利用卷积神经网络实现制造过程中移动机器人的自主调度 Garrett Madison Grayson Michael Griser Gage Truelson Braden Churches Christopher Lee Colaw Yildirim Hurmuzlu

《Machines》:Autonomous Dispatch of Mobile Robots in Manufacturing Using Convolutional Neural Networks Garrett Madison, Grayson Michael Griser, Gage Truelson, Braden Churches, Christopher Lee Colaw and Yildirim Hurmuzlu

【字体: 大 中 小 】 时间:2026年05月06日 来源:Machines 2.5

编辑推荐:

  摘要 物料输送在制造效率中起着至关重要的作用,而手动取料会引入非增值(NVA)时间并扰乱工作流程的连续性。自主移动机器人(AMR)可以通过实现物料运输与生产工作的重叠来提高效率,但其有效性取决于它们的部署方式。在这项工作中,我们实现了一个基于卷积神经网络(CNN)的自主调度框架,

  摘要
物料输送在制造效率中起着至关重要的作用,而手动取料会引入非增值(NVA)时间并扰乱工作流程的连续性。自主移动机器人(AMR)可以通过实现物料运输与生产工作的重叠来提高效率,但其有效性取决于它们的部署方式。在这项工作中,我们实现了一个基于卷积神经网络(CNN)的自主调度框架,并在受控的实验环境中进行了测试。该研究使用了一个具有代表性的航空航天装配任务,在60次运行中评估了三种物料输送方法,包括手动行走、手动AMR调度和自主AMR部署。系统性能通过总操作时间、面板前置时间和非增值时间来评估。结果表明,由于任务执行的顺序性,手动AMR调度显著增加了总操作时间和非增值时间。自主部署通过实现物料运输与操作员活动的重叠来减少了这种低效率,但在测试条件下并没有显著优于手动行走。操作员的变异性也影响了自动化调度下的非增值时间。这些结果表明,AMR的有效性在很大程度上取决于部署时机和工作流程的同步性,在允许运输和生产工作更大重叠的环境中,预期会有最大的潜在收益。

1. 引言
高效的物料处理是现代制造系统的一个关键组成部分,直接影响生产力、工作流程的连续性和整体系统性能。在许多工业环境中,操作员需要反复从指定的取料地点取料并将其运输到工作站;虽然这个过程简单,但它引入了非增值(NVA)时间,中断了任务连续性,并导致操作员疲劳。自主移动机器人(AMR)越来越多地被用于制造环境,以支持物料运输并减少对人工处理的依赖。通过在没有操作员直接参与的情况下实现物料运输,AMR提供了在交付和生产工作之间进行并行的潜力。然而,性能提升并不是有保证的。当机器人移动仅在被需要物料时才启动时,部署变得顺序化,导致空闲等待时间并降低了效率。这突显了当前实施的一个关键限制。AMR整合的有效性不仅取决于机器人系统的存在,还取决于它们在工作流程中的部署方式和时间。为了充分利用机器人旅行与操作员任务执行的重叠潜力,需要预先和上下文感知的调度策略。计算机视觉和机器学习为实现此类策略提供了途径。卷积神经网络(CNN)可以实时监控制造过程,并根据工作流程的进展支持自动化决策。通过将感知与控制结合起来,可以根据过程状态动态触发AMR的部署,而不需要人工干预。基于此,本研究的目的是量化部署策略对AMR有效性的影响,并确定在哪些条件下自主调度能够提供比手动方法更可测量的好处。结果提供了关于工作流程同步性、操作员变异性和系统设计在实现基于AMR的物料输送的全部潜力方面的见解。

