【摘 要】
：
目前焊接企业主要是通过人工来完成焊接信息的采集、监控并对焊接质量进行评估,成本高、效率低的同时,无法满足现代化焊接技术的需求。随着被称为信息物理系统融合的德国“工业4.0”的提出,我国提出了“中国制造2025”发展战略,工业生产将进入信息化、数字化、智能化的阶段,将智能生产和制造的实现视为现阶段发展的重点,随着各类智能传感器、无线通信技术在工业领域的广泛应用,以及深度学习理论在图像检测方向的发展趋
论文部分内容阅读
目前焊接企业主要是通过人工来完成焊接信息的采集、监控并对焊接质量进行评估,成本高、效率低的同时,无法满足现代化焊接技术的需求。随着被称为信息物理系统融合的德国“工业4.0”的提出,我国提出了“中国制造2025”发展战略,工业生产将进入信息化、数字化、智能化的阶段,将智能生产和制造的实现视为现阶段发展的重点,随着各类智能传感器、无线通信技术在工业领域的广泛应用,以及深度学习理论在图像检测方向的发展趋势,在原有基础上增加“远程信息监控与质量评估系统”,实现焊接过程数据的采集、远程监控和焊接质量评估,有潜力增强焊接制造行业的经济竞争力。本文针对焊接生产企业顺应数字化发展工业大趋势和数字化车间的需求,设计焊接信息远程监控与质量评估系统。利用嵌入式开发技术,从芯片选型、芯片特性等方面介绍了以STM32F103VET6为核心的主控单元,通过对中断控制模块、温度采集模块、位置信息采集模块、电压采集模块的硬件连接和软件设计,实现焊接生产过程中涉及到包括实时温度、经纬度、海拔、电压在内的重要焊接信息的实时采集。上位机通过串口与STM32通信,采用VS2010中的MFC平台进行人机界面系统总体设计,按键调用摄像头对焊接图像的实时捕捉并上传到云存储平台。以TCP透传协议为接入方式,4G无线通信网络作为数据传输渠道,将STM32各传感器模块采集到的焊接信息上传到中国移动公司物联网云平台OneNET,在云平台设计UI监控界面,进行焊接信息的实时监控。采用Restful API为交互方式从OneNET云平台获取资源,开发后台信息管理系统,进行Web应用程序开发,设计MySQL后台数据库结构,实现焊接信息的存储,以及对历史数据的查询和展示。根据焊缝存在的焊接缺陷制定焊接质量评估标准,选择Tensorflow框架构建卷积神经网络（CNN）对采集到的焊接图片进行焊接质量的评估。最后对各个模块以及整体系统进行硬件搭建和软件开发测试。本文的焊接信息远程监控与质量评估系统满足设计需求,能够降低人力成本,规范焊接生产管理,提高焊接企业的市场竞争力。
其他文献
随着工业物联网中信息量与应用计算复杂度的增加,其中资源受限的设备越来越依赖计算卸载技术。计算卸载技术可以将物联网中轻量级设备所产生的计算需求和数据转移到具有充足计算资源的节点上。一方面可以节约轻量级设备宝贵的计算、存储以及能量资源,另一方面还可以满足应用较高的时延需求。目前计算卸载可分为两种模式,源驱动和目标驱动的计算卸载模式。当前大多数传统计算卸载决策算法都以源驱动计算卸载模式为研究对象,而在新
光纤随机激光器作为随机激光器的重要分支,相关研究人员已经揭示了其具有大范围波长可调性、窄线宽、高功率输出等特性。正是由于这些独特的优势,其已经在光纤传感、光成像、光通信等领域得到重要的应用。特别是在长距离光纤传感系统中,基于光纤随机激光的传感系统不仅具有传统光纤点式传感系统结构简单、抗电磁干扰、灵敏度高的特点,而且具有响应时间短、传感器可复用、精度不受光源波长漂移、链路温度变化影响等优势,非常适用
