| 創(chuàng)澤機器人 |
| CHUANGZE ROBOT |
| 創(chuàng)澤機器人 |
| CHUANGZE ROBOT |
1、卡扣力信號分析
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)計和卡扣機構(gòu)，所有類型都是相似的，因為它們基于其中一個柔性部件和D二個G剛度的部件，后者允許將兩個部件插入并鎖定在一起[1]。這兩個部分相互推動，導致柔性部件發(fā)生偏轉(zhuǎn)，直到施加的力超過一定限度，從而導致兩個部件斷裂。它們的區(qū)別在于鎖定機構(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，柔性部件就會偏轉(zhuǎn)，回到其初始位置對其進行鎖定，只有拉動柔性部件時才能將這兩個部件分離。對環(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，卡扣就會松開。扭轉(zhuǎn)卡扣在鎖定運動方面有所不同，兩個部件之間的鎖定運動是旋轉(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，可用于及時識別裝配過程的完成情況。在這兩種情況下，物體的偏轉(zhuǎn)都會產(chǎn)生一個恒定的力，一旦部件的力消失，力就會急劇下降，當兩部分鎖定在一起時，力就會增大。懸臂卡扣在鎖定之前，兩個部件相互滑動，產(chǎn)生一個恒定的摩擦力，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。力信號的確切形狀取決于連接部件的機械性能和卡扣類型。環(huán)形和懸臂是兩個J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、機器學習框架
上述分析表明，所有類型的卡扣都會產(chǎn)生相似但不同的裝配力特征，以確認終的卡扣狀態(tài)。目前大多都是通過具體模型分析方法，這需要大量的時間和精力，而且可重用性有限。因此，本文定義了一個機器學習框架，該框架可以識別所有類型的卡扣的力輪廓特征。為了進一步加速這一進程，該框架采用了人機協(xié)作的方式來加速實驗過程，生成具有G可變性和準確學習結(jié)果的數(shù)據(jù)集。
只有構(gòu)建一個好的訓練和測試集，才能建立一個好的分類器[2]。一個具有統(tǒng)計獨立樣本特征的訓練集并不容易建立，特別是當需要通過機器人實驗產(chǎn)生時。一方面，生成這兩個程序集類示例可能無法達到使用基于數(shù)據(jù)的方法的目的，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)計和交付大量變化的實驗的知識，但是沒有充分的準備時間。人類有一種與生俱來的可變性，允許構(gòu)建一個豐富的信息數(shù)據(jù)集，從而改善機器學習的效果。這一點，加上人參與裝配過程所節(jié)省的大量時間，都顯示了人機協(xié)作的優(yōu)勢。上述內(nèi)容包含在圖3所示的擬議的框架中，其中定義了兩個離散階段：訓練和操作階段。
訓練階段的目的是生成一個能夠?qū)崟r準確表征力信號的分類器。在這一階段，裝配是協(xié)作完成的，其中機器人拿著兩個零件中的一個充當智能傳感器，而人類則作為專家進行手動裝配。在人機協(xié)作中，需要一個可以估計或測量的力，而不需要機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間序列上力特征的獨特表示。相比之下，不成功的情況可能會有很大的不同，因力不足導致部件錯位產(chǎn)生噪聲信號，導致力上升而不出現(xiàn)明顯的下降。卡扣組件的力信號與零件的材料和鎖定機構(gòu)有關(guān)。由于低頻力信號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個特征并進行計算，以進一步評估其識別卡扣裝配的能力。統(tǒng)計的信號特征包括信號能量、偏差度、方差、對數(shù)變換、峰度和Willison振幅等。為了避免過度擬合，降低分類器的復雜度，降低對大型訓練集的要求，降低算法的復雜度。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G的性能（精度>0.95）[3]。對于終的特征選擇，考慮了每個特征的計算復雜度。
4、實驗結(jié)果
作者進行了大量的實驗來分析所提出的框架，并對其在兩個階段的效率進行了評估。首先介紹實驗裝置，然后介紹數(shù)據(jù)采集過程和實驗結(jié)果。將7自由度的KUKA LWR4+機械手與三指夾持器Barret BH-8連接，并使用特制夾持器進行評估。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力估算機制測量兩個部件之間產(chǎn)生的裝配力。
對于懸臂卡扣，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穩(wěn)定的基座上，由機器人進行自主裝配。針對懸臂和環(huán)形卡扣裝配都進行了分析，以評估懸臂和環(huán)形卡扣裝配的選擇特征。首先，根據(jù)訓練階段收集到的數(shù)據(jù)集，評估所提出的特征和訓練分類器的效果。然后，應(yīng)用整個框架以提G其整體效率。
收集了四個不同的數(shù)據(jù)集，其中兩個是通過人機協(xié)作收集的，另外兩個是在機器人自主操作時收集的。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。由于零件未對準或所需力不足，會產(chǎn)生兩種不同類型的不成功卡扣裝配的情況。后，為了測試效果，機器人裝配是在四種不同的平均速度下完成的。
結(jié)果表明，在訓練集相對較小的情況下，通過人機協(xié)作提取的分類器能夠獲得很好的識別效果。需要注意的是，當整個訓練集用于分類器的訓練時，懸臂和環(huán)形卡扣的精度分別達到0.96和0.98。即使是訓練集的一小部分，分類器的性能也非常好，在只有N=20和N=22個樣本時，分類器的中值達到了0.9。另一個重要的觀察結(jié)果是，當訓練集規(guī)模增大時，精度異常值幾乎為零，方差顯著下降，顯示了結(jié)果統(tǒng)計的顯著性。
運行評估。評估了所提出的框架的整體效能，以實時接收組件裝配信號。結(jié)果表明，該方法具有良好的識別性能，與全訓練集相似，準確度、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)果表明與整個數(shù)據(jù)集（N=60）訓練的分類器性能相比，該分類器性能的相對變化較小，分別為7%、0.08%和0.14%。然而，結(jié)果會隨著訓練集規(guī)模的不同而變化，該訓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)仔細挑選訓練集，以便在成功和失敗的情況下包含所有信號變化。
轉(zhuǎn)換評估。這兩種分類器對成功的卡扣裝配信號具有很G的分類精度。對不成功信號的分類精度較低，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別為成功裝配。
不可見對象的綜合評價。在這一部分中，對所提出的方法用于概括不同對象的整體能力進行了評估。環(huán)形卡扣通過人機協(xié)作在數(shù)據(jù)集上訓練產(chǎn)生的分類器，用于識別另一種環(huán)形卡扣類型的卡扣組件，在機器人自主操作下進行裝配（圖7）。盡管這兩個對象不同，但它們有相似的咬合機制并生成相似的力配置文件。然而，不可見的物體有更嚴格的力學機制，并且咬合發(fā)生在較大的力振幅中，平均咬合值為45 N。在評估過程中，收集了30次咬合力剖面，每個部件有15個信號（成功和失敗）。該分類器以實時方式對信號進行處理，同時信號在訓練集的管理單元級別上擴展并在200ms時間窗口中采樣。結(jié)果表明，對所有成功的裝配部件和265個不成功的卡扣裝配部件中的191個部件進行了正確的分類，平均精度達到0.8604（72.08%特異性）。同時對離線情況（全信號分類）也進行了評估。整體準確度為0.9， 15個裝配失敗信號中的12個（80%特異性）被識別出，所有成功卡扣裝配部件信號都被識別出來。結(jié)果表明，該方法無需重新訓練，可以很好地推廣。
該方法與通過具體模型分析方法進行了進一步的比較[4]。該框架是與另一框架在同一個數(shù)據(jù)集中完成的。這個數(shù)據(jù)集由33個裝配電連接器的力信號組成，其中9個屬于成功裝配的部件，而其余的屬于不同類型的錯誤裝配部件。為了評估該框架，將不同類別的不成功的數(shù)據(jù)合并在一起，將數(shù)據(jù)集拆分為一個訓練集（60%）和一個測試集（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。因為原始數(shù)據(jù)集的40%被用于驗證該方法，所以無法進行J對公平的比較，但結(jié)果顯示效果相對較好。
5、結(jié)論
本文提出了一種基于機器學習的快速裝配的框架。該框架在兩種不同的卡扣裝配下進行了測試，顯示出較G的識別精度（G達0.99）。通過人機協(xié)作訓練產(chǎn)生了良好的學習數(shù)據(jù)集，成功和失敗案例的可變性都很G。該特征集對不同的對象中進行了測試，顯示它在不同的卡扣裝配類型中的能力。只要對數(shù)據(jù)集進行仔細的采樣，即使是很小的N=20個樣本的訓練集，分類器的性能也能表現(xiàn)出良好的效果，可達精度>0.9。同時與基于模型的方法進行了比較，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一步驗證。
參考文獻
[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/
 |
| 機器人招商 Disinfection Robot 機器人公司 機器人應(yīng)用 智能醫(yī)療 物聯(lián)網(wǎng) 機器人排名 機器人企業(yè) 機器人政策 教育機器人 迎賓機器人 機器人開發(fā) 獨角獸 消毒機器人品牌 消毒機器人 合理用藥 地圖 |