2. 相关工作
由于其灵活性、自主性和在动态环境中运行的能力,AMR在各个行业的采用率都在增加。除了传统的仓库和物流应用外,AMR还被应用于移动操控系统[1]、网络物理生产平台[2]、医疗保健[3]和设施管理[4]中,以提高效率、减少操作员的工作负担并增强系统的响应能力。特别是在制造业中,AMR越来越多地用于内部物流,比依赖固定基础设施的传统自动化引导车辆具有优势[5,6]。与需要操作员离开工作站并引入NVA时间的手动运输不同,AMR可以在不中断正在进行的任务的情况下实现物料输送。它们能够自主导航并与动态制造环境集成,支持工作站供应、零件交付和生产线协调[7]。然而,实现这些好处取决于与现有生产系统和控制架构的有效集成[8,9]。实际上,这种集成并不简单,因为制造环境涉及动态任务执行、可变的处理时间和实时物料需求,使得调度成为一个复杂的问题[10]。现有的方法主要集中在路由、调度和系统级集成上,而不是实时、上下文感知的部署策略[11]。因此,许多实现依赖于手动触发的调度或预定义的调度,导致顺序操作,限制了机器人与正在进行任务并行运行的能力。解决这些限制的一个潜在方法是使用计算机视觉和机器学习来提供对制造过程的实时了解。特别是CNN已被广泛用于各种任务。例如,基于CNN的系统用于检测不安全的操作员行为和危险条件,以提高情境意识和工人安全[12,13]。它们还被应用于监控制造过程,如计算机数控机床加工、印刷电路板蚀刻和增材制造,以支持过程稳定性和质量控制[14,15,16]。此外,CNN分析传感器数据以进行故障检测和工具状态监控,从而实现主动维护策略[17,18]。尽管CNN已成功应用于广泛的感知和监控任务,但它们与AMR的结合主要关注于在非结构化环境中的导航、定位和避障[19,20,21]。这些方法使机器人实现了自主性,但没有将过程级理解纳入更高级的操作决策中。尽管CNN在监控和AMR在物料运输中的应用非常广泛,但很少有研究探索基于CNN的过程监控与AMR调度逻辑的集成。先前的研究主要集中在基于数字孪生框架的的状态感知调度策略、传感器驱动的信号和多智能体协调用于任务分配和路由[2,8,22];虽然这些方法为调度和协调提供了系统级意识,但它们通常依赖于预定义的信号或结构化数据输入,而不是对工作流程进展的直接感知。因此,使用基于CNN的方法进行实时过程状态估计来指导和优化物料输送决策在很大程度上仍未得到解决。这最终突显了需要利用感知驱动的见解来改进AMR利用和整体制造效率的上下文感知调度策略。

3. 材料和方法
3.1. 制造测试平台和实验设计
为了评估物料输送策略对制造性能的影响,开发了一个具有代表性的航空航天装配过程。实验测试平台包括一个需要顺序安装两个可拆卸面板的机身模型,如图1所示。图1. 未安装面板的机身模型(左)和已安装面板的机身模型(右)。在图2中,这两个面板被指定为面板1和面板2,每个对应的紧固件位置都明确标注出来。每个面板的孔从右上角开始编号,按逆时针方向排列。这些标注的位置被用来定义一个结构化的安装顺序,首先安装面板1,在整个过程中将螺栓和垫圈放置在指定的位置,然后对面板2进行类似的安装过程。图2. 带有编号面板和相应孔的机身图。每次实验运行都遵循标准化的操作序列,包括工具获取、孔检查以及使用之前定义的安装顺序进行面板放置和紧固。这个过程被划分为离散的步骤,以便进行详细的时间分析和跨试验的一致性比较。评估了三种物料取料和输送场景,如算法1所总结的。所有场景中的总体工作流程保持一致,唯一的区别在于面板获取和输送的方法。
在第一个场景中,操作员手动在物料投放位置(MDO)和物料取料位置(MPU)之间行走以取料,代表完全手动的基线条件。在第二个和第三个场景中,使用OMRON LD-60自主移动机器人平台进行物料运输,如图3所示。算法1 制造工作流程及场景依赖的物料处理
工具和机身模型的检查:
获取扳手并确保适用
检查孔1-8是否有杂物并记录缺陷
检查孔9-11是否有杂物并记录缺陷
检查孔12-15是否有杂物并记录缺陷
检查孔16-17是否有杂物并记录缺陷
检查孔18-22是否有杂物并记录缺陷
检查密闭空间是否有杂物并记录缺陷
面板1的获取:
如果是场景1(手动行走),则
行走到MPU并取回面板1和硬件
返回制造区域
否则如果是场景2(手动AMR调度),则
通过MobilePlanner派遣AMR到MPU取回面板1和硬件
通过MobilePlanner派遣AMR到MDO
否则如果是场景3(自主AMR调度),则
等待AMR到达MDO并取回面板1和硬件
结束如果
面板1的安装:
手动安装初始螺栓(孔1.1, 1.4, 1.8, 1.11)
手动安装其余螺栓(孔1.2, 1.3, 1.5, 1.6, 1.7, 1.9, 1.10, 1.12)
按数字顺序拧紧所有面板1的螺栓
面板2的获取:
如果是场景1(手动行走),则
行走到MPU并取回面板2和硬件
返回制造区域
否则如果是场景2(手动AMR调度),则
通过MobilePlanner派遣AMR到MPU取回面板2和硬件
通过MobilePlanner派遣AMR到MDO
否则如果是场景3(自主AMR调度),则
等待AMR到达MDO并取回面板2和硬件
结束如果
面板2的安装:
手动安装初始螺栓(孔2.2, 2.5, 2.8, 2.10)
手动安装其余螺栓(孔2.1, 2.3, 2.4, 2.6, 2.7, 2.9)
按数字顺序拧紧所有面板2的螺栓
完成制造过程:
将工具放回推车

