創(chuàng)澤機(jī)器人 |
CHUANGZE ROBOT |
1、卡扣力信號(hào)分析
在工業(yè)上,一般分為三種主要的卡扣類型,即懸臂式卡扣組件、環(huán)形卡扣組件和扭轉(zhuǎn)式卡扣組件。它們影響零件設(shè)計(jì)和卡扣機(jī)構(gòu),所有類型都是相似的,因?yàn)樗鼈兓谄渲幸粋(gè)柔性部件和第二個(gè)高剛度的部件,后者允許將兩個(gè)部件插入并鎖定在一起[1]。這兩個(gè)部分相互推動(dòng),導(dǎo)致柔性部件發(fā)生偏轉(zhuǎn),直到施加的力超過一定限度,從而導(dǎo)致兩個(gè)部件斷裂。它們的區(qū)別在于鎖定機(jī)構(gòu)的形狀和產(chǎn)生不同力特征的材料特性。懸臂和環(huán)形兩種卡扣組件類型卡扣(圖1)在成功裝配過程中產(chǎn)生的力特征(圖2)如下圖所示。
在懸臂卡扣裝配過程中,一旦咬合成功,柔性部件就會(huì)偏轉(zhuǎn),回到其初始位置對(duì)其進(jìn)行鎖定,只有拉動(dòng)柔性部件時(shí)才能將這兩個(gè)部件分離。對(duì)環(huán)形卡扣而言,咬合效果由施加在柔性部件上的恒定載荷決定。一旦載荷消失,卡扣就會(huì)松開。扭轉(zhuǎn)卡扣在鎖定運(yùn)動(dòng)方面有所不同,兩個(gè)部件之間的鎖定運(yùn)動(dòng)是旋轉(zhuǎn)的,但產(chǎn)生的力特征與環(huán)形和懸臂相似。
零件在不同的裝配階段產(chǎn)生的作用力可用于描述過程狀態(tài)。圖2所示的兩種卡扣的力特征圖具有不同的形狀,可用于及時(shí)識(shí)別裝配過程的完成情況。在這兩種情況下,物體的偏轉(zhuǎn)都會(huì)產(chǎn)生一個(gè)恒定的力,一旦部件的力消失,力就會(huì)急劇下降,當(dāng)兩部分鎖定在一起時(shí),力就會(huì)增大。懸臂卡扣在鎖定之前,兩個(gè)部件相互滑動(dòng),產(chǎn)生一個(gè)恒定的摩擦力,該摩擦力由于部件的材質(zhì)屬性造成的力載荷不同而變化。環(huán)形卡扣則不存在滑動(dòng)。力信號(hào)的確切形狀取決于連接部件的機(jī)械性能和卡扣類型。環(huán)形和懸臂是兩個(gè)極端情況,環(huán)形卡扣是在恒定的力載荷下,而懸臂卡扣在咬合后載荷消失。
2、機(jī)器學(xué)習(xí)框架
上述分析表明,所有類型的卡扣都會(huì)產(chǎn)生相似但不同的裝配力特征,以確認(rèn)最終的卡扣狀態(tài)。目前大多都是通過具體模型分析方法,這需要大量的時(shí)間和精力,而且可重用性有限。因此,本文定義了一個(gè)機(jī)器學(xué)習(xí)框架,該框架可以識(shí)別所有類型的卡扣的力輪廓特征。為了進(jìn)一步加速這一進(jìn)程,該框架采用了人機(jī)協(xié)作的方式來加速實(shí)驗(yàn)過程,生成具有高可變性和準(zhǔn)確學(xué)習(xí)結(jié)果的數(shù)據(jù)集。
只有構(gòu)建一個(gè)好的訓(xùn)練和測(cè)試集,才能建立一個(gè)好的分類器[2]。一個(gè)具有統(tǒng)計(jì)獨(dú)立樣本特征的訓(xùn)練集并不容易建立,特別是當(dāng)需要通過機(jī)器人實(shí)驗(yàn)產(chǎn)生時(shí)。一方面,生成這兩個(gè)程序集類示例可能無法達(dá)到使用基于數(shù)據(jù)的方法的目的,最終的樣本也不可能涵蓋所有情況。另一方面,人類專家雖然擁有設(shè)計(jì)和交付大量變化的實(shí)驗(yàn)的知識(shí),但是沒有充分的準(zhǔn)備時(shí)間。人類有一種與生俱來的可變性,允許構(gòu)建一個(gè)豐富的信息數(shù)據(jù)集,從而改善機(jī)器學(xué)習(xí)的效果。這一點(diǎn),加上人參與裝配過程所節(jié)省的大量時(shí)間,都顯示了人機(jī)協(xié)作的優(yōu)勢(shì)。上述內(nèi)容包含在圖3所示的擬議的框架中,其中定義了兩個(gè)離散階段:訓(xùn)練和操作階段。
