實(shí)時(shí)識別卡扣成功裝配的機器學(xué)習框架

卡扣式裝配廣泛應用于多種產(chǎn)品類(lèi)型的制造中，在零件未加工的情況下也可以進(jìn)行零件連接。卡扣裝配是結構性的鎖定機制，不是通過(guò)視覺(jué)判斷是否成功完成裝配。人們認為這兩部分之間形成的力量或響聲是成功的標志。這在機器人裝配中是很難實(shí)現的，通常在產(chǎn)品質(zhì)量控制階段才能確定工藝的成功與否。近期，IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING發(fā)表了一篇“A Machine Learning Framework for Real-Time Identification of Successful Snap-Fit Assemblies”的論文，作者通過(guò)一個(gè)機器學(xué)習框架將人類(lèi)識別成功快速裝配的能力遷移到自主機器人裝配上。下面我們具體了解相關(guān)研究工作。

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(lèi)型，即懸臂式卡扣組件、環(huán)形卡扣組件和扭轉式卡扣組件。它們影響零件設計和卡扣機構，所有類(lèi)型都是相似的，因為它們基于其中一個(gè)柔性部件和D二個(gè)G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)，導致柔性部件發(fā)生偏轉，直到施加的力超過(guò)一定限度，從而導致兩個(gè)部件斷裂。它們的區別在于鎖定機構的形狀和產(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(lèi)型卡扣（圖1）在成功裝配過(guò)程中產(chǎn)生的力特征（圖2）如下圖所示。

在懸臂卡扣裝配過(guò)程中，一旦咬合成功，柔性部件就會(huì )偏轉，回到其初始位置對其進(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(kāi)。扭轉卡扣在鎖定運動(dòng)方面有所不同，兩個(gè)部件之間的鎖定運動(dòng)是旋轉的，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(guò)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)識別裝配過(guò)程的完成情況。在這兩種情況下，物體的偏轉都會(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)。力信號的確切形狀取決于連接部件的機械性能和卡扣類(lèi)型。環(huán)形和懸臂是兩個(gè)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(xué)習框架

上述分析表明，所有類(lèi)型的卡扣都會(huì )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(guò)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)機器學(xué)習框架，該框架可以識別所有類(lèi)型的卡扣的力輪廓特征。為了進(jìn)一步加速這一進(jìn)程，該框架采用了人機協(xié)作的方式來(lái)加速實(shí)驗過(guò)程，生成具有G可變性和準確學(xué)習結果的數據集。

     

只有構建一個(gè)好的訓練和測試集，才能建立一個(gè)好的分類(lèi)器[2]。一個(gè)具有統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(guò)機器人實(shí)驗產(chǎn)生時(shí)。一方面，生成這兩個(gè)程序集類(lèi)示例可能無(wú)法達到使用基于數據的方法的目的，終的樣本也不可能涵蓋所有情況。另一方面，人類(lèi)專(zhuān)家雖然擁有設計和交付大量變化的實(shí)驗的知識，但是沒(méi)有充分的準備時(shí)間。人類(lèi)有一種與生俱來(lái)的可變性，允許構建一個(gè)豐富的信息數據集，從而改善機器學(xué)習的效果。這一點(diǎn)，加上人參與裝配過(guò)程所節省的大量時(shí)間，都顯示了人機協(xié)作的優(yōu)勢。上述內容包含在圖3所示的擬議的框架中，其中定義了兩個(gè)離散階段：訓練和操作階段。

訓練階段的目的是生成一個(gè)能夠實(shí)時(shí)準確表征力信號的分類(lèi)器。在這一階段，裝配是協(xié)作完成的，其中機器人拿著(zhù)兩個(gè)零件中的一個(gè)充當智能傳感器，而人類(lèi)則作為專(zhuān)家進(jìn)行手動(dòng)裝配。在人機協(xié)作中，需要一個(gè)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(jué)系統，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(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，因力不足導致部件錯位產(chǎn)生噪聲信號，導致力上升而不出現明顯的下降。卡扣組件的力信號與零件的材料和鎖定機構有關(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(gè)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。統計的信號特征包括信號能量、偏差度、方差、對數變換、峰度和Willison振幅等。為了避免過(guò)度擬合，降低分類(lèi)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(gè)特征的計算復雜度。 