图3. 实验中使用OMRON LD-60机器人进行场景2和3的测试。在第二个场景中,操作员手动派遣AMR去取料,只有当需要物料时才启动调度,导致任务的顺序执行和机器人的移动。在第三个场景中,使用基于CNN的感知系统自动触发AMR的部署,该系统通过顶部的Rhombus安全摄像头监控制造过程。这使得能够预先进行物料运输,并有可能在机器人移动和操作员任务执行之间实现重叠。在所有场景中,如图4所示,从取料位置到投放位置的大致往返距离为49米。图4. 物料投放位置(左)和物料取料位置(右)。共有四名操作员参与了这项研究,每名操作员以随机顺序完成每个场景的五次运行,以减少潜在的学习和疲劳效应。这导致了一个平衡的实验设计,总共进行了60次运行,从而能够评估场景级别的效应和操作员的变异性,这些将在后面进一步探讨。这项工作的主要关注响应变量包括总操作时间、面板1的前置时间、面板2的前置时间、非增值时间和各个步骤的持续时间。时间测量是通过处理使用Rhombus摄像头系统捕获的 overhead 视频记录获得的。这种方法确保了时间数据的一致性,同时消除了实验执行期间对操作员工作流程的干扰。三种实验场景的代表性视频示例可在 https://drive.google.com/file/d/1VuQPxw3TsS2kYm44Ue7qtzXG65GyJMnI/view?usp=sharing(2026年4月28日访问)处获得。

3.2. 基于CNN的感知系统
为了监控具有代表性的制造过程并实现AMR部署的自动化决策,实现了两个基于YOLOv8m-cls架构的卷积神经网络模型。选择中等大小的YOLOv8分类模型是因为它在准确性和计算效率之间取得了平衡。由于所有的训练和推理都是在配备了NVIDIA RTX 4070 GPU的桌面系统中进行的,模型大小不受嵌入式硬件的限制。这允许在部署期间提高分类性能。此外,选择YOLOv8框架是因为它在使用Python 3.12.7中的Ultralytics库的Python工作流程中易于实现和集成。需要注意的是,这项工作的目的不是为了对CNN架构进行基准测试,而是为了演示一个通过可靠的视觉分类实现的自主调度系统。两个模型的输入图像都是从提供制造区域连续视图的头顶Rhombus安全摄像头获得的,如图5所示。从视频流中提取了与工作空间相关区域相对应的兴趣区域(ROIs),并将它们调整大小至特定像素数,作为输入到每个卷积神经网络(CNN)中。图5显示了来自菱形摄像机的监测制造区域的帧。感知系统分为两个阶段。在第一阶段,CNN 1 对物料投放位置和相邻工具车的状态进行了分类。该模型被训练用于区分四种类别,代表工具存在和自动物料搬运(AMR)物料状态的组合,如图6所示。每个类别都被赋予了一个数字标签,以便与下一节描述的自动调度逻辑集成。图6. CNN 1.1:无工具且OMRON无物料(左上角)。CNN 1.2:无工具且OMRON有物料(右上角)。CNN 1.3:有工具且OMRON无物料(左下角)。CNN 1.4:有工具且OMRON有物料(右下角)。CNN 1的数据集包含12,738张带标签的图像,这些图像在四个类别中分布相对均匀。数据集被随机分为80%的训练集和20%的验证集。训练设置在最大40个周期、输入图像大小为指定像素数、批量大小为32,以及默认优化参数。如图7所示,训练和验证损失值在八个周期内降至0.05以下,而分类准确率在第一个周期后就超过了0.99。基于这种快速收敛性,在9个周期后终止了训练。高性能归因于类别之间的强烈视觉可区分性,包括AMR物料和扭矩扳手存在的明显差异。这些结果并不表明过拟合,而是反映了每个类别中存在的独特且易于区分的特征。图7. CNN 1的训练和验证损失(左)以及验证准确率(右)。

