Контроль качества розлива и маркировки пищевых продуктов с использованием интеллектуальных технологий

Статья посвящена повышению эффективности работы пищевого предприятия за счёт разработки и внедрения автоматизированной системы управления технологическим манипулятором на линии розлива и маркировки пищевых напитков с использованием интеллектуальных технологий. Показана необходимость в решении кинематических задач, особенно задач обратной кинематики манипулятора-робота. Проведенный в работе анализ показал, что существующие универсальные алгоритмы расчёта кинематики просты для записи в общем виде, но из-за ряда неустранимых недостатков ресурсоёмки и обладают в некоторых случаях большой вычислительной погрешностью. Если технологические манипуляторы вынуждены работать именно в таких зонах, в которых этот метод приводит к существенным вычислительным ошибкам, то это может привести к замедлению движения манипулятора, что также приводит к снижению производительности, или потребовать вынужденно изменять режим работы с целью удаления рабочего органа от центра рабочей зоны, что займет больше места для каждого манипулятора. Поэтому для расчета кинематики предложено вместо универсального алгоритма использовать набор простых тригонометрических выражений по условиям конкретных движений, что позволяет сохранить требуемую точность во всём объёме рабочей зоны. Для управления манипулятором, поиска оптимальной траектории и взаимодействия с программой-моделью реальности (в среде SolidWorks) использовались программы, созданные в среде LabVIEW с инструментарием NI-SoftMotion в качестве контроллера для управления положением модели. Для автоматизации контроля качества розлива и маркировки пищевых продуктов и модернизации системы управления технологическим манипулятором разработаны алгоритмы решения обратной кинетической задачи для роботов типа PUMA, SCARA и KUKA, а также программное обеспечение, реализующее разработанные алгоритмы. Показаны результаты анализа использования системы оптического распознавания изделий, учитывающего совместное движение манипулятора и изделий. В результате проведенных исследований разработана система виртуального прототипирования мехатронной системы, позволяющая выбрать контроллер управлением движением манипулятора и требуемые двигатели и параметры оптимизации линии розлива и маркировки пищевых продуктов с использованием интеллектуальных технологии. По полученным результатам разработана улучшенная модель робота PUMA 560, к которой добавлены средства для передвижения манипулятора с использованием интеллектуальных технологий, что позволит повысить эффективность работы линии розлива и маркировки пищевых продуктов, улучшить их показатели качества.

1. Артоболевский, И. И. (2005). Жизнь и наука: воспоминания (c. 256 - 287). Наука.

2. Балыхин, М. Г., & Благовещенский, И. Г. (2018). Контроль качества кондитерской продукции с использованием различных способов обработки изображений. В Современное состояние и перспективы развития упаковки в пищевой промышленности (с. 82 - 85).

3. Балыхин, М. Г., Борзов, А. Б., & Благовещенский, И. Г. (2017). Методологические основы создания экспертных систем контроля и прогнозирования качества пищевой продукции с использованием интеллектуальных технологий. Франтера.

4. Белоусов, И. Р. (2002). Формирование уравнений динамики роботов-манипуляторов. Институт прикладной математики им. М.В. Келдыша РАН.

5. Белоусов, И. Р., Богуславский, А. А., Емельянов С. Н., Охоцимский, Д. Е., Платонов, А. К., Сазонов, В.В., & Соколов С. М. (1999). Взаимодействие робота манипулятора с подвижными объектами. Институт прикладной математики им. М.В. Келдыша РАН.

6. Белянин, П.Н. (1992). Кинематические схемы, системы и элементы промышленных роботов. Машиностроение.

7. Белянин, П.Н. (2000). Состояние и развитие техники роботов. Проблемы машиностроения и надежность машин, 2, 85 - 96.

8. Благовещенская, М. М. (2009). Основы стабилизации процессов приготовления многокомпонентных пищевых масс. Франтера. Благовещенская, М. М., Благовещенский, И. Г, &

9. Назойкин, Е. А. (2015). Методика автоматической оценки качества пищевых изделий на основе теории искусственных нейронных сетей. Пищевая промышленность, 2, 42 - 45.

10. Благовещенская, М. М., & Злобин, Л. А. (2005). Информационные технологии систем управления технологическими процессами. Высшая школа.

