论文阅读：Knowledge-Driven Industrial Robotics for Flexible Production

Knowledge-Driven Industrial Robotics for Flexible Production

知识驱动的工业机器人实现灵活生产

下载地址：https://ieeexplore-ieee-org-s.vpn.buaa.edu.cn:8118/stamp/stamp.jsp?tp=&arnumber=8118560

 

0. 摘要

本文集中在基于本体作为知识源的创新型机器人系统的开发上，该知识源用于解决最新解决方案的缺点。 以本体形式对产品进行描述有助于对将产品模型，制造过程和生产基础设施联系在一起的所用概念进行自主推理。 通过应用本体驱动的概念，我们不仅会增强每个组件的控制架构的灵活性，而且会在所需的时间和专业知识方面降低新产品的配置成本。 该方法有望在两个不同的工业用例中进行演示。

关键词—本体论，工业机器人，语义，基于知识的推理，自动化，组装

1. 介绍

制造业在短时间内以低廉的价格面临定制化生产[13]。基于机器人的生产是工业领域的重要组成部分，已在《欧盟战略研究议程》中确定，该机器人适用于中小批量生产以及复杂的制造过程[10]。但是，现有的工业机器人解决方案很难编程，并且配置机器人系统所需的工作（例如在引入新产品或经过改造的产品时）非常费力，因此限制了总体灵活性[29]。静态定位的工业机器人的使用，而不是用于重复操作而没有变化或变化很小的方法，实际上已经使用了几十年了[32,34]。此外，他们的教学或编程通常要求将机器人脱机，从而降低生产率。这种频繁的停机时间和缺乏适应性是无法接受的，尤其是对于生产线配置频繁变化的小批量生产[6]。

为了在全球市场上具有竞争力，制造业需要包括自动化技术在内的生产系统，这些系统可以在需要时轻松地进行重新配置或调整。 如果需要，协作机器人和生产机器的动态团队应该能够一起处理复杂的任务[2]。 这涉及考虑产能和时间限制的生产计划的动态优化。 在这样的系统中，知识需要扎根并在语义上得到很好的定义，以便可以加以利用，共享和更新。 只有通过构建具有适当知识和推理能力的系统，才有可能充分简化生产系统或机器人配置，以适应适应性的要求，同时仍能获得准确而有效的任务执行[36，38]。

可以预期，增加机器人的知识和智能以及正确的应用将导致机器人系统更加敏捷和灵活[6，9]。 语义工具和知识在工业机器人技术中的使用尚处于初期阶段，但有一些成功的例子[5]。 欧洲项目ROSETTA [31]和SIARAS [37]提出了分布式知识存储，其中包含机器人知识和技能的表示。 因此，简化了用户与机器人自动化系统之间的交互[3]。 另外，在SMERobotics项目中解决了用于教学以及简单的系统配置和设置的方法[33]。 IEEE RAS机器人技术和自动化本体工作组还开始了创建知识库的活动，该知识库将促进更智能的机器人系统[17]。另一方面，在工业机器人的过程描述以及自主计划，评估和执行装配顺序方面进行了大量研究[30，39]。 这还与设备，终端执行器及其技能的建模相结合[29，35]。 此外，针对试剂盒构建应用的特定领域，提出了一种新的知识驱动的设计方法和详细模型[4]。 Carbonera等人开发了职位的本体[9]，Huckaby和Christensen提出了制造和工业机器人领域中的装配任务分类法[14]。 可以看出，在工业机器人领域中语义和本体的开发似乎是非常有前途的。然而，仍然缺少能够涵盖工业机器人技术中各种产品类型和相关制造活动的综合方法，包括操作，设备，操纵，计划，调度等。 过程计划，调度和控制的集成是一个具有挑战性的研究主题，必须在复杂性描述和形式化建模上给予更多的关注。 概括研究项目的结果，通常针对特定用例开发新颖的本体，而不重用已开发的本体[22]。

在本文中，我们提出了一种旨在满足上述要求的基于知识的系统。 我们建议合并基于知识的推理，该知识可利用基于本体的产品模型提供的信息，并将产品与各个制造业务和所需的制造基础架构联系起来。 该解决方案可以自动配置以及生成流程计划和计划表，以启用诸如自动任务选择之类的功能，从而在进行更改时大大减少了工作量。

此篇文章的结构如下。 第二部分讨论了系统架构。 在第三部分中，我们详细介绍了已开发的本体。 第四部分描述了预期的用例，第五部分讨论了我们方法的预期收益。 最后，论文在第六部分结束。