在第二阶段,CNN 2 根据面板安装进度对机身模型的状态进行了分类。该模型的输入包括机身区域中面板安装的裁剪图像。定义了四个类别来代表所有面板存在的组合,如图8所示。与CNN 1类似,使用了数字标签来支持与调度逻辑的集成。图8. CNN 2.1:机身上有两个面板(左上角)。CNN 2.2:机身上有面板1(右上角)。CNN 2.3:机身上没有面板(左下角)。CNN 2.4:机身上有面板2(右下角)。CNN 2的数据集包含9,708张带标签的图像,每个类别大约有2,400张图像。数据集的分配比例为80%训练集和20%验证集。训练设置与CNN 1相同。如图9所示,训练和验证损失值在五个周期内降至0.05以下,而分类准确率在第一个周期后超过了0.99。与CNN 1类似,一旦观察到收敛,训练在10个周期后终止。这种高性能归因于类别之间的明显视觉差异,特别是机身上有或没有面板的情况,而不是过拟合。图9. CNN 2的训练和验证损失(左)以及验证准确率(右)。

3.3 自动调度逻辑
自动调度系统是通过基于Python的控制框架实现的,该框架通过网络套接字接口直接与OMRON LD-60自动物料搬运(AMR)设备通信。该框架实现了基于制造过程状态在预定义的取料和放料位置之间的导航命令的实时传输。调度决策由一个两阶段分类流程控制,仅在AMR位于物料交付点(MDO)时激活。在第一阶段,使用CNN 1的输出来检测工作站的状态,包括工具的存在和AMR物料的状态。特定的分类(CNN 1.2和CNN 1.4)会触发AMR的音频反馈,例如“抓取物料”或“抓取物料和工具”的命令,为操作员提供实时指导。通过CNN 1随后的视觉观察来推断是否遵守了这些命令,因为工具和物料都不存在(CNN 1.1)的情况会导致进入第二阶段以进一步评估物料需求。为了解决在嘈杂的制造环境中可能遗漏命令的问题,如果相应的视觉状态保持不变,则以1分钟的固定时间间隔重复发出音频提示。这个提醒间隔可以根据需要进行调整,但确保持续的操作员指导,直到完成所需动作。当检测到AMR上没有物料而工具在车上时(CNN 1.3),则进入第二阶段,评估机身装配的状态以确定制造过程是否完成。

4. 结果
实验结果基于60次总运行进行了评估,使用了几种基于时间的性能指标,包括总运行时间、面板1的交付时间、面板2的交付时间、非增值时间和单个步骤的持续时间。这些指标被选中是为了量化整个系统的效率以及不同物料交付策略对制造过程的时间影响。进行了统计分析,以评估不同调度策略之间的差异以及操作员变异性的影响。使用单向方差分析(ANOVA)来确定各场景之间是否存在显著差异。然后进行了双向ANOVA,以评估场景和操作员及其交互对系统性能的影响。在显著的ANOVA结果之后,进行了Tukey的诚实显著差异(HSD)测试,以识别场景之间的成对差异,以及在适当的情况下,操作员之间的差异。这些事后比较直接评估了每种调度策略如何影响性能结果,并揭示了操作员变异性导致观察到的差异的情况。当在双向ANOVA中识别出场景和操作员之间的显著交互时,通过在每个操作员内部和每个场景内部应用Tukey HSD进行了简单效应分析,以进一步描述这些交互。此外,还使用配对t检验来比较每个场景中面板1和面板2的交付时间,以评估面板获取行为的对称性。在操作员-场景层面也检查了交付时间,以评估各个操作员之间的一致性。所有统计测试都使用了特定的显著性水平。

