混凝土布料控制方法及系统

权利要求书： 1.一种混凝土布料控制方法，其特征在于，所述方法包括：获取视觉系统通过扫描采集的模具数据，并获取预设的模型一和模型二，其中，所述模型一为混凝土布料机螺旋转速与出料量之间的关系模型，所述模型二为混凝土布料机在特定螺旋转速下的行车速度与布料厚度或单位面积布料量之间的关系模型；

根据所述模具数据自动进行布料路径规划和出料口启闭规划；

依据所述模型一和所述模型二进行布料控制和下料；

在混凝土布料控制和下料过程中实时采集布料数据，并根据所述布料数据动态实时校准更新所述模型一和/或所述模型二，并循环进入步骤依据所述模型一和所述模型二进行布料控制和下料，直至布料结束；所述布料数据包括混凝土布料机螺旋转速、出料量、行车速度、以及布料厚度或单位面积布料量。

2.根据权利要求1所述的混凝土布料控制方法，其特征在于，所述获取视觉系统通过扫描采集的模具数据的步骤之前包括：基于历史布料数据得到混凝土布料机螺旋转速与出料量之间的关系模型即模型一；

基于历史布料数据得到混凝土布料机在特定螺旋转速下的行车速度与布料厚度或单位面积布料量之间的关系模型即模型二。

3.根据权利要求1所述的混凝土布料控制方法，其特征在于，所述模型一和所述模型二均为高斯模型。

4.根据权利要求1所述的混凝土布料控制方法，其特征在于，所述视觉系统包含相机和光源，或者所述视觉系统为3D视觉传感器。

5.根据权利要求1所述的混凝土布料控制方法，其特征在于，所述根据所述布料数据动态实时校准更新所述模型一和/或所述模型二的步骤包括：采用固定训练数据容量的方法，根据采集的所述混凝土布料机螺旋转速和所述出料量实时校准更新所述模型一；

采用固定训练数据容量的方法，根据采集的所述行车速度与所述布料厚度或单位面积布料量实时校准更新所述模型二。

6.根据权利要求1所述的混凝土布料控制方法，其特征在于，所述依据所述模型一和所述模型二进行布料控制和下料包括：通过所述模型一控制所述混凝土布料机螺旋转速达到出料速度恒定；

通过所述模型二控制所述行车速度达到布料厚度均衡。

7.根据权利要求1?6中任一项所述的混凝土布料控制方法，其特征在于，所述根据所述布料数据动态实时校准更新所述模型一和/或所述模型二，并循环进入步骤依据所述模型一和所述模型二进行布料控制和下料，直至布料结束的步骤包括：根据所述布料数据动态实时校准更新所述模型一和/或所述模型二；

将所述视觉系统测量的布料厚度或单位面积布料量与预设阈值相比较，获得比较结果；

根据所述比较结果确定混凝土布料是否合格；

若合格，则结束布料；

若不合格，则返回步骤：根据所述模具数据自动进行布料路径规划和出料口启闭规划。

8.根据权利要求1～7中任意一项所述的混凝土布料控制方法，其特征在于，所述模具数据包括台模的长度、宽度、厚度信息及边模位置信息，所述根据所述模具数据自动进行出料口启闭规划的步骤包括：

根据所述台模的宽度和布料机的布料口的宽度自动进行布料路径规划和出料口启闭规划。

9.根据权利要求8所述的混凝土布料控制方法，其特征在于，所述根据所述台模的宽度和布料机的布料口的宽度自动进行布料路径规划和出料口启闭规划包括：若台模的宽度小于或等于布料机的布料口总宽度，则控制布料机单次行走布料，且布料时布料机的料口部分呈关闭状态，部分呈开启状态，且交替开启布料机右侧的数个料口和布料机左侧的数个料口进行布料。

10.一种混凝土布料控制系统，其特征在于，包括混凝土布料机、视觉系统、布料机控制器及用于承载构件模具的模台；

所述布料机控制器与所述视觉系统相连接；

所述视觉系统用于采集模具数据、布料厚度或单位面积布料量，并将采集的模具数据布料厚度或单位面积布料量发送给所述布料控制器；

所述布料机控制器用于执行存储器中存储的计算机程序时实现如权利要求1至9任一项所述混凝土布料控制方法的步骤。

说明书： 一种混凝土布料控制方法及系统技术领域[0001] 本发明属于混凝土构件制备领域，具体涉及一种混凝土布料控制方法。背景技术[0002] 混凝土布料控制技术是装配式建筑自动化生产线中的重要组成部分，直接影响着预制构件的生产效率及质量。传统的布料工艺需要大量的人员投入，布料质量及效率取决

