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(jī)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第二個高剛度的部件,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(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,柔性部件就會偏轉(zhuǎn),回到其初始位置對其進(jìn)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(dāng)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(jī)械性能和卡扣類型。環(huán)形和懸臂是兩個極端情況,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,這需要大量的時間和精力,而且可重用性有限。因此,本文定義了一個機(jī)器學(xué)習(xí)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(jìn)一步加速這一進(jìn)程,該框架采用了人機(jī)協(xié)作的方式來加速實驗過程,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)建一個好的訓(xùn)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(xùn)練集并不容易建立,特別是當(dāng)需要通過機(jī)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(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)計和交付大量變化的實驗的知識,但是沒有充分的準(zhǔn)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(jī)器學(xué)習(xí)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(jī)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(xùn)練和操作階段。
訓(xùn)練階段的目的是生成一個能夠?qū)崟r準(zhǔn)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(jī)器人拿著兩個零件中的一個充當(dāng)智能傳感器,而人類則作為專家進(jìn)行手動裝配。在人機(jī)協(xié)作中,需要一個可以估計或測量的力,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(dǎo)致部件錯位產(chǎn)生噪聲信號,導(dǎo)致力上升而不出現(xiàn)明顯的下降?ǹ劢M件的力信號與零件的材料和鎖定機(jī)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(jìn)行計算,以進(jìn)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(fù)雜度,降低對大型訓(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]。對于最終的特征選擇,考慮了每個特征的計算復(fù)雜度。
4、實驗結(jié)果
作者進(jìn)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(jìn)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(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(jī)器人進(jìn)行自主裝配。針對懸臂和環(huán)形卡扣裝配都進(jìn)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(xùn)練階段收集到的數(shù)據(jù)集,評估所提出的特征和訓(xùn)練分類器的效果。然后,應(yīng)用整個框架以提高其整體效率。
收集了四個不同的數(shù)據(jù)集,其中兩個是通過人機(jī)協(xié)作收集的,另外兩個是在機(jī)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(zhǔn)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。最后,為了測試效果,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別效果。需要注意的是,當(dāng)整個訓(xùn)練集用于分類器的訓(xùn)練時,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個樣本時,分類器的中值達(dá)到了0.9。另一個重要的觀察結(jié)果是,當(dāng)訓(xùn)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(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變化較小,分別為7%、0.08%和0.14%。然而,結(jié)果會隨著訓(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高的分類精度。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(jìn)行了評估。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)。盡管這兩個對象不同,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。T摲诸惼饕詫崟r方式對信號進(jìn)行處理,同時信號在訓(xùn)練集的管理單元級別上擴(kuò)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(jìn)行了正確的分類,平均精度達(dá)到0.8604(72.08%特異性)。同時對離線情況(全信號分類)也進(jìn)行了評估。整體準(zhǔn)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(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(xùn)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(jìn)行絕對公平的比較,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(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)行了測試,顯示出較高的識別精度(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。該特征集對不同的對象中進(jìn)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(jìn)行仔細(xì)的采樣,即使是很小的N=20個樣本的訓(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/
商用機(jī)器人 Disinfection Robot 展廳機(jī)器人 智能垃圾站 輪式機(jī)器人底盤 迎賓機(jī)器人 移動機(jī)器人底盤 講解機(jī)器人 紫外線消毒機(jī)器人 大屏機(jī)器人 霧化消毒機(jī)器人 服務(wù)機(jī)器人底盤 智能送餐機(jī)器人 霧化消毒機(jī) 機(jī)器人OEM代工廠 消毒機(jī)器人排名 智能配送機(jī)器人 圖書館機(jī)器人 導(dǎo)引機(jī)器人 移動消毒機(jī)器人 導(dǎo)診機(jī)器人 迎賓接待機(jī)器人 前臺機(jī)器人 導(dǎo)覽機(jī)器人 酒店送物機(jī)器人 云跡科技潤機(jī)器人 云跡酒店機(jī)器人 智能導(dǎo)診機(jī)器人 |