4.1 调度场景比较分析
为了评估物料交付策略的影响,而不考虑操作员的特定效果,通过对每种调度条件下的所有运行结果进行汇总进行了场景级分析。图11显示了各场景下的总运行时间,其中每个箱形图代表了给定场景内所有运行的分布。面板交付时间和非增值时间在图12中以类似的方式展示。图11. 不同调度场景下的总运行时间。在每个箱形图中,中心线代表中位数,箱子范围覆盖四分位数区间, whiskers延伸到四分位数区间内的1.5倍范围内。个别数据点被覆盖在上面。图12. 不同调度场景下的面板交付时间和非增值时间。在每个箱形图中,中心线代表中位数,箱子范围覆盖四分位数区间, whiskers延伸到四分位数区间内的1.5倍范围内。个别数据点被覆盖在上面。在场景层面,场景2产生的总运行时间和非增值时间显著高于场景1和场景3,如图11和图12中箱形图的中位数升高所示。相比之下,场景1和场景3的总运行时间和非增值时间的中位数值相似。图12显示,场景2和场景3中的面板交付时间显著长于场景1。这一趋势与预期一致,即基于AMR的物料回收引入了相对于手动操作员在MDO和MPU之间移动的额外行驶时间。在每个调度场景内,面板1和面板2的交付时间的箱形图中位数相似,如图12所示。这一观察结果通过配对t检验得到确认(所有均为),表明工作流程阶段中的面板获取行为是对称的。为了定量比较场景性能,进行了单向ANOVA,以评估调度场景对每个基于时间的性能指标的影响,结果显示在表1中。表1. 评估调度场景对时间指标影响的单向ANOVA结果。因为单向ANOVA表明每个时间指标的场景都有显著影响(均为),因此进行了Tukey的HSD事后测试以确定成对差异,如表2所示。表2. 调度场景在性能指标上的Tukey HSD事后比较。所有统计上显著的成对差异()都与图11和图12中观察到的趋势一致。最值得注意的是,场景1和场景3之间的总运行时间或非增值时间没有观察到统计上的显著差异(),表明虽然自动化消除了相对于场景2的调度低效率,但它并没有显著优于完全手动的基线。

4.2**操作员在不同调度场景下的影响**

虽然前一小节通过汇总各操作员的数据来评估场景级别的性能,但本节探讨了在明确考虑操作员差异性时这些趋势是否仍然一致。由于本研究仅包含了四位操作员,因此针对操作员的具体结果应被视为初步性的。首先,图13展示了每位操作员与场景组合的累积步骤时间概况。图13显示了操作员与场景组合的累积时间,揭示了操作员和场景之间的趋势及变异性,包括某些特定操作员与场景组合中的异常运行情况。例如,操作员3在场景1中的第一次运行明显比该组中的其他运行要慢。这些概况提供了关于执行变异性的见解,并为第5节中关于基于CNN的工作流控制的自主部署优化和逻辑启动步骤选择的相关讨论提供了依据。

图14展示了每位操作员与场景组合的总运行时间分布。在每个箱形图中,中心线代表中位数,箱体覆盖了四分位数范围,尾须延伸到四分位数范围之外的1.5倍范围内。个别数据点也显示在图中。观察到的趋势表明,操作员2通常执行速度最快,其次是操作员3,然后是操作员4,而操作员1在所有场景中都表现最慢。这突显了操作员在总性能上的差异性。然而,之前识别的场景级别趋势在所有操作员中保持一致。

为了定量评估这些观察结果,对总运行时间进行了双向方差分析(ANOVA),结果如表3所示。表3显示了操作员和调度场景对总运行时间的影响。双向方差分析显示,场景和操作员对总运行时间都有显著的主效应,而操作员和场景之间的交互效应不显著。交互效应的缺失表明,场景对总运行时间的影响在所有操作员中是一致的。由于之前已经使用单向方差分析和Tukey HSD检验了场景效应,因此本节的后续分析重点关注操作员的主效应,如表4所示。表4显示了Tukey HSD对操作员效应进行的事后比较。Tukey HSD的事后分析表明,操作员2完成任务的速度显著快于操作员1(平均差异=114.9秒),这与图14中的观察结果一致。其他操作员之间的配对比较均无统计学意义。这表明,尽管存在一定程度的操作员差异性,但总运行时间的显著差异仅限于特定的操作员组合。

图15展示了每位操作员与场景组合的面板准备时间和非增值时间分布。在每个箱形图中,中心线代表中位数,箱体覆盖了四分位数范围,尾须延伸到四分位数范围之外的1.5倍范围内。个别数据点也显示在图中。在每个场景中,操作员的面板准备时间总体上是相对一致的。非增值时间也相对稳定,但场景3中的操作员1表现出了异常。与场景1中的手动基准相比,场景3中自动化AMR调度的效果在操作员之间有所不同,有些操作员的非增值时间减少了,有些几乎没有变化,还有一些略有增加。这突显了操作员从自动化中获益的差异性。