于操作工人的经验和熟练程度，且工作环境差。国内外有许多学者和机构对布料机软件、硬

件实施方案等方面进行了研究，目前比较流行的机器视觉、激光测距仪、条纹光等方式测量

预制板厚度，但由于混凝土的流动性，测出的厚度信息往往滞后，难于用于实时控制。若不

进行厚度的检测及实时反馈，则在后期校验不合格时，需要进行二次补料，造成返工。

[0003] 发明专利CN201710688194提供一种基于BIM的构件生产方法、装置及构件生产系统，该专利中利用激光实时检测所述模具内的混凝土厚度，判断所述混凝土厚度是否达到

预设范围。发明专利申请CN201710688296提供一种基于BIM的混凝土布料方法及系统，该专

利申请中同样是采用激光检测器实时对所述模具内所浇筑的混凝土的厚度进行检测。发明

专利CN201910388712提供一种预制混凝件智能布料机及智能布料方法，该专利中的称重元

件(5)能够实时测量料斗(4)及螺旋布料机构(2)的总重量。发明专利申请CN201910483956

提供一种砼构件生产线上自动识别边模围合空间并精准布料的方法，该专利申请通过计算

机计算出需要布料的单位面积混凝土重量。发明专利申请CN201910722800提供一种基于机

器视觉的混凝土布料机布料厚度测量装置及方法，该专利申请中通过检测布料厚度来控制

布料。因此，上述专利或专利申请中都是重在如何更精准地检测布料厚度，而并没有充分考

虑到布料厚度的检测与布料过程延迟的控制问题。因此，本领域需要一种新的混凝土布料

控制方法。

发明内容[0004] 因此，本发明提供一种混凝土布料控制方法，所述方法包括：[0005] 获取视觉系统通过扫描采集的模具数据，并获取预设的模型一和模型二，其中，所述模型一为混凝土布料机螺旋转速与出料量之间的关系模型，所述模型二为混凝土布料机

在特定螺旋转速下的行车速度与布料厚度或单位面积布料量之间的关系模型；

[0006] 根据所述模具数据自动进行布料路径规划和出料口启闭规划；[0007] 依据所述模型一和所述模型二进行布料控制和下料；[0008] 在混凝土布料控制和下料过程中实时采集布料数据，并根据所述布料数据动态实时校准更新所述模型一和/或所述模型二，并循环进入步骤依据所述模型一和所述模型二

进行布料控制和下料，直至布料结束；所述布料数据包括混凝土布料机螺旋转速、出料量、

行车速度、以及布料厚度或单位面积布料量。

[0009] 在本发明的布料控制和下料过程中，布料路径和出料口启闭是早已规划和确定的，它们并不会实时改变，实时更新的是螺旋转速和行车速度，二者会随着布料厚度的实时

更新而实时更新，但每次更新(例如每秒更新数次)都是微调。

[0010] 在一种具体的实施方式中，所述获取视觉系统通过扫描采集的模具数据的步骤之前包括：基于历史布料数据得到混凝土布料机螺旋转速与出料量之间的关系模型即模型

一；基于历史布料数据得到混凝土布料机在特定螺旋转速下的行车速度与布料厚度或单位

面积布料量之间的关系模型即模型二。

[0011] 在一种具体的实施方式中，所述模型一和所述模型二均为高斯模型。[0012] 在一种具体的实施方式中，所述视觉系统包含相机和光源，或者所述视觉系统为3D视觉传感器。

[0013] 在一种具体的实施方式中，所述根据所述布料数据动态实时校准更新所述模型一和/或所述模型二的步骤包括：采用固定训练数据容量的方法，根据采集的所述混凝土布料

机螺旋转速和所述出料量实时校准更新所述模型一；采用固定训练数据容量的方法，根据

采集的所述行车速度与所述布料厚度或单位面积布料量实时校准更新所述模型二。

[0014] 本发明中，所述采用固定训练数据容量的方法，即每当有新的数据产生时，就剔除一个最旧的数据。

[0015] 在一种具体的实施方式中，所述依据所述模型一和所述模型二进行布料控制和下料包括：通过所述模型一控制所述混凝土布料机螺旋转速达到出料速度恒定；通过所述模

型二控制所述行车速度达到布料厚度均衡。

[0016] 在一种具体的实施方式中，所述根据所述布料数据动态实时校准更新所述模型一和/或所述模型二，并循环进入步骤依据所述模型一和所述模型二进行布料控制和下料，直

至布料结束的步骤包括：根据所述布料数据动态实时校准更新所述模型一和/或所述模型

二；将所述视觉系统测量的布料厚度或单位面积布料量与预设阈值相比较，获得比较结果；

根据所述比较结果确定混凝土布料是否合格；若合格，则结束布料；若不合格，则返回步骤：

根据所述模具数据自动进行布料路径规划和出料口启闭规划。

[0017] 本发明中，混凝土布料前通过视觉系统先视觉扫描采集模具数据，混凝土布料中通过视觉系统实时采集和测量布料厚度数据，混凝土布料后通过视觉系统测量的布料厚度

起到合格校验的作用。

[0018] 在一种具体的实施方式中，所述模具数据包括台模的长度、宽度、厚度信息及边模位置信息，所述根据所述模具数据自动进行出料口启闭规划的步骤包括：根据所述台模的

宽度和布料机的布料口的宽度自动进行布料路径规划和出料口启闭规划。

[0019] 在一种具体的实施方式中，所述根据所述台模的宽度和布料机的布料口的宽度自动进行布料路径规划和出料口启闭规划包括：若台模的宽度小于或等于布料机的布料口总

宽度，则控制布料机单次行走布料，且布料时布料机的料口部分呈关闭状态，部分呈开启状

态，且交替开启布料机右侧的数个料口和布料机左侧的数个料口进行布料。

[0020] 本发明中，交替闭合临界出料口，减少料斗内料量不均的影响。[0021] 本发明还提供一种混凝土布料控制系统，包括混凝土布料机、视觉系统、布料机控制器及用于承载构件模具的模台；所述布料机控制器与所述视觉系统相连接；所述视觉系

统用于采集模具数据、布料厚度或单位面积布料量，并将采集的模具数据布料厚度或单位

面积布料量发送给所述布料控制器；所述布料机控制器用于执行存储器中存储的计算机程

序时实现如上所述混凝土布料控制方法的步骤。

[0022] 采用本发明所述方法能使得混凝土布料得到精准的控制，所得混凝土构件布料均匀，无需二次补料和返工，能显著节约人力物力和财力。

附图说明[0023] 图1为本发明的整体方案流程图。[0024] 图2为本发明的视觉扫描步骤的结构图。[0025] 图3为单次路径规划布料示意图。[0026] 图4为两次路径规划布料示意图。[0027] 图5为训练数据更新示意图。[0028] 图6为初始模型建立及验证流程示意图。[0029] 图7为模型动态更新流程示意图。具体实施方式[0030] 本发明提出了一种混凝土布料控制方法，针对实时反馈控制问题，首先基于前期采集数据进行模型训练，其次基于训练的模型进行预测实现反馈控制，最后由于测量厚度

的滞后性，将滞后的信息及数据加入训练数据集用于模型的校准，以达到模型动态更新的

目的，更好地进行布料规划。

[0031] 本发明采用双高斯模型，螺旋转速与出料量之间的关系模型为模型一、特定螺旋转速下的行车速度与布料厚度之间的关系模型为模型二。模型一主要用于保证出料量的稳

定，本发明的关键点还在于模型二，由于在布料过程中混凝土处于流动状态，所以实时检测

的布料厚度信息无法用于实时的反馈控制，本发明将滞后的厚度信息用于模型的校准，通

过模型动态更新的方法，在闭环控制中应用模型预测达到实时反馈的效果。

[0032] 混凝土布料控制技术是装配式建筑自动化生产线中的重要组成部分，直接影响着预制构件的生产效率及质量。传统的布料工艺需要大量的人员投入，布料质量及效率取决

于操作工人的经验和熟练程度，且工作环境差。本发明提出了一种基于高斯模型的布料控

制方法，本发明采用机器视觉进行模具识别，自动进行布料机路径规划、布料规划，同时建

立出料量与螺旋转速、行车速度与布料厚度的动态模型，基于模型进行控制设计。

[0033] 本发明的整体方案流程图如图1所示。本发明的视觉扫描步骤的结构图如图2所示，图中11为相机，12为光源，13为用于混凝土布料的模台，14为边模，15为用于相机11和光

源12及时移动的支架。当模台匀速移动经过视觉扫描区时，视觉系统进行扫描图像采集，经

过算法处理获取台模长度、宽度、厚度及边模位置等信息。

[0034] 图3和图4为路径规划示意图。其中图3为单次路径规划布料示意图，图4为两次路径规划布料示意图。图3和图4中由十二个小正方形呈一字排开的图案代表布料机的布料口

宽度，其中白色代表料口打开，黑色代表料口关闭。图3和图4中的大正方形或长方形代表台

模的宽度，图3中台模的宽度小于布料机的布料口宽度，则布料机的料口在布料时始终部分

呈关闭状态，部分呈开启状态，且交替开启布料机的右侧的数个料口(例如八个)和布料机

左侧的数个料口(例如八个)。而图4中台模的宽度大于布料机的布料口宽度，则布料机的料

口也是在布料时始终部分呈关闭状态，部分呈开启状态，且第一次布料时(往前走)开启布

料机的左侧或右侧的数个料口(例如八个)，而在第二次布料时(往后退)开启布料机的右侧

或左侧的数个料口(例如八个)即可。而当台模的宽度与布料机的布料口宽度相等时，全部

料口开启且一次性布料完毕即可。也就是说，本发明中，依据台模的宽度及布料机布料口总

宽度限制规划布料机行走次数及每个料口的开闭状态。当台模宽度小于布料口总宽度时，

单次行走即可完成整体布料。考虑到部分出料口长时间闭合可能出现堵塞及料斗内出料不

均衡问题，优选采用交替闭合临界出料口的方法。而当台模宽度大于布料机布料口总宽度

时，采用多次布料的路径规划，如图4所示为两次布料的路径规划。

[0035] 然后依据台模布料面积和所需的布料厚度信息等信息根据模型一和模型二来规划起始阶段出料口的螺旋转速及布料机的料斗行车速度。

[0036] 本发明中，基于历史布料数据得到模型一和模型二。[0037] 1、高斯模型原理：[0038] 任意一个高斯过程可以完全由它的均值函数和协方差函数来确定，假设一个实际过程f(x)的均值函数为μ(x)和协方差函数为k(x,x')

[0039][0040] 其高斯过程形式即为[0041] f(x)～GP(μ(x),k(x,x'))(2)[0042] 高斯过程是一组随机变量的集合，这也自然地说明了一致性的要求，也就是所谓的边缘特性。这种特性也就是说如果一个高斯过程服从(y1,y2)～N(μ,∑)，那么y1～N(μ1,

∑11)，其中Σ11是Σ的子矩阵。换句话说，就是一个较大的变量集的检验并不改变较小的集

合的分布。如果协方差函数是协方差矩阵的计算公式，那么一致性要求是自动满足的。

[0043] 一个简单的高斯过程的获取方法是通过贝叶斯线性回归模型 其中w的先验分布为w～N(0,∑p)，那么高斯过程的均值和方差分别为

[0044][0045] f(x)和f(x')是服从均值为零方差为 的联合高斯分布。实际上，对应于任意多(n)个输入点处的函数值f(x1),…,f(xn)都是服从联合高斯分布的。

[0046] 2、模型的建立[0047] 高斯模型是由它们的均值和协方差函数确定的，即均值函数μ(x)和协方差函数k(x,x')。尽管用到的先验知识可能是非零均值的，但是可以通过平移的方法使先验均值为

零，因此认为先验均值为0是一个合理的假设，这样也简化函数推导过程中的标记符。协方

差函数可以用来说明两个输入点之间的相互关系和确定高斯模型所描述的函数。

[0048] 假设系统的数学描述为[0049] y＝f(x)+ε(4)[0050] 并认为p(y|x)是服从高斯分布的，ε是服从均值为0的高斯分布的。[0051] 对于任意有限数据集合Dn，高斯模型就变为了多维联合高斯分布的求解问题，该分布由均值和协方差矩阵 来描述。高斯先验变为

[0052] p(fn|Xn)＝N(0,Kn)(5)[0053] 其中fn＝[f(x1),f(x2),...,f(xn)]T、Xn＝[x1,x2,...,xn]。我们想要计算的是给定新的输入x*和训练数据Dn的条件下的系统输出。

[0054] 首先，由贝叶斯理论推出隐函数的后验概率密度函数为[0055][0056] 其中p(f(x*),fn|x*,Xn)是由式(5)加入测试输入x*后的延伸，p(yn|fn)是由训练集合得到的函数似然，给定隐函数fn的情况下，Xn与yn是相互独立的，p(yn|Xn)为边缘似然函

数。

[0057] 因为采样数据集合Dn中的数据是服从独立同分布的，所以似然函数可以由分解模型组成

[0058][0059] 对于每一对数据(f(xi),yi)，其似然函数为[0060][0061] 最后我们可以获得给定新的输入x*的后验密度，结合训练数据和x*得到的输出边缘函数为

[0062] p(y*|x*,Dn)＝∫p(y*|f(x*))p(f(x*)|x*,Dn)df(x*)(9)[0063] 其中[0064] p(f(x*)|x*,Dn)＝∫p(f(x*),fn|x*,Dn)dfn(10)[0065] 我们可以将边缘似然函数(9)分解为两个独立的等式，其中式(10)是基于训练数据的隐函数的边缘似然，式(9)是边缘似然函数在新的数据输入x*点处的似然。之前提到的

似然和先验都是服从高斯过程的，因此式(9)和式(10)也是只包含高斯过程的。

[0066] 我们可以利用高斯过程的条件分布和边缘分布的特性，得到预测输出的高斯分布[0067][0068] 其中[0069][0070][0071] k＝[k(x1,x*),k(x2,x*),...,k(xn,x*)]T(14)[0072][0073] 对于分布p(y*|x*,Dn)的均值同样由式(12)给出，即 对应的方差为[0074][0075] 协方差函数为[0076][0077] 3、数据测试[0078] 假设初始采样数据容量为n(X，Y)和一个新的输入点xn+1，我们就可以利用公式(16)、(17)和(4)计算出新的输出yn+1的预测分布。由于每次对采样数据的更新都会造成协

方差矩阵的变化，而在做预测时需要求协方差矩阵的逆，因此增加计算的负担。针对这个问

题可以采用分块矩阵求逆的方法，来直接对协方差矩阵的逆矩阵进行更新，其更新形式如

下

[0079][0080] 其中当x*＝xn+1时， 和kn+1分别对应于式(16)和(17)。[0081] 对于训练数据容量n不变的情形下，在对协方差矩阵进行更新时，需要去除一个旧的数据点然后添加一个新的数据点，可以采用同样的方法对协方差矩阵进行更新，其计算

形式如下

[0082][0083] 其中，C22为去掉离现在时刻最远的数据点之后的协方差矩阵，其维数为(n?1)×(n?1)。然后令Cn＝C22再由式(18)计算加入新的数据点的协方差矩阵的逆。

[0084] 已知训练数据集合，可由式(4)、(17)求得预测表达式(13)中的协方差矩阵及协方差向量

[0085] Cn＝k(X,X)(20)[0086] k＝k(X,x*)(21)[0087] 则模型的预测输出为[0088][0089] 4、建模方案[0090] 初始模型为历史运行数据训练得到，在布料过程中，随着新数据的增加对训练数据不断更新，以达到对模型进行实时校正的目的。图5为训练数据更新示意图。

[0091] 混凝土布料过程中包含两个关系模型：1)螺旋转速与出料量之间的关系模型；2)行车速度与布料厚度之间的关系模型。

[0092] 高斯模型属于数据驱动模型，因此模型的基础在于训练数据的选择。在线动态建模的一个问题就是训练数据容量的问题，在线的建模方法，随着时间的推移会不断地产生

新的样本数据，如果直接加入到训练数据集合中，则建模数据的容量将会不断地增加，从而

增大寻优过程的计算量。由于运行过程是动态的变化的，随着新数据的不断加入，旧的数据

可能已失去建模的意义，因此我们采用固定训练数据容量的方法，每当有新的数据产生时，

就剔除一个最旧的数据。

[0093] 图6为初始模型建立及验证流程示意图。图6中的“单位面积布料量”与“布料厚度”表征了相同的内容，二者的测量目的相同，在本发明中可视为二者等同。图7为模型动态更

新流程示意图。

[0094] 5、布料控制方案[0095] 通过螺旋转速与出料量之间的高斯关系模型，控制螺旋转速达到出料速度恒定的目的。当出料口出现阻塞影响出料时，随着数据的更新对模型不断进行校正，进而调节螺旋

转速达到恒定出料速度的目的。通过模型实时动态更新的方法达到调节螺旋转速维持出料

恒定的目的。同理，通过布料机在特定螺旋转速下的行车速度与布料厚度之间的关系模型，

调节行车速度达到布料厚度均衡的目的。

[0096] 上述实施例仅为清楚地说明本发明技术方案所作的举例，而并非是对本发明的实施方式的限定。在不改变本发明基本构思和实质的情况下，任何其它等同技术特征的变换

或修改，都应属于本发明权利要求的保护范围。