在认知机器人反汇编自动化中学习和修订外文翻译资料

 2022-03-11 10:03

英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

机器人与计算机集成制造34（2015）79-94

目录列表可在ScienceDirect

机器人和计算机集成制造

期刊主页：www.elsevier.com/locate/rcim

在认知机器人反汇编自动化中学习和修订

Supachai Vongbunyong a,n，Sami Karaa，Maurice Pagnuccob

a r t i c l e i n f o

文章历史：

2013年7月13日收到修改后的2014年9月2日收到

2014年11月11日接受

2014年11月29日在线提供

关键词：

认知机器人拆卸自动化自动拆卸通过演示学习修订版

摘 要

拆解是高效报废（EOL）产品高效处理的关键步骤。 实现认知机器人原理来解决自动拆卸过程中的不确定性和变化问题。 在这篇文章中，提出了基于两种认知能力，即学习和修正的高级行为控制。 与认知机器人代理（CRA）学习与特定产品模型的反汇编过程有关的知识，并且将在再次看到相同模型时实施。 这些知识可以用作反汇编序列计划（DSP）和反汇编过程计划（DPP）。 代理人在整个过程中通过推理自主学习。 在未解决的情况下，给予人力帮助，并通过示范学习相应的知识。 通过应用优化运营计划的修订策略，可以更有效地执行该流程。 结果，该过程的时间和自主水平的表现得到改善。 验证是在案例研究产品液晶显示器（LCD）屏幕的各种型号上进行的。

＆2014 Elsevier Ltd.保留所有权利。

  1. 介绍

由于世界人口的增长，产品的需求和消费水平大幅提高。 这些产品的生命周期 - 特别是电子产品和电子产品 - 已经变得越来越短，并导致越来越多的EOL处置。 因此，为了减少环境影响并提高回收价值，EOL产品的处理变得更加重要。 拆卸是高效EOL处理的关键步骤之一，但大多被忽略，因为由于劳动力成本，特别是在发达国家，这一过程通常在经济上不可行。 机器人系统是解决这一经济问题的潜在选择之一，通过用低成本的全自动化取代人力。 但是，由于返回产品的变化和不确定性，系统的灵活性和稳健性是障碍[1]。 在这项研究中，一个灵活的自动化系统可以处理各种问题开发了没有提供事先提供的特定信息的产品系列中的产品模型。 该研究由两个阶段组成。 研究的第一阶段涉及早期提出的基本行为部分[2] 本文介绍了与高级行为部分相关的第二阶段。

    1. 自动拆卸的不确定性

Vongbunyong等人[2] 总结了产品和工艺水平必须解决的变化和不确定性。 一种EOL产品的特性的变化是：主要产品结构，部件的外观数量位置以及其他物理不确定性。 因此，这些变化会导致拆卸过程计划（DPP）中的不确定性，即拆卸顺序计划（DSP），拆卸操作计划和工艺参数。 与人工操作员进行的传统拆卸不同，由于与产品反应的能力有限，这些不确定性对于自动拆卸系统而言更成问题。 对产品和过程的有限认知会导致缺乏信息来做出正确的操作决策。

已经做出了许多尝试来解决自动拆卸系统中的这些不确定性。 为了解决计划和操作层面的不确定性，传感器系统集成到拆卸计划员中，拆卸计划员是生成DPP以控制系统操作顺序的智能代理[3–9]。 许多研究集中在计划层面的不确定性; 例如ElSayed等人。[9] 使用遗传算法（GA）根据当前组分和供应物料清单生成最佳操作序列。 托雷斯等人。[5] 为两个合作多感官机器人开发了一个任务计划器。 Bailey等人[10] 开发了一个错误恢复的刀具路径生成器。

