أتمتة عمليات الخراطة باستخدام التعرف على الميزات والمعالجة الصورية

الباحث

وئام أحمد عبيد

المشرف

مهند محمد حسين الخفاجي

الجامعة

الجامعة التكنولوجية

الكلية / القسم

قسم هندسة الانتاج والمعادن / هندسة الانتاج والمعادن

الشهادة

ماجستير

السنة

2023

لغة الرسالة

انكليزي

الكلمات المفتاحية

Feature recognition;Image processing;CNC turning;Automation

تهدف استخدام الأتمتة في أنظمة وتقنيات التحكم إلى زيادة الإنتاجية من خلال أداء المهام المختلفة بسرعة ودقة أعلى مقارنة بالقدرات البشرية وتقليل اليد العاملة في عمليات التصنيع. وتدخل هذه الأنظمة في العديد من الصناعات؛ مثل عمليات التصنيع وفي الرعاية الصحية والنقل. ويمكن استخدام ذلك للتحكم في المعدات ومراقبة العمليات وجمع البيانات، الخ. تهدف هذه الدراسة، استخدم نظام الأتمتة في اختيار عدة cabal وتكوين مسار العدة، وتصفير الماكنة بالاعتماد على التعرف على الميزات، طرح الميزات، والذكاء الاصطناعي مع التعلم العميق، وتقنيات معالجة الصور. لقد تم اقتراح خوارزمية التعرف التلقائي على الميزات (AFR) للتعرف على ميزات الأجزاء الاسطوانية. يستخدام ملف STEP AP203 كمدخل لنقل بيانات التصميم الى مرحلة التصنيع. يتم تحليل بيانات ال STEP لاستخراج البيانات الهندسية والتوبولوجية للجزء من ملف STEP ونقلها إلى الخطوة التالية. بعد call يقوم النظام بتعديل البيانات المستخرجة لتعزيز عملية التعرف على الميزات. و بعدها يتم التعرف على جميع الميزات الهندسية للجزء. تم تنفيذ خوارزمية استخراج البيانات الهندسية والتوبولوجية من ملف STEP باستخدام لغة البرمجة 0# تُظهر خوارزمية التعرف المقترحة القدرة على تحديد والتعرف على 14 ميزة. بعد الانتهاء من عملية التعرف تظهر مشكلة تقاطع الميزات في معظم عمليات قطع المواد إن لم يكن كلها. يتم تطبيق طريقة طرح الميزات لحل مشكلة تقاطع المعالم المحددة claus والتي تظهر أثناء عملية القطع التقريبية وتولد ميزات وسيطة. تمثل الميزات الوسيطة مزيجًا من اثنين أو أكثر من ميزات التفاعل التي يجب إزالتها من قطعة العمل بالتسلسل الأمثل. يتم تحديد ذلك عن طريق مسح أقسام الأجزاء في خوارزميات طرح الميزات. تعتمد نتائج التعرف على الميزات المؤتمتة و طرح الميزات على البيانات الهندسية والتوبولوجية للميزات المحددة. ويتم تحليلها لإنشاء مخرجات CAPP لتخطيط العمليات بمساعدة الكمبيوتر تلقائيّاء مثل تسلسل التشغيل واختيار العدة و تكوين مسار العدة (G- code) هذه الإستراتيجية تعمل على تقليل الوقت وتكاليف الإنتاج مع تقليل الحاجة إلى تدخل الانسان. Alls فهو يوفر مساهمة أساسية في جهود المنظمة في مجال الاستدامة. بمجرد إنشاءالجزء البرمجي لمسار العدة بنجاح، يمكن نقله إلى ماكنة Sail العددي CNC لإنتاج الجزء المطلوب. في الوقت الحالي، من الضروري إجراء عملية التصفير التي تكون بشكل يدوي عن طريق مشغل الماكنة. تستغرق هذه الطريقة Uy طويلاً وتتطلب مشغلا ذو خبرة لأداء المهمة. ولذلك، تم استخدام الذكاء الاصطناعي المدعوم بالتعلم العميق ومعالجة الصور لإعداد نظام مؤتمت لحساب المسافة بين عدة القطع وقطعة العمل. يتم استخدام خوارزمية (YOLO V4) للتعرف على العدة وقطعة العمل ely على تقنيات التعلم العميق. تم إنشاء هذه الخوارزمية بلغة MATLAB4A spall . يتم تدريب خوارزمية YOLO V4 باستخدام 1700 صورة تم التقاطها للعدة وقطعة العمل في بيئة الماكنة. تم التقاط الصورة عبر نظام الالتقاط المقترح، والذي يتكون من كاميراء مكونات ميكانيكية، محرك ، ووحدة التحكم. يقوم نظام الالتقاط بتغذية خوارزمية YOLO بالصور لتعزيز قدرة الخوارزمية على التعرف على الكائنات بدقة. يوفر التعرف على الأداة وقطعة العمل إحداثيات المربعات المحيطة بها النسبية. يتم استخدام معالجة الصور لمعالجة إخراج YOLO للعثور على المسافة الدقيقة بين الأداة وقطعة العمل. بعد العثور على المسافة الدقيقة بين العدة وقطعة العمل؛ تم اقتراح تصحيح تلقائي لمسار العدة (G-code) لإجراء التغييرات المطلوبة على برنامج مسار العدة (G-code) لإعداد التشغيل المؤتمت. يوفر الجمع بين تقنيات التعرف على الميزات وطرح الميزات و1774 YOLO ومعالجة الصور أتمتة مثالية من مرحلة التصميم إلى مرحلة التصنيع. وهذا يمكن أن ينتج أجزاء بكفاءة أكبر من الطرق التقليدية مع تقليل نسبة الخطأ بمقدار 070/.