对于每个操作员与场景组合,还对面板准备时间进行了双向方差分析,结果如表5所示。表5显示了调度场景对面板准备时间的影响。双向方差分析显示,调度场景对面板准备时间有显著的主效应,操作员也有显著的主效应,表明操作员之间存在一定差异。然而,操作员和场景之间的交互效应不显著,表明调度场景对面板准备时间的影响在所有操作员中是一致的。

为了进一步评估操作员对面板准备时间的影响,进行了Tukey HSD的事后比较,如表6所示。尽管操作员的主效应在方差分析中达到了显著性,但Tukey HSD的事后比较显示,没有操作员之间的显著差异。这表明,虽然存在轻微的操作员差异性,但并没有特定的操作员在面板准备时间上有显著的不同。总体而言,调度场景对面板准备时间的影响远远大于操作员身份本身。

此外,还对面板2的准备时间进行了双向方差分析,结果如表7所示。分析表明,调度场景对面板2准备时间有显著的主效应,操作员的主效应不显著,且操作员和场景之间的交互效应也不显著。这进一步表明,面板2的准备时间主要由调度策略驱动,而不是操作员之间的差异。

对于非增值时间,进行了双向方差分析,结果如表8所示。分析显示,操作员和场景对非增值时间都有显著的主效应,以及显著的交互效应,表明调度策略对非增值时间的影响在不同操作员之间存在差异。由于交互效应显著,仅依靠主效应的解释是不充分的,因此需要进一步进行简单效应分析。使用Tukey HSD进行了简单效应分析,包括表9中每个操作员内部的场景比较和表10中每个场景内的操作员比较。结果显示,所有操作员在场景1和场景2以及场景2和场景3中的非增值时间均有显著差异,确认了场景2导致的非增值时间最长。然而,场景1和场景3之间的比较依赖于操作员的不同。具体来说,对于操作员1和操作员3来说,场景1和场景3之间存在显著差异,但对于操作员2和操作员4来说则没有。因此,尽管自动化AMR调度在场景3中统一减少了非增值时间,但其相对于场景1中的完全手动基线的性能因操作员而异。

进一步的简单效应分析显示,在场景1和场景2中,操作员之间的差异没有统计学意义,表明在手动行走和手动AMR调度条件下性能相当。相比之下,在场景3中操作员之间存在显著差异,这表明自动化AMR调度条件引入了操作员从自动化中获益效果的差异性。

这些发现表明,自动化相对于场景2中的手动AMR调度条件一致减少了非增值时间。然而,其相对于场景1中的完全手动基线的效果在不同操作员之间是不同的。因此,自动化消除了调度效率低下问题,但并未在所有操作员中都表现出优于手动执行的性能。

**讨论**

本研究显示,在场景2中,手动AMR调度产生的总运行时间和非增值时间明显高于场景1中的手动行走和场景3中的自主AMR调度。在场景层面,场景1和场景3的总运行时间和非增值时间具有统计学上的可比性。因此,虽然自动化消除了相对于手动机器人调度的效率低下,但在本研究所实施的特定实验条件下,它并未显著优于手动行走。

更具体地说,场景2中的手动AMR调度表现持续不佳,因为它结合了机器人较慢的移动速度和顺序任务执行。操作员仅在需要零件时才启动机器人移动,导致了不可避免的等待时间。这表明,仅仅引入AMR到制造工作流中并不能保证效率提升,AMR的部署策略同样重要。

在比较场景1和场景3时,性能的相似性主要是由于系统级别的限制。例如,MDO和MPU之间的往返行驶距离相对较短,约为49米,限制了场景1中的行走惩罚。此外,场景1中面板1安装前的制造顺序较短,限制了AMR行驶与生产工作之间的充分重叠。因此,即使调度更早,由于相对于AMR行驶时间的时间缓冲不足,面板1交付期间仍会出现非增值时间。

