机器人的。
定位精度大幅提升产线柔性的指标
可以说，机器人的定位精度是其能大幅提升产线柔性的指标。人在操作时，一般是通过眼睛看到一个东西，通过大脑感知并去控制，然后用手执行动作。所以，在提高生产线柔性时也遵循这样的思路，即加上眼睛、执行机构，两者的精度结合来达到更好的精度。
而定位精度决定了机器人能不能达到柔性生产所需达到的要求。由于每台机器人的参数不一样，即使是同一型号的工业机器人在加工出来后的精度也会不一样，而在机械臂上可能存在零点零几毫米的偏差，累计下来整台机器人的误差就比较大了，所以要精确知道机械臂上每一个机械零部件的精确尺寸。如何提高机器人的定位精度？
1，控制算法中可以加入重力补偿和DH参数补偿。
从测试立方体内选取若干个标定点，通过激光跟踪仪获取这若干个点的位置，用以上数据计算标定后的6组 (α,a,d,θ)，24个DH参数，标定后的DH参数不再满足pieper法则（ 4，5，6轴轴线交于一点），使用的逆解算法进行逆解运算，在DH参数标定以及插补流程中对重力进行补偿，进一步提高全空间内的定位精度。
2，强化学习算法中自己领悟出完成任务的诀窍
事实上机器人控制器算法国外厂商一直不对外开放，优化控制器算法几乎不可能。同时国内生产的伺服电机和变速器精度不够，短时间内大幅度提升精度不现实。但是，人工智能大家都在同一起跑线上，所以“产业智能官”大胆地提出一种想法：强化学习方案。即，使用的强化学习算法，让机器在虚拟环境中自我学习，在训练过程中增加大量随机事件，让AI在这个过程中自己领悟出完成任务的诀窍，从而避免或改善由于机器精度不够带来的柔性化生产过程中的性能问题。