4、實(shí)驗結果

作者進(jìn)行了大量的實(shí)驗來(lái)分析所提出的框架，并對其在兩個(gè)階段的效率進(jìn)行了評估。首先介紹實(shí)驗裝置，然后介紹數據采集過(guò)程和實(shí)驗結果。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(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(guò)KUKA力估算機制測量?jì)蓚�(gè)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(gè)穩定的基座上，由機器人進(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，根據訓練階段收集到的數據集，評估所提出的特征和訓練分類(lèi)器的效果。然后，應用整個(gè)框架以提G其整體效率。

收集了四個(gè)不同的數據集，其中兩個(gè)是通過(guò)人機協(xié)作收集的，另外兩個(gè)是在機器人自主操作時(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。由于零件未對準或所需力不足，會(huì )產(chǎn)生兩種不同類(lèi)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。

結果表明，在訓練集相對較小的情況下，通過(guò)人機協(xié)作提取的分類(lèi)器能夠獲得很好的識別效果。需要注意的是，當整個(gè)訓練集用于分類(lèi)器的訓練時(shí)，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(lèi)器的性能也非常好，在只有N=20和N=22個(gè)樣本時(shí)，分類(lèi)器的中值達到了0.9。另一個(gè)重要的觀(guān)察結果是，當訓練集規模增大時(shí)，精度異常值幾乎為零，方差顯著(zhù)下降，顯示了結果統計的顯著(zhù)性。

運行評估。評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。結果表明，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。這些結果表明與整個(gè)數據集（N=60）訓練的分類(lèi)器性能相比，該分類(lèi)器性能的相對變化較小，分別為7%、0.08%和0.14%。然而，結果會(huì )隨著(zhù)訓練集規模的不同而變化，該訓練集包含很多異常值，類(lèi)似于圖6所示的分類(lèi)器的結果。因此，為了克服此類(lèi)問(wèn)題，應仔細挑選訓練集，以便在成功和失敗的情況下包含所有信號變化。

轉換評估。這兩種分類(lèi)器對成功的卡扣裝配信號具有很G的分類(lèi)精度。對不成功信號的分類(lèi)精度較低，特征值分別下降到0.673和0.715。該分類(lèi)器的總體性能用平衡精度來(lái)表示，兩種情況下分別為0.836和0.857。盡管分類(lèi)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(jiàn)對象的綜合評價(jià)。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(guò)人機協(xié)作在數據集上訓練產(chǎn)生的分類(lèi)器，用于識別另一種環(huán)形卡扣類(lèi)型的卡扣組件，在機器人自主操作下進(jìn)行裝配（圖7）。盡管這兩個(gè)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(jiàn)的物體有更嚴格的力學(xué)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(guò)程中，收集了30次咬合力剖面，每個(gè)部件有15個(gè)信號（成功和失敗）。該分類(lèi)器以實(shí)時(shí)方式對信號進(jìn)行處理，同時(shí)信號在訓練集的管理單元級別上擴展并在200ms時(shí)間窗口中采樣。結果表明，對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(lèi)，平均精度達到0.8604（72.08%特異性）。同時(shí)對離線(xiàn)情況（全信號分類(lèi)）也進(jìn)行了評估。整體準確度為0.9， 15個(gè)裝配失敗信號中的12個(gè)（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(lái)。結果表明，該方法無(wú)需重新訓練，可以很好地推廣。

該方法與通過(guò)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)數據集中完成的。這個(gè)數據集由33個(gè)裝配電連接器的力信號組成，其中9個(gè)屬于成功裝配的部件，而其余的屬于不同類(lèi)型的錯誤裝配部件。為了評估該框架，將不同類(lèi)別的不成功的數據合并在一起，將數據集拆分為一個(gè)訓練集（60%）和一個(gè)測試集（40%）。用基于模型的方法得出四種不同類(lèi)別的精度，結果平均精度為0.945。因為原始數據集的40%被用于驗證該方法，所以無(wú)法進(jìn)行J對公平的比較，但結果顯示效果相對較好。

5、結論

本文提出了一種基于機器學(xué)習的快速裝配的框架。該框架在兩種不同的卡扣裝配下進(jìn)行了測試，顯示出較G的識別精度（G達0.99）。通過(guò)人機協(xié)作訓練產(chǎn)生了良好的學(xué)習數據集，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(jìn)行了測試，顯示它在不同的卡扣裝配類(lèi)型中的能力。只要對數據集進(jìn)行仔細的采樣，即使是很小的N=20個(gè)樣本的訓練集，分類(lèi)器的性能也能表現出良好的效果，可達精度>0.9。同時(shí)與基于模型的方法進(jìn)行了比較，結果表明了該方法的顯著(zhù)優(yōu)異性。該框架未來(lái)將在更多類(lèi)型的卡扣裝配中進(jìn)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/

查看更多相似文章