11. Благовещенская, М. М., & Сантон Куннихан, М. П. (2017). Структура систем управления дозирования с использованием нейронных сетей. В Общеуниверситетская студенческая конференция студентов и молодых ученых «День науки». (с. 263 – 267).

12. Благовещенская М. М., Шаверин А. В., & Благовещенский И. Г. (2012). Автоматизация контроля показателей вкуса шоколадных изделий на основе использования нейронных сетей. Хранение и переработка сельскохозяйственного сырья, 8, 50 – 52.

13. Благовещенский, И. Г., Макаровская, З. В., Благовещенская, М. М., Чувахин, С. В., & Митин, В. В. (2019). Использование цифровой видеокамеры в качестве интеллектуального датчика системы автоматического регулирования процесса формования гранулированных пищевых масс. В Интеллектуальные системы и технологии в отраслях пищевой промышленности (с. 71-75).

14. Благовещенский, И. Г., & Носенко, С. М. (2015). Экспертная интеллектуальная система мониторинга процесса формования помадных конфет с использованием системы технического зрения. Пищевая промышленность, 6, 32 - 36.

15. Гарев, К. В., Благовещенский, И. Г., Назойкин, Е.А., Благовещенский, В. Г., & Макаровская, З. В. (2019). Использование технического зрения в качестве инновационного решения в системах «умного дома». В Интеллектуальные системы и технологии в отраслях пищевой промышленности (с. 47 – 52).

16. Гончаров, К. А., Благовещенский, И. Г., Назойкин, Е. А., Благовещенский, В. Г., & Макаровская З. В. (2019.). Использование библиотеки OPENCV для работы с техническим зрением. В Интеллектуальные системы и технологии в отраслях пищевой промышленности (с. 53 – 60).

17. Зубов, Д. В. (2017). Программный комплекс для моделирования мехатронного манипулятора. В Национальный Суперкомпьютерный Форум «НСКФ-2017» (с. 42 – 46).

18. Зубов, Д. В. (2016). Современные проблемы управления технологическими манипуляторами в промышленности. В Математические методы в технике и технологиях. Машиностроение (с. 233 – 236).

19. Иванов Я. В., Благовещенская М. М., & Благовещенский И. Г. (2012). Автоматизация процесса формования конфетных масс с использованием датчика цифровой видеокамеры (ЦВК). В Планирование и обеспечение подготовки и переподготовки кадров для отраслей пищевой промышленности и медицины (с. 215 – 218).

20. Кафаров, В. В., & Макаров, В. В. (1990). Гибкие автоматизированные производственные системы в химической промышленности. Химия.

21. Кафаров, В. В. (1968). Методы кибернетики в химии и химической технологии. Химия.

22. Крылова, Л. А., Благовещенский, В. Г., & Татаринов, А. В. (2017). Разработка интеллектуальных аппаратно- программных комплексов мониторинга процессов сепарирования дисперсных пищевых масс на основе интеллектуальных технологий. В Развитие пищевой и перерабатывающей промышленности России: кадры и наука (с. 199 – 201). Издательский комплекс МГУПП.

23. Макаров, И. М. (1986). Робототехника и гибкие автоматизированные производства. Высшая школа.

24. Назойкин, Е. А., Благовещенский, И. Г., Синча, В. М., Жиров, М. В., & Митин, В. В. (2019). Использование имитационного моделирования для идентификации состояния предприятий в пищевой промышленности. В Интеллектуальные системы и технологии в отраслях пищевой промышленности (с. 147 – 155).

25. Носенко, С. М., Благовещенский, И. Г., Шаверин, А. В., & Благовещенская, М. М. (2014). Автоматизация контроля показателей вкуса шоколадных изделий с использованием интеллектуальных технологий. Кондитерское и хлебопекарное производство, 10(153), 56 - 59.

26. Петров, А. Ю., Благовещенская, М. М., Благовещенский, В. Г., Ионов, А. В., Благовещенский, И. Г. (2019). Главные принципы при построении системы компьютерного зрения в хлебопекарной промышленности. В Интеллектуальные системы и технологии в отраслях пищевой промышленности (c. 121 – 126).