性能的相似性还受到非优化部署时间的影响。更具体地说,场景3中的面板2交付总是在材料需求之前发生,虽然从时间角度来看,AMR尽早到达通常比延迟交付更优,但这表明工作流后半部分存在足够的时间重叠,且选定的触发点并未与最佳到达时间同步。这种次优行为是本研究中基于易于区分的工作流状态的自主触发点的直接结果。这些状态的特性使得在这个概念验证框架中能够实现一致且稳健的自主触发点。要实现最佳的系统同步,需要过渡到更复杂的视觉状态或调度逻辑,但这超出了本研究的范围。因此,无法保证AMR到达与材料需求之间的同步,也没优化任何面板的启动时间。

原则上,自主部署使AMR的行驶和生产劳动能够并行,从而通过时间重叠来弥补机器人移动速度较慢的问题。这种方法的有效性取决于选择能够使AMR行驶时间与任务累计持续时间对齐的触发点。要实现这种对齐,如果可能的话,需要识别出在启动和预期材料需求之间提供足够时间缓冲的工作流状态。这些状态可以基于部分任务完成来定义,或者通过根据检测到的状态应用时间偏移来定义。

此外,本研究中观察到的非增值时间的操作员×场景交互效应反映了操作员之间步骤执行速度的差异性。这种交互效应在场景3中最为明显,其中非增值时间完全由等待面板1交付引起,因为面板2总是提前到达。不同操作员之间的NVA时间差异源于标准化启动点和面板1需求之间的执行速度差异。更具体地说,由于所有操作员的启动触发点都是固定的,速度较快的操作员在中间步骤中进展更快,等待时间也更长,而速度较慢的操作员等待时间较短。这种行为表明,所实施的触发策略不仅在系统层面是次优的,也没有考虑操作员之间的执行差异。

这些发现表明,自动化相对于场景2中的手动AMR调度条件一致减少了非增值时间。然而,其相对于场景1中的完全手动基线的效果在不同操作员之间存在差异。因此,自动化消除了调度效率低下问题,但并未在所有操作员中都显著优于手动执行。

**5. 讨论**

本研究表明,在场景2中,手动AMR调度产生的总运行时间和非增值时间显著高于场景1中的手动行走和场景3中的自主AMR调度。在场景层面,场景1和场景3的总运行时间和非增值时间具有统计学上的可比性。因此,虽然自动化消除了相对于手动机器人调度的效率低下,但在本研究所实施的特定实验条件下,它并未显著优于手动行走。

更具体地说,场景2中的手动AMR调度表现持续不佳,因为它结合了机器人较慢的移动速度和顺序任务执行。操作员仅在需要零件时才启动机器人移动,导致了不可避免的等待时间。这表明,仅仅将AMR引入制造工作流并不能保证效率提升,AMR的部署策略同样重要。

在比较场景1和场景3时,性能的相似性主要归因于系统级别的限制。例如,MDO和MPU之间的往返行驶距离相对较短,约为49米,限制了场景1中的行走惩罚。此外,面板1安装前的制造顺序较短,这限制了在场景3中将AMR行驶与生产工作充分重叠的能力。因此,即使调度更早,由于相对于AMR行驶时间的时间缓冲不足,面板1交付期间仍会出现非增值时间。

性能的相似性还受到非优化部署时间的影响。更具体地说,场景3中的面板2交付总是在材料需求之前发生,虽然从时间角度来看,AMR尽早到达通常更优,但这表明工作流后半部分存在足够的时间重叠,且选定的触发点并未与最佳到达时间同步。这种次优行为是由于本研究中自主触发点基于容易区分的工作流状态直接导致的。进一步修改以确保系统同步需要过渡到更复杂的视觉状态或调度逻辑,但这超出了本研究的范围。因此,无法保证AMR到达与材料需求之间的同步,也没有优化任何面板的启动时间。

原则上,自主部署能够实现AMR行驶和生产劳动的并行化,从而通过时间重叠来弥补机器人移动速度较慢的问题。这种方法的有效性取决于选择能够使AMR行驶时间与任务累计持续时间对齐的触发点。要实现这种对齐,需要识别出在工作流启动和预期材料需求之间提供足够时间缓冲的状态。这些状态可以基于部分任务完成来定义,或者通过保持易于区分的状态并在检测到这些状态后应用时间偏移来定义。

此外,本研究中观察到的非增值时间的操作员×场景交互效应反映了操作员之间步骤执行速度的差异性。这种交互效应在场景3中最为明显,其中非增值时间完全由等待面板1交付引起,因为面板2总是提前到达。不同操作员之间的NVA时间差异源于标准化启动点和面板1需求之间的执行速度差异。更具体地说,由于所有操作员的启动触发点都是固定的,速度较快的操作员在中间步骤中进展更快,等待时间也更长,而速度较慢的操作员等待时间较短。这种行为表明,所实施的触发策略不仅在系统层面是次优的,也没有考虑到操作员之间的执行差异。

这些观察结果表明,在存在足够时间重叠且材料需求与交付之间实现一般同步的系统中,通过为不同操作员定制触发点可以实现进一步的性能提升。可以根据历史执行数据(如图13所示的累积步骤时间概况)来选择操作员特定的触发点,通过识别材料需求发生的时间并确定基于AMR行驶时间的适当启动点。这些触发点可以通过替代的视觉状态来实现,或者通过对现有易于区分的状态应用时间偏移来实现。这种方法可以减少速度较快操作员的等待时间,同时避免对于速度较慢的操作员过早交付,从而在操作员层面实现同步。需要注意的是,这些与操作员相关的发现基于有限的样本量,可能无法在更广泛的操作员群体中普遍适用。

在更大规模的制造环境中,优化后的自主部署的相对优势可能会更加明显。例如,在航空航天装配线上,数百米的较长行驶距离会导致累积的行走惩罚。当与包含多个中间步骤的更复杂的制造流程结合时,可能存在更大的时间缓冲,从而使得自动化物料搬运(AMR)的移动和生产性劳动之间的重叠时间增加。在这样的条件下,经过适当优化的自主调度有潜力减少总操作时间和非增值时间,相比人工行走而言。然而,这些结果取决于具体情境,并且在本研究中没有直接进行评估。除了基于时间的指标外,AMR的部署还可能为制造环境提供其他操作上的好处。自动化的物料运输可以通过减少因物料可用性导致的任务中断来提高过程的一致性。AMR还支持提高物料移动的可预测性、重复性和可追溯性,这在航空航天制造中是关键考虑因素。此外,减少人工走动可以减轻操作人员的体力负担和工作流程中断,尽管这些因素在本研究中没有直接量化,但在评估AMR整合的更广泛影响时它们是非常重要的考虑因素。

**6. 结论**

自动化移动机器人作为提高制造工作流程效率和灵活性的手段,已经越来越受到关注。为了评估它们对物料配送的影响,进行了一项针对代表性航空航天装配过程的受控实验研究。研究考虑了三种情况:人工行走、人工AMR调度和基于卷积神经网络(CNN)的自主AMR部署。结果表明,由于任务执行的顺序性和机器人部署的延迟,人工AMR调度导致了显著更高的总操作时间和非增值时间。自主AMR部署通过实现前置的物料运输和机器人移动与操作员任务执行之间的重叠,消除了这种低效率。然而,在本研究的条件下,由于行走距离有限、面板1的物料配送与生产工作之间的重叠时间极少以及部署时机未得到优化,自主部署并没有显著优于人工行走。

这些发现表明,AMR整合的有效性在很大程度上取决于部署策略。当与工作流程需求适当同步时,自主部署有潜力超越人工物料取货方式,特别是在大规模制造环境中,那里的条件可能允许运输和生产工作之间有更多的时间重叠。未来的工作将致力于扩展所提出的框架,以支持更具适应性和全面性的制造环境。特别是,结合对物料搬运装置(MDO)和移动式执行单元(MPU)的视觉监控,将使得物料处理过程能够根据系统两端的状态动态调整。此外,扩展感知系统以包括非顺序的工作流程条件将提高对过程执行变化的鲁棒性,例如处理顺序错乱的操作和应对过程中的中断。这将需要集成更复杂的视觉状态和相关的决策逻辑。 furthermore,先进的视觉状态和决策逻辑可以实现物料需求与交付之间的更好同步,无论是在系统层面还是操作员层面。这可能涉及检测部分任务完成情况、应用时间偏移,并整合历史执行数据来指导针对个别操作员行为的自适应触发选择。这样的改进将使AMR部署与工作流程进展更加精确对齐,最终提高系统的效率,超越本研究中提出的基准框架。

总体而言,本研究表明,当移动不是预先与工作流程需求协调时,人工机器人调度会增加效率低下。相比之下,当自主调度与制造过程有效同步时,它有可能减少与物料取货相关的延迟,并增加运输和生产工作之间的重叠时间。最终,实现这些好处需要仔细同步部署触发器与人类工作流程的时间。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号