訓(xùn)練階段的目的是生成一個(gè)能夠?qū)崟r(shí)準(zhǔn)確表征力信號(hào)的分類器。在這一階段,裝配是協(xié)作完成的,其中機(jī)器人拿著兩個(gè)零件中的一個(gè)充當(dāng)智能傳感器,而人類則作為專家進(jìn)行手動(dòng)裝配。在人機(jī)協(xié)作中,需要一個(gè)可以估計(jì)或測(cè)量的力,而不需要機(jī)器人的力傳感器或外部的視覺系統(tǒng),從而降低了成本和復(fù)雜性。論文展示了許多成功和失敗的裝配例子,在各種不同的條件下以不同的速度進(jìn)行了演示。
3、特征選擇
如圖2所示,卡扣裝配可以概括為在時(shí)間序列上力特征的獨(dú)特表示。相比之下,不成功的情況可能會(huì)有很大的不同,因力不足導(dǎo)致部件錯(cuò)位產(chǎn)生噪聲信號(hào),導(dǎo)致力上升而不出現(xiàn)明顯的下降。卡扣組件的力信號(hào)與零件的材料和鎖定機(jī)構(gòu)有關(guān)。由于低頻力信號(hào)在其頻譜中顯示的信息很少,因此基于頻率的特征不被考慮。首先選擇了24個(gè)特征并進(jìn)行計(jì)算,以進(jìn)一步評(píng)估其識(shí)別卡扣裝配的能力。統(tǒng)計(jì)的信號(hào)特征包括信號(hào)能量、偏差度、方差、對(duì)數(shù)變換、峰度和Willison振幅等。為了避免過度擬合,降低分類器的復(fù)雜度,降低對(duì)大型訓(xùn)練集的要求,降低算法的復(fù)雜度。由于特征向量的初始尺寸較小,采用了一種窮舉搜索子集的選擇方法,具有較高的性能(精度>0.95)[3]。對(duì)于最終的特征選擇,考慮了每個(gè)特征的計(jì)算復(fù)雜度。
4、實(shí)驗(yàn)結(jié)果
作者進(jìn)行了大量的實(shí)驗(yàn)來分析所提出的框架,并對(duì)其在兩個(gè)階段的效率進(jìn)行了評(píng)估。首先介紹實(shí)驗(yàn)裝置,然后介紹數(shù)據(jù)采集過程和實(shí)驗(yàn)結(jié)果。將7自由度的KUKA LWR4+機(jī)械手與三指夾持器Barret BH-8連接,并使用特制夾持器進(jìn)行評(píng)估。選擇了兩組不同的部件(圖4),代表懸臂和環(huán)形卡扣組件。在不使用外力傳感器的情況下,通過KUKA力估算機(jī)制測(cè)量兩個(gè)部件之間產(chǎn)生的裝配力。
對(duì)于懸臂卡扣,插頭的外接部分安裝在定制的夾鉗上(圖5)。然后母零件被固定在一個(gè)穩(wěn)定的基座上,由機(jī)器人進(jìn)行自主裝配。針對(duì)懸臂和環(huán)形卡扣裝配都進(jìn)行了分析,以評(píng)估懸臂和環(huán)形卡扣裝配的選擇特征。首先,根據(jù)訓(xùn)練階段收集到的數(shù)據(jù)集,評(píng)估所提出的特征和訓(xùn)練分類器的效果。然后,應(yīng)用整個(gè)框架以提高其整體效率。
收集了四個(gè)不同的數(shù)據(jù)集,其中兩個(gè)是通過人機(jī)協(xié)作收集的,另外兩個(gè)是在機(jī)器人自主操作時(shí)收集的。在每種情況下,都有一半的程序集成功完成裝配,另一半則未能完成裝配。由于零件未對(duì)準(zhǔn)或所需力不足,會(huì)產(chǎn)生兩種不同類型的不成功卡扣裝配的情況。最后,為了測(cè)試效果,機(jī)器人裝配是在四種不同的平均速度下完成的。
結(jié)果表明,在訓(xùn)練集相對(duì)較小的情況下,通過人機(jī)協(xié)作提取的分類器能夠獲得很好的識(shí)別效果。需要注意的是,當(dāng)整個(gè)訓(xùn)練集用于分類器的訓(xùn)練時(shí),懸臂和環(huán)形卡扣的精度分別達(dá)到0.96和0.98。即使是訓(xùn)練集的一小部分,分類器的性能也非常好,在只有N=20和N=22個(gè)樣本時(shí),分類器的中值達(dá)到了0.9。另一個(gè)重要的觀察結(jié)果是,當(dāng)訓(xùn)練集規(guī)模增大時(shí),精度異常值幾乎為零,方差顯著下降,顯示了結(jié)果統(tǒng)計(jì)的顯著性。
運(yùn)行評(píng)估。評(píng)估了所提出的框架的整體效能,以實(shí)時(shí)接收組件裝配信號(hào)。結(jié)果表明,該方法具有良好的識(shí)別性能,與全訓(xùn)練集相似,準(zhǔn)確度、特異性和靈敏度均衡,平均值分別為0.92、0.981和0.86。這些結(jié)果表明與整個(gè)數(shù)據(jù)集(N=60)訓(xùn)練的分類器性能相比,該分類器性能的相對(duì)變化較小,分別為7%、0.08%和0.14%。然而,結(jié)果會(huì)隨著訓(xùn)練集規(guī)模的不同而變化,該訓(xùn)練集包含很多異常值,類似于圖6所示的分類器的結(jié)果。因此,為了克服此類問題,應(yīng)仔細(xì)挑選訓(xùn)練集,以便在成功和失敗的情況下包含所有信號(hào)變化。
轉(zhuǎn)換評(píng)估。這兩種分類器對(duì)成功的卡扣裝配信號(hào)具有很高的分類精度。對(duì)不成功信號(hào)的分類精度較低,特征值分別下降到0.673和0.715。該分類器的總體性能用平衡精度來表示,兩種情況下分別為0.836和0.857。盡管分類器具有相對(duì)較好的平衡精度,但其特異度非常低,這表示不成功的裝配很容易被識(shí)別為成功裝配。
不可見對(duì)象的綜合評(píng)價(jià)。在這一部分中,對(duì)所提出的方法用于概括不同對(duì)象的整體能力進(jìn)行了評(píng)估。環(huán)形卡扣通過人機(jī)協(xié)作在數(shù)據(jù)集上訓(xùn)練產(chǎn)生的分類器,用于識(shí)別另一種環(huán)形卡扣類型的卡扣組件,在機(jī)器人自主操作下進(jìn)行裝配(圖7)。盡管這兩個(gè)對(duì)象不同,但它們有相似的咬合機(jī)制并生成相似的力配置文件。然而,不可見的物體有更嚴(yán)格的力學(xué)機(jī)制,并且咬合發(fā)生在較大的力振幅中,平均咬合值為45 N。在評(píng)估過程中,收集了30次咬合力剖面,每個(gè)部件有15個(gè)信號(hào)(成功和失。。該分類器以實(shí)時(shí)方式對(duì)信號(hào)進(jìn)行處理,同時(shí)信號(hào)在訓(xùn)練集的管理單元級(jí)別上擴(kuò)展并在200ms時(shí)間窗口中采樣。結(jié)果表明,對(duì)所有成功的裝配部件和265個(gè)不成功的卡扣裝配部件中的191個(gè)部件進(jìn)行了正確的分類,平均精度達(dá)到0.8604(72.08%特異性)。同時(shí)對(duì)離線情況(全信號(hào)分類)也進(jìn)行了評(píng)估。整體準(zhǔn)確度為0.9, 15個(gè)裝配失敗信號(hào)中的12個(gè)(80%特異性)被識(shí)別出,所有成功卡扣裝配部件信號(hào)都被識(shí)別出來。結(jié)果表明,該方法無需重新訓(xùn)練,可以很好地推廣。
該方法與通過具體模型分析方法進(jìn)行了進(jìn)一步的比較[4]。該框架是與另一框架在同一個(gè)數(shù)據(jù)集中完成的。這個(gè)數(shù)據(jù)集由33個(gè)裝配電連接器的力信號(hào)組成,其中9個(gè)屬于成功裝配的部件,而其余的屬于不同類型的錯(cuò)誤裝配部件。為了評(píng)估該框架,將不同類別的不成功的數(shù)據(jù)合并在一起,將數(shù)據(jù)集拆分為一個(gè)訓(xùn)練集(60%)和一個(gè)測(cè)試集(40%)。用基于模型的方法得出四種不同類別的精度,結(jié)果平均精度為0.945。因?yàn)樵紨?shù)據(jù)集的40%被用于驗(yàn)證該方法,所以無法進(jìn)行絕對(duì)公平的比較,但結(jié)果顯示效果相對(duì)較好。
5、結(jié)論
本文提出了一種基于機(jī)器學(xué)習(xí)的快速裝配的框架。該框架在兩種不同的卡扣裝配下進(jìn)行了測(cè)試,顯示出較高的識(shí)別精度(高達(dá)0.99)。通過人機(jī)協(xié)作訓(xùn)練產(chǎn)生了良好的學(xué)習(xí)數(shù)據(jù)集,成功和失敗案例的可變性都很高。該特征集對(duì)不同的對(duì)象中進(jìn)行了測(cè)試,顯示它在不同的卡扣裝配類型中的能力。只要對(duì)數(shù)據(jù)集進(jìn)行仔細(xì)的采樣,即使是很小的N=20個(gè)樣本的訓(xùn)練集,分類器的性能也能表現(xiàn)出良好的效果,可達(dá)精度>0.9。同時(shí)與基于模型的方法進(jìn)行了比較,結(jié)果表明了該方法的顯著優(yōu)異性。該框架未來將在更多類型的卡扣裝配中進(jìn)一步驗(yàn)證。
參考文獻(xiàn)
[1] J. Ji, K.-M. Lee,and S. Zhang, “Cantilever snap-fit performance analysis for haptic evaluation,”J. Mech. Des., vol. 133, no. 12, 2011, Art. no. 121004.
[2] C. Beleites, U.Neugebauer, T. Bocklitz, C. Krafft, and J. Popp, “Sample size planning forclassification models,” Anal. Chim. Acta, vol. 760, pp. 25–33, Jan.2013.
[3] I. Guyon and A.Elisseeff, “An introduction to variable and feature selection,” J. Mach.Learn. Res., vol. 3, pp. 1157–1182, Jan. 2003.
[4] J. Huang, Y.Wang, and T. Fukuda, “Set-membership-based fault detection and isolation forrobotic assembly of electrical connectors,” IEEE Trans. Autom. Sci. Eng., vol.15, no. 1, pp. 160–171, Jan. 2018. [Online]. Available: http://ieeexplore.ieee.org/document/7572012/
機(jī)器人招商 Disinfection Robot 機(jī)器人公司 機(jī)器人應(yīng)用 智能醫(yī)療 物聯(lián)網(wǎng) 機(jī)器人排名 機(jī)器人企業(yè) 機(jī)器人政策 教育機(jī)器人 迎賓機(jī)器人 機(jī)器人開發(fā) 獨(dú)角獸 消毒機(jī)器人品牌 消毒機(jī)器人 合理用藥 地圖 |