一般来说，自动拆卸系统基于两个主要的输入源进行操作，包括（1）先验知识和（2）在过程期间检测到的知识，这些知识预计准确。 第一种类型的输入是关于产品规格的信息，例如产品结构，部件的几何形状和数量等等。它们需要在过程之前进行规定，但在工业实践中通常是不切实际的，因为大量的未知型号返回产品。 在拆卸过程中会感知另一种输入，通常是使用视觉系统。 但是，如果特征不能在视觉上检测到，例如准或虚拟遮挡，隐藏和未知组件，则检测结果不可靠[11]。 操作层面的不确定性发生在这种情况下。 许多技术，例如用于解除特定连接器的创新拆卸工具[12–15] 和（半）破坏性的方法[16,17]，旨在解决这些问题。 这些技术对于特定问题的不确定性可能是有效的，并且即使所感知的信息不准确，操作也应该是可实现的。 但是，在实际的拆卸过程中，无法保证实现拆卸的可能性，因为如果存在一个连接，则该过程将失败。 其中一个具有挑战性的问题是开发一个能自动实现这种故障的系统，尤其是在操作层面，并尝试解决它。 试验和错误的战略介绍在[2] 使这个系统对这些不确定性更加强大。 但是，如果所需操作与预定规则生成的操作太不同，则操作可能会失败。

1.2在反汇编领域学习

在制造过程中，机器学习（ML）用于改进过程的性能并有效处理不确定性。 然而，在反汇编领域已经进行了一些与学习相关的研究。 现有的研究有两种方法：（1）通过学习大量生成的数据点来优化参数，DSP和反汇编过程规划（DPP）;（2）重用先前从过去的经验中学到的知识。

对于第一种方法，Tang等人[18] 使用具有贝叶斯网络（BN）的Disassembly Petrinet（DPN）来解决DPP问题。 通过所执行的操作学习BN参数允许规划人员处理不确定性，即当前系统资源，人为因素和缺陷程度。 扩展DPN原理以提高拆卸计划的灵活性和效率，[19–22]。 另外，Yeh[23] 通过使用简化的群优化来研究学习对DSP的影响。 通过考虑拆卸方法的罚款，回收技术和材料类型，对计划的参数进行了修订。 结果是，在重复生成的数据样本的重要数量之后，DSP的效率（即，拆卸时间）得到了改善。

对于第二种方法，Zeid等人[24] 提出了一个在DPP上使用基于案例推理（CBR）的框架。 通过根据约束，状态和目标应用规则来生成成功和高效的拆卸计划。 反汇编计划最初根据基于规则的推理生成，然后作为案例学习。 从过去的经验中学到的案例将用于能够适应未来新产品的CBR。 CBR的原则延伸到更多的产品平台[25].

现有的研究通常侧重于战略规划层面的学习，包括DSP和EOL处理。 少有关注已经支付到运营层面，例如拆卸操作被定为战略计划的一个因素[23]。 正如在讨论中第1.1节由于无法解决的不确定性会导致拆卸过程失败，因此拆卸主要部件的操作至关重要。 如果由于操作层面的失败而无法执行过程，那么最优的拆卸计划将毫无用处。 然而，没有研究详细探讨操作层面的学习策

略。 此外，这些学习策略还没有在自动拆卸系统上实施。 在本文中，提出了计划的学习和修订策略以及使用认知机器人的操作。

    1. 人类参与拆卸和认知机器人

人机合作在拆卸过程中以各种形式发生。 Kim等人[26,27] 提出了一种混合拆卸系统，在自动操作失败的情况下人工操作员可以手动拆卸。 由于不可靠的投入导致的不确定性在第1.1节 可以解决。 尽管由于效率和时间消耗，这种方法在经济上可行，但是如果产品含有有害成分，例如有毒或高电压，人类直接暴露的限制就会发生。

认知机器人原理允许经典人工智能（AI）在复杂环境中执行任务以及与人类的交互中更有效[28]。 根据认知机器人结构闭合感知行动循环[29]，系统的行为是由认知功能控制的。 因此，系统能够推理外部动态世界，作出反应，适应并学习。 人类也以协作的方式与系统交互，例如，在认知工厂中实施[30]。 本研究提出利用认知机器人的学习能力来解决上述问题。 系统有望从用户演示中远程学习[31] 并在之后变得自主。