27. Петряков, А. Н., Благовещенская, М. М., Благовещенский, В. Г., Митин, В. В., Благовещенский, И. Г. (2019). Повышение качества идентификации и позиционирования объекта на цифровых стерео изображениях при помощи алгоритмов построения карты глубины. В Интеллектуальные системы и технологии в отраслях пищевой промышленности (c. 133 – 138).

28. Савостин, С. Д., Благовещенская, М. М., Благовещенский, И. Г. (2016). Автоматизация контроля показателей качества муки в процессе размола с использованием интеллектуальных технологий. Франтера.

29. Скопинцев, И.В. (2016). Проектирование системы управления технологическим манипулятором с помощью пакетов LabVIEW и Solid Work. В Полимерная индустрия: Инновации. Эффективность. Ресурсосбережение. Машиностроение (с. 57 – 62)

30. Филаретов, В. Ф., & Зуев, А. В. (2006). Позиционносиловое управление электроприводом манипулятора. Мехатроника, автоматизация, управление, 9, 20-24.

31. Шаверин, А. В., Благовещенская, М. М., & Благовещенский, И. Г. (2012). Автоматизация контроля органолептических показателей качества шоколадных изделий. В Планирование и обеспечение подготовки и переподготовки кадров для отраслей пищевой промышленности и медицины (с. 209 – 212).

32. Эраки, М. Т. Х. (2018). Программный комплекс для решения обратной кинематической задачи робота с тремя вращательными степенями свободы манипулятора. Естественные и технические науки, 6, 107–120.

33. Эраки, М. Т. Х., & Зубов, Д. В. (2018). Управление и исследование динамики робота-манипулятора с использованием программных пакетов LabVIEW и SolidWorks. Естественные и технические науки, 4, 177–183.

34. Юревич Е.И. (2005). Основы робототехники. Издательство СпбГПУ.

35. Alavandar, S., & Nigam, M. J. (2008). Neuro-Fuzzy based Approach for Inverse Kinematics Solution of Industrial Robot Manipulators. International Journal of Computers, Communications and Control, 3, 224–234.

36. Alcin, O. F. (2016). Extreme learning machine based robotic arm modeling. International Journal of Robotics Research, 1160–1163.

37. Angeles, J. (1985). On the numerical solution for inverse kinematic problem. International Journal Robotics, 4 (2), 21–37.

38. Awcock, G. J. (1995). Applied Image Processing Hand Book. Macmillan Press Ltd.

39. Baglietto, P. (1996). Image Processing on HighPerformance RISC Systems. Proceedings of the IEEE, 7, 917-930.

40. Benjanarasuth, T., Sowannee, N., & Naksuk, N. (2010). Two-degree-of-freedom simple servo adaptive control for SCARA robot. ICCAS 2010, 480-484. http://doi.org/10.1109/ICCAS.2010.5669904

41. Bastuchech, C. M. (1989). Techniques for Real-time Generation of Range Images. Proceedings of the IEEE, 262-268.

42. Brian, H. (2008). What is next for Robotics, Robotic Industries Association. International Journal Robotics, 6(4), 52–57.

43. Chaudhary, H., Panwar, V., & Prasad, R. (2014). Adaptive neuro fuzzy based hybrid force/position control for an industrial robot manipulator. Journal of Intelligent Manufacturing, 27(6), 1299–1308.

44. Christe, B. (2009). Robotic Application Research: Past, Present. International Journal Robotics, 3(2), 43–47.

45. Craig, J. (2005). Introduction to Robotics Mechanics and Control (Third Edition). Pearson Education.

46. Davies, E. R. (1990). Machine Vision: Theory, Algorithms, Practicalities Hand Book. Academic Press Limited.

47. Khalal, O. (2007). Robust control of manipulator robot by using the variable structure control with sliding mode. International Journal of Computers, Communications and Control, 5, 1–6.

48. Kucuk, S., & Bingul, Z. (2004). The inverse kinematics solutions of industrial robot manipulators. Proceedings of the IEEE International Conference on Mechatronics, 274 – 279.

49. Raghavan, M., & Roth, B. (1993). Inverse kinematics of the general 6R manipulator and the related linkages. Publishing House Of Mechanical-TRANS, 5, 502–508.