2. 系统架构

设计的体系结构考虑了制造过程的垂直方面（计划和调度）以及水平方面（系统内的互操作性）。 为了管理制造系统日益增加的复杂性，采用了知识表示概念。 图1所示的体系结构是基于我们先前的工作，在该工作中，我们将单个制造组件的控制分为两个级别：高级控制（HLC）和低级控制（LLC）[24]。 HLC负责监督相关的制造组件并控制其总体生产任务。 它的任务包括计算大量数据，因此不会在实时约束下执行。另一方面，LLC建立在机器人控制器和传感器硬件之上，并通过使用一组反应行为直接控制机器人。 它充当传感器和执行器之间的链接，直接控制它们的动作并通知HLC有关其状态的信息。 LLC将位置和速度参数发送给机器人，同时使用传感器的测量值来控制运动。 在此控制层，实时功能对发生的事件做出反应并执行与闭环控制算法有关的活动至关重要。 LLC层是使用工业标准IEC 61131开发的，本地机器人控制器是使用工业机器人的本地控制语言（在我们的情况下为Kuka机器人语言）编程的。在本文介绍的方法中，基于本体的产品模型用于建立装配零件之间的关系，以及连接装配过程和所需的装配设备，从而实现数据集成和自动推理。 每个组装任务都包含一系列步骤，其中每个步骤都表示为一组原始动作和动作，这些动作和动作在机器人控制器上编码并从LLC执行。 该解决方案可以自动化配置以及生成流程计划或时间表，并启用诸如自动任务选择之类的功能，从而在进行更改的情况下大大减少了工作量。

3. 本体

知识表示的使用可以使低水平的决策自动化，并为更复杂的任务提供决策支持[16]。 在这种情况下，本体提供了一个共享的词汇表，可用于建模领域，定义相关的对象和概念并指定相关的属性和它们之间的关系[22]。 本体能够将信息从一种资源准确地映射到另一种信息，从而提供数据共享和集成。 已经开发了各种本体来捕获制造领域中的特定主题。 例如，“机械车间信息模型”旨在表示和交换机械车间数据[27]。相反，像MASON [23]和ADACOR [8]这样的本体可以被归类为通用制造本体。在装配领域，Kim等人提出了一种由本体论支持的协作装配设计框架[19]。可以将利用共享本体的本体和知识库应用于（重新）配置生产系统，而不是（重新）编程，以使生产适应新的条件。 Alsafi和Vyatkin开发了可重构机电系统的本体[1]。 Feldmann等人使用本体来选择制造系统的适当功能，以实现特定的生产过程[11]。本文的作者已经实现了基于本体的多代理系统，该系统使用本体在组装过程中监督运输任务时在软件代理之间提供语义理解[25]。 Lastra和Delamer [20]以及Legat等[21]对自动化领域的本体进行了全面的总结。

A. 组装本体

我们在系统中使用的本体来自多个来源。 作为基础，我们使用Rosetta本体，该本体主要关注机器人设备和技能。 考虑到我们专注于程序集领域，在此本体之上，我们创建了一个程序集本体，它起源于基于本体的程序集模型，该模型已在[19]中进行了介绍。 这种组装本体在[28]中得到了进一步发展，在[26]中得到了扩展。 图2中显示的结果本体基于制造组件，操作和产品零件的分类法的定义，这有助于形式化和理解制造问题。 它代表了机器人环境的精确模型，其中包括工具，还包括其他机器，设备，接口和服务。

对制造过程进行建模，并将其分解为系统中的单个操作，任务和角色。所制造的零件在本体中起着核心作用。零件定义为元素，由一组属性（大小，形状，颜色等），属性，约束以及与其他零件的关系指定。而且，表示零件的不同特征之间的关系，例如空间关系的类型（针对，对齐等）。子组件是零件的非空子集，该子集要么只有一个组件，要么每个子集与子集中的另一零件至少有一个表面接触[40]。产品以子装配体和零件的层次结构（包括所有关系）的形式呈现。子装配体中零件之间的关系指定了必须执行的生产操作，以装配这些零件并确定应如何将这些元素组合在一起以完成产品。一项操作定义为一组离散的操作，这些操作导致零件内部或零件上的状态发生某种变化。

使用组装步骤描述的产品组装概念可确保将产品订单准确分解为相关任务，并进一步关联原始运动或动作的行以及它们的正确索引。 集成的排程关系needsPredecessor和isFollowedBy特别支持此功能，该关系使HLC能够推理出排定的调度步骤，这称为调度操作。 稍后通过订购产品的类型，数量（定义开始组装过程所需的零件数量）和定义订单优先级的截止日期来建立与产品订单的连接。 Protégé1用于开发本体，并使用Web本体语言（OWL）表示其内容。

B. 推理

这项工作的重要部分是提取组装所需的不同步骤。 我们方法中的关键要素是基于规则的系统，该系统应用以一组规则表示的声明性知识。 在这种情况下，“推论”提出了一个过程，该过程表明了从现有知识中得出新结论的过程。 推论的最常见基础是由应用于知识库的if-then语句构建的规则。 推理引擎识别并匹配工作存储器中提供的事实可以满足知识库中的哪些规则。 为了实现这一点，我们的本体使用规则引擎Jess2进行了规则补充。 这些规则允许推断给定装配树的步骤安排。 图3中显示了一个规则示例。

4. 用例

该方法是有动机的，并且打算在两个不同的工业试验测试案例中进行演示，这些案例集中于第一种情况下的组装和第二种情况下的生产。

A. 用例组装

该用例涵盖了价格敏感产品系列的不同类型电子设备的安装。 这包括在PCB上组装不同的THT器件（参见图1）。 提出的自动化机器人系统的核心组件是工业机器人的监督和协调。 一旦工件（例如，电路板面板）进入系统并被识别（识别和识别过程不是该方法的一部分），HLC就会使用本体产品模型提取相应的生产/组装操作并链接特定任务 ，必须对产品进行处理（例如处理，组装，固定）。 每个任务由一系列动作组成，这些动作可以使用不同的工具或一个或多个资源来执行。 这些工具和相关技能以及资源在本体中表示。

根据这些特定的操作，机器人可以推断出所需的工具（例如用于处理的夹具）。 产品的基于本体的概念可确保将产品制造准确分解为关联的任务及其正确的计划。 集成计划关系特别支持此功能，该关系使HLC能够推理何时和以何种顺序开始特定任务。 此外，该模型可以提供有关工件的主要物理特性以及这些工件的不同特征之间的关系的信息，例如空间关系的类型，位置或方向，这对于自动路径规划和调度至关重要。

B. 生产用例

第二个用例位于碳刷的生产中。 存在专门的机器生产线，以生产大批量的独特碳刷。 在那些情况下，投资回报率很可观，目前不需要灵活的解决方案。 但是，小批量生产的碳刷目前是使用老式的独立机器手动完成的。 如果可以使用灵活的机器人系统解决方案，并且能够处理各种类型的碳刷（请参见图4），而这些碳刷需要小批量生产（最小批量为1），则可以使这些过程效率更高。 这种机器人系统的特征主要包括成形处理（即开槽，斜切或钻孔）以及导线的插入。 根据不同的产品模型，这些步骤可以由具有适当设置中可用的必要工具和材料的机器人系统自动执行。

5. 预期利益

机器人在重复性和单调的操作或需要极大精度的工作中正越来越多地取代人类工人，这是人类无法实现的。 到2025年，机器人可能会完成45％的制造任务（今天是10％）。 在许多行业中，采用机器人和AI可以将生产率提高30％，同时将制造劳动力成本降低18-33％[7]。 技术/生产流程的自动化和机器人化会极大地影响企业业务活动的各个方面。
根据国际机器人联合会的数据，汽车行业是目前最大的工业机器人涂药器。 但是，存在将机器人系统也应用于小批量生产和复杂制造过程的趋势。尤其是随着物联网和服务以及诸如德国工业4.0之类的战略举措的出现[18]，带有智能机械和高度定制化生产的智能工厂的想法正在兴起[2]。为了顺应这些趋势，需要针对工业自动化和控制应用的高级方法和方法，这是本工作的目标。至关重要的是，将来工厂中的自动化生产线可以轻松适应生产变化。在欧盟委员会关于欧洲机器人产业前景的研究中[12]，分析了机器人价值链。该研究表明，在工业中实施和部署机器人解决方案的成本细分中，实际的机器人仅占全部成本的25％，而其他75％来自集成成本。实际上，最高的单笔成本（40％）是机器人的编程。考虑到必须使用这些机器人来解决各种不同的问题，可以避免重复使用机器人本身的某些成本，但是对于每个新问题，都必须一次又一次地支付75％的实施成本[15]。

显然有必要对基于机器人的自动化技术进行改进，以使制造公司能够在世界市场上保持竞争力。 这将使生产保持在高工资国家，同时保持制造公司的全球竞争力。 这就需要机器人可以快速轻松地进行调整，甚至可以改用于解决工厂中的新任务，而无需停止整个自动化生产线，因此专业的机器人集成商可以对机器人进行重新编程。 尤其是，这样的机器人技术系统将使许多利益相关者（例如机器人生产商，系统集成商，传感器提供商，软件开发人员）合作并为基于知识的解决方案的丰富市场做出贡献。

6. 总结

将机器人系统应用于小批量生产以及复杂制造过程的趋势已经出现。 然而，典型的工业机器人系统的灵活性不足以应对新生产过程的快速变化的需求及其日益增长的复杂性。 可以预期，增加机器人的知识和智能以及正确的应用将导致更加敏捷和灵活的机器人系统。

在本文中，我们专注于基于本体的产品模型的使用，以链接使用过的概念，这些概念将产品模型，制造过程和生产基础结构链接在一起，从而实现自动推理以及准确高效的机器人操作。 这些特征使自动化机器人系统能够在自主执行推理（例如选择特定工具）以执行特定活动时制造不同类型的产品。 该解决方案可以自动配置以及生成流程计划和计划表，以启用诸如自动任务选择之类的功能，从而在进行更改时大大减少了工作量。

如本文所述，已经为我们的方法开发了部分解决方案，未来的工作将集中于在所提供的用例中应用的进一步实现，以及评估我们方法有效性的实验。