认知拆卸自动化概述

    1. 研究概述

在这项研究中，认知机器人被用来模拟人类操作员的行为，能够处理计划和操作层面的不确定性。 在第一阶段，基本行为由两个认知功能驱动，（1）推理和

（2）执行监视，这些监视能够解决一定程度的不确定性[2]。 基本的行为控制通过使用反复试验策略来解决变化和不确定性，主要关注自主反汇编。 一个主要贡献是能够处理各种型号的产品而没有提供特定信息的系统。

在本文中，该系统通过实施由两个功能驱动的高级行为控制已扩展到第二阶段：

  1. 学习和（2）修订。 显着的改进是改善关于时间和自主程度的过程绩效的策略。 在人类的帮助下，该系统可以解决基本行为无法解决的不确定因素。 该修订重点关注视觉系统和拆卸操作单元直接涉及的操作层面的过程改进和优化。 最终，系统能够处理各种型号的产品，并在经过一定数量的修订后自动生成DSP和DPP。

本文组织如下。 有关我们关注基本行为的反汇编自动化的概述，请参阅第2节。 关于学习和修订，关于反汇编领域的知识模型将在下面解释第3节。 有关学习和修订的方法，请参阅第4-5节。 最后给出了实验结果和结论第6节.

认知拆卸自动化概述

    1. 系统架构

在这项研究中，基于视觉的机器人拆卸系统由认知机器人代理（CRA）控制。 CRA是使用动作编程语言IndiGolog的原则制定的[32] 其中反汇编领域和行为通过行动，前提和先决条件来表达。 在线执行和传感功能对于自动拆卸非常重要，因为组件规格将在此过程中显示出来。 CRA分别通过视觉系统模块（VSM）和反汇编操作模块（DOM）与物理世界交互，分别处理传感动作和原始动作。 该系统的概述介绍在[2,33,34] 以及反汇编过程的一些物理行为如图所示图。1.

这篇文章提出了系统的重要扩展[2]包括（1）学习模块，（2）修订模块，

（3）知识库（KB）和（4）人类援助（参见图2）。 学习过程获取从过程中提取的知识，并存储在认知机器人模块（CRM）内与CRA隔离的知识库（KB）中。 如果出现这种情况，用户通过证明外部行为来协助CRA

不能自主解决。 当已知模型的更多样本反复拆卸时，修订用于将现有的KB更改为更高效。

    1. 反汇编过程和行为

CRA通过安排产生的动作序列来控制反汇编过程，考虑：

（1）认知功能，

图2图1.拆卸装置的实际操作：

  1. VSM使用架空相机执行检测过程;

（b）DOM为卸载分离部件执行打盹动作;

（c）和（d）DOM执行切割操作.系统架构在人工协助下扩展。

（2）KB中的现有知识，以及（3）来自外部动态世界的知识。 推理和执行监控用于修剪搜索空间，特别是首次拆卸特定模型（未知模型）。 CRA通过尝试各种操作计划来分解检测到的主要组件。 由于过程参数的精确值最初是未知的，因此机器人将逐渐深入到组件中，直到达到临界深度，导致组件可拆卸。 这个过程重复直到达到目标状态，在这个目标状态下找到组件。 关联的知识库由学习过程构建，稍后将在该模型被识别时使用（已知模型）。 如果现有KB仍然无法执行该过程，则CRA将重新咨询用户以收集更多信息以修改现有KB。 系统按照图中所示的图表运行图3.

CRA修剪产品和流程中的变体在反汇编域中表示的搜索空间。 反汇编领域包括（1）主要组件，（2）操作计划和（3）过程参数。 目前系统中的反汇编领域总结如下。

      1. 主要成分

这个级别表示与拆卸顺序计划（DSP）有关的产品结构的变化。 关于选择性拆卸方法，LCD模块被视为模块级别，所选的主要组件在VSM中进行了描述。 在这种情况下，如果组件具有合理的返回值（即PCB和LCD模块）和/或提供其他组件（即后盖，PCB盖和载体）的可访问性，则选择要拆卸的组件图4）。 拆分状态由主要组件的检测结果组合确定，其中ci表示存在分量-i（ci= 1找到并且：ci 全文共20660字，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[16586]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章