‘Automation’ refers to utilizing control systems and techniques that aim to increase productivity by performing various tasks with higher speed and precision compared to human capabilities and minimizing the innervation of workers in manufacturing. These systems are utilized in many industries, such as manufacturing, healthcare, and transportation. That can be used to control equipment, monitor processes, and collect data, among other things. In this study, the automation system employs tool selection, tool path, and machining setup depending on feature recognition, feature subtraction, artificial intelligence based deep learning, and image processing techniques. The Automatic Feature Recognition (AFR) algorithm is proposed to recognize the features of rotational parts. Using a Standard for the Exchange of Product Data (STEP AP203) file as an input is preferred to transfer design data to downstream activities efficiently. A parser has been created to extract a part's geometric and topological data from the STEP file and transfer it to the following step. Next, the system modifies the extracted data to enhance the feature recognition process. This process has been recognizing all features of a part. The extraction algorithm of geometrical and topological data from the STEP file has been implemented using C# programming language. The proposed recognition algorithm shows the ability to identify and recognize 14 features. After completing the recognition process, the issue of feature intersection appears in most, if not all, material cutting processes. A feature subtraction method is applied to solve the intersection issue of the predefined features, which appears during the rough cutting cycle and generates intermediate features. The intermediate features represent a combination of two or more interaction features that must be removed from the workpiece in an optimal sequence. That is determined by scanning the part sections in the algorithms of feature subtraction. The results of the AFR and feature subtraction systems depend on the geometric and topological data of defined features. These are analyzed to automatically generate Computer Aided Process Planning )CAPP( outputs, such as the operation sequence, tool selection, and G- code. The implementation of this strategy serves to decrease both the time and production costs while also minimizing the need for human involvement. Therefore, it provides an essential contribution to an organization's efforts in sustainability. As soon as the G-code has been successfully generated, it can be transferred to the machine to produce the desired part. In the present state, it is necessary to machining setup operations that currently rely on a manual approach. This method is time-consuming and requires an experienced operator to perform the task. Therefore, Artificial intelligence supported by Deep Learning and image processing was utilized to automatically setup the machine by computing the distance between the tool and the workpiece. The You Only Look Once (YOLO V4) algorithm is utilized for tool and workpiece recognition based on deep learning techniques. This algorithm was created in the MATLAB programming language. The YOLO V4 algorithm is trained using 1700 images captured for the tool and workpiece in the machine configuration environment. The image was captured via the proposed capturing system, which consists of a camera, mechanical components, a stepper motor, and a microcontroller. The capturing system feeds the YOLO V4 algorithm with images to enhance the algorithm's capability to recognize objects accurately. The recognition of the tool and workpiece provides the coordinates of their relative bounding boxes. The image processing is utilized to process the YOLO V4 output to find the exact distance between the tool and the workpiece. After finding the exact distance between the tool and the workpiece, an automated G-code correction has been suggested to perform the required changes on the G-code for automatic machine setup. Combining the techniques of feature recognition, feature subtraction, YOLO V4, and image processing offers optimal automation from the design phase to the manufacturing phase. This can produce parts with greater efficiency than manual methods, with a reduction error presentage of approximately 70%.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب