news 2026/2/14 9:36:14

刚调试完一个追剪项目,客户要求切刀必须精确咬合印刷包装袋的切口。这玩意儿玩的就是主轴和从轴的默契配合——主轴带着材料跑,从轴伺服得在正确时间点扑上去完成剪切

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
刚调试完一个追剪项目,客户要求切刀必须精确咬合印刷包装袋的切口。这玩意儿玩的就是主轴和从轴的默契配合——主轴带着材料跑,从轴伺服得在正确时间点扑上去完成剪切

追剪Ver2.2.1(电子凸轮) 0.主轴异步电机+编码器,从轴伺服一台。 1.西门子200smart 2.维伦通触摸屏 3.使用pls指令编写;单位:毫米。 4.具有位置补偿,切刀追上切口。

系统框架挺简单:200smart的SR40配EMAE08扩展模块接编码器,从轴是台750W的日系伺服。关键点在于主轴是异步电机带编码器反馈,这可比直接用伺服当主轴刺激多了——转速有轻微波动就得实时捕捉。

电子凸轮的核心算法在OB1里循环执行。先看编码器处理部分:

//编码器计数转实际长度 LDW= 0.0 MOVW HC0, AC0 -I VW200, AC0 //VW200存储上周期计数值 DTR AC0, VD100 //差值转双整数 /R 2000.0, VD100 //2000脉冲/转,导程10mm→0.005mm/脉冲 +R VD110, VD114 //VD114累计总长度 MOVW HC0, VW200 //更新计数值

这段代码每周期计算主轴位移增量。注意除法运算前必须转实数,200smart的整数除法会丢精度。VD114累计值就是切刀要追踪的基准位置。

追剪动作触发时的PLS指令配置才是重头戏:

MOVR VD114, VD120 //当前主轴位置 MOVR VD120, VD124 //从轴目标位置 +R 500.0, VD124 //提前500mm开始加速 PLS 1, VD124, 200.0 //脉冲输出1,目标位置,最大速度

这里的500mm提前量不是固定值,实际要根据伺服加速度动态计算。有个坑——PLS指令的单位转换必须和伺服侧的电子齿轮比严丝合缝,曾经因为少算个π导致切刀直接怼进输送辊。

补偿机制藏在中断程序里。每完成一次剪切就对比切口标记和切刀位置的偏差:

LDR< VD300, VD304 //VD300是视觉检测的偏差量 MOVR VD304, VD308 //滤波处理 *R 0.7, VD308 //补偿系数 +R VD308, VD310 //VD310存储累计补偿值 MOVR VD310, VD124 //补偿量叠加到目标位置

这补偿逻辑得像钓鱼——收线太快会扯断,太慢鱼就跑了。0.7这个衰减系数是现场试出来的,能有效防止过补偿引发的振荡。

维伦通触摸屏上做了个骚操作:把伺服的跟随误差曲线和主轴速度曲线叠在同一坐标系。当两条线开始"劈叉"时,直接点屏幕上的相位微调按钮,补偿值立即生效。毕竟产线工人可没耐心等自动整定。

调试时最抓狂的是编码器信号干扰。后来在EMAE08模块的A相接了470Ω上拉电阻,B相并了个104瓷片电容才稳定。血的教训:别迷信屏蔽线,高频脉冲该做的滤波一个都不能少。

现在这系统跑起来,切刀追切口就像猎豹扑羚羊——伺服电机的加减速曲线贴着材料速度变化,补偿机制能在连续三次偏差超过0.3mm时自动触发二次标定。最后实测精度±0.15mm,比客户要求的±0.5mm还狠。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/2/10 3:41:52

YOLO推理批处理优化:提升GPU利用率的秘密武器

YOLO推理批处理优化&#xff1a;提升GPU利用率的秘密武器 在现代AI系统中&#xff0c;模型跑得快不等于系统效率高。尤其是在工业视觉、自动驾驶和智能安防这类对吞吐量极度敏感的场景里&#xff0c;我们常常会遇到一个看似矛盾的现象&#xff1a;明明GPU算力强劲&#xff0c;监…

作者头像 李华
网站建设 2026/2/5 13:49:10

YOLO目标检测服务支持OAuth2认证,GPU资源受控访问

YOLO目标检测服务支持OAuth2认证&#xff0c;GPU资源受控访问 在智能制造车间的边缘服务器上&#xff0c;一个实时视频流正被持续送入AI模型进行缺陷检测。与此同时&#xff0c;远程运维团队试图通过API调用查看设备状态&#xff0c;而第三方合作伙伴也想接入部分视觉能力——如…

作者头像 李华
网站建设 2026/2/7 23:48:48

YOLO目标检测中的增量学习支持:持续适应新数据

YOLO目标检测中的增量学习支持&#xff1a;持续适应新数据 在智能制造车间的一条装配线上&#xff0c;视觉系统原本用于检测A、B两类零件的缺陷。某天&#xff0c;产线引入了新型号C类组件——传统做法是收集所有历史数据&#xff08;包括A、B类&#xff09;与新样本一起重新训…

作者头像 李华
网站建设 2026/2/8 9:41:05

YOLO与Flagger渐进式交付集成:自动化金丝雀发布

YOLO与Flagger渐进式交付集成&#xff1a;自动化金丝雀发布 在智能制造车间的视觉质检线上&#xff0c;一台边缘设备突然开始频繁漏检微小缺陷——原因竟是刚上线的新版目标检测模型对特定光照条件敏感。这种场景在AI工业化落地过程中屡见不鲜&#xff1a;模型在离线测试中表现…

作者头像 李华
网站建设 2026/2/6 2:15:45

基于FPGA的交通信号灯控制系统设计十字路口交通灯红绿灯控制

详见主页个人简介获取配套设计报告程序源文件截图1引言 1.1 设计目的 1.2 设计任务 1.模拟十字路口交通信号灯的工作过程&#xff0c;利用交通信号灯上的两组红&#xff0c;黄&#xff0c;绿LED发光二极管作为交通信号灯&#xff0c;设计一个交通信号灯控制器。 2.模拟两条公…

作者头像 李华
网站建设 2026/2/11 2:38:29

YOLO模型灰度版本灰度结束后的效果复盘

YOLO模型灰度版本灰度结束后的效果复盘 在智能制造工厂的SMT产线车间里&#xff0c;一块块PCB板正以每分钟200块的速度通过检测工位。过去&#xff0c;这个环节依赖四名质检员轮班盯屏&#xff0c;不仅人力成本高&#xff0c;还常因疲劳导致漏检。而现在&#xff0c;一台搭载Je…

作者头像 李华