无线传感器网络（Wireless Sensor Network,WSN）中的移动目标跟踪算法需要保证较高的跟踪精度又不过多地消耗能量。高效的跟踪效果需要调度更多的移动传感器,然而调度移动传感器会产生大量的能耗。如何平衡跟踪精度与网络消耗之间的矛盾并设计合理的节点协同调度算法是WSN中面向目标跟踪的关键问题。本文分析了在本领域的研究背景以及研究现状,进而提出了面向移动目标跟踪的节点协同调度移动跟踪算
长期以来,大规模无线传感器网络（WSN）的能量问题都一直受到研究者的普遍关注。由于大规模分层网络架构下,无线传感器网络的各个节点通常都抛洒部署到很恶劣的环境下,无法更换电池,因此节能问题成为了关键。本文从节点能耗、能量均匀、业务服务质量和路由问题的角度出发,对目标的最大覆盖范围、Q覆盖集的问题、汇聚节点休眠的负载均衡和节能的路由算法进行了研究。在汇聚节点和传感器节点两个层面上,共同休眠带来能耗问题
为了缓解单个自动驾驶车辆的计算负担,移动边缘计算（Mobile Edge Comput-ing,MEC）作为一种可靠的计算模式被应用于车联网中,允许计算资源不足的车辆将计算量大且时延敏感的任务卸载到边缘节点的服务器上进行计算。在此背景下,为了减少任务执行的时延并提高系统资源利用率,结合移动边缘计算技术,本文研究了基于人工智能的车联网环境中的协同计算和资源分配策略。主要在两个场景下进行研究,分别是车
近年来,随着智能交通概念的普及,车牌检测与识别应用已经遍及我们生活的方方面面,包括小区的停车场收费系统、路口的违章监控系统、交警的移动手持警务系统等。伴随着深度学习的出现,基于神经网络的车牌检测与识别算法在识别准确率上得到了进一步的提升。与此同时,复杂多变的应用场景对算法的准确率提出了更高的要求,如何使系统稳定工作在更加复杂的环境成为了近年研究的重点。本文首先对国内外的相关工作进行了调研,从基于传
近年来,卷积神经网络（CNN）作为深度神经网络的子类得到了广泛的普及。CNN彻底改变了诸如自然语言处理,图像分类和语音识别等任务的执行。通常,CNN可以通过CPU、GPU、ASIC、FPGA等平台实现。在人工智能物联网（AIOT）设备方面的应用,对于便携性和低功耗有更高的要求,另外需要针对不同精度类型的算法模型设计不同的神经网络处理器。而论文提出了一种基于FPGA平台设计的混合精度神经网络处理器,
随着互联网应用的发展,网络容量的需求也在迅速增长,发展高速大容量的光纤通信系统迫在眉睫。但是高传输速率、大信道容量和长距离传输的研究却受到两种因素的限制:线性损伤,包括光纤损耗、色散、偏振模色散;非线性损伤,包括自相位调制、交叉相位调制、四波混频等。在长距离传输系统中,光纤非线性是限制信道容量和传输距离的重要因素之一,因此光纤非线性均衡技术在光纤传输中具有重要的现实意义。为了补偿光纤非线性效应,实
无人机（Unmanned Aerial Vehicle,UAV）编队在近几年凭借灵活性好、机动性强等多项优点在多个领域应用越来越广泛。无人机编队控制需要保证编队的队形形成、保持和避障,若采用不合适的控制方法,则会产生许多问题,如目标位置的振荡问题、目标不可达问题、避障不安全等。无人机编队任务分配需要为每个无人机分配执行任务集并决定任务执行顺序,实际情况下,各个任务之间存在资源需求的差异,各个无人机
SLAM（Simultaneous Localization and Mapping,SLAM）技术旨在估计自主移动机器人在陌生环境下的位置变化,同时构建包含空间几何信息的环境地图。当前,大部分开源的SLAM方案已经实现了静态场景下自主移动机器人大范围内的实时定位与稀疏地图构建。而传统的SLAM方案仍然存在以下问题:一是在动态环境下,无法避免行人等移动物体造成的漂移误差,因此在实际应用中受到一定的