基于過程建模的機(jī)器人分階引導(dǎo)裝配方法

楊旭亭，王孜悅，李鳳鳴，宋 銳

(1.山東大學(xué) 控制科學(xué)與工程學(xué)院，山東 濟(jì)南 2501002.智能無人系統(tǒng)教育部工程研究中心，山東 濟(jì)南 250100；3.桂林理工大學(xué) 理學(xué)院，廣西 桂林 541006)

1 問題的提出

作為各行各業(yè)產(chǎn)品制造中一種應(yīng)用廣泛的典型工藝，裝配是整個產(chǎn)品成型的最后一道工序，約占整個制造過程的50%，例如家電行業(yè)的空調(diào)壓縮機(jī)曲軸和熱套轉(zhuǎn)子裝配、汽車制造中的蓄電池閥體裝配[1]和減速機(jī)裝配[2](如圖1)、航空行業(yè)中發(fā)動機(jī)的渦輪軸孔裝配、3C電子產(chǎn)品的微小零部件裝配、印刷行業(yè)的套筒裝配[3]等。在裝配過程中，裝配零部件類型多樣、材質(zhì)不同，裝配工藝復(fù)雜，導(dǎo)致裝配難度大，裝配質(zhì)量難以控制，而且當(dāng)前裝配工序大量由人工參與完成，占用的勞動成本較高。因此生產(chǎn)制造企業(yè)面臨的重要問題是提高裝配質(zhì)量和效率、降低生產(chǎn)成本，提升裝配過程的自動化和智能化。

近年來，越來越多的制造企業(yè)引入機(jī)器人進(jìn)行裝配制造，以降低人工成本，提高裝配效率。目前的裝配機(jī)器人具有較高的定位精度、運(yùn)動精度和柔順性，李儒瓊[4]將機(jī)器人應(yīng)用于計算機(jī)硬盤的實(shí)際裝配線來完成高精度裝配作業(yè)；胡盤峰等[5]設(shè)計了基于可編程邏輯控制器(Programmable Logic Controller, PLC)與工業(yè)機(jī)器人的步進(jìn)電機(jī)智能裝配系統(tǒng)，用工業(yè)機(jī)器人完成了步進(jìn)電機(jī)的出庫、搬運(yùn)、加工、裝配等工裝任務(wù)，且運(yùn)行效率高、穩(wěn)定性好。針對微小零部件人工裝配精度低、連接可靠性差等問題，張福梅等[6]采用工業(yè)機(jī)器人進(jìn)行微小結(jié)構(gòu)裝配，完成了采集和對準(zhǔn)，避免了人眼觀察產(chǎn)生的誤差，從而提高了裝配精度和產(chǎn)品質(zhì)量的穩(wěn)定性；SONG等[7]提出一種基于示教數(shù)據(jù)的機(jī)器人裝配策略，該策略采用高斯混合模型和回歸對教學(xué)數(shù)據(jù)進(jìn)行擬合，采用順應(yīng)控制方法進(jìn)行裝配。

機(jī)器人主要通過視覺、力覺等多種傳感器采集狀態(tài)信息，然后將信息預(yù)處理后與算法結(jié)合來完成裝配。羅鈳[8]將機(jī)器人視覺采集的圖像與已知模板進(jìn)行匹配識別，并將逆運(yùn)動學(xué)計算獲得的工件坐標(biāo)偏移量等信息傳送給機(jī)器人，通過調(diào)整末端執(zhí)行器的位置和姿態(tài)精準(zhǔn)地獲取工件；盧軍等[9]針對提高生產(chǎn)線上產(chǎn)的裝配品質(zhì)量、實(shí)現(xiàn)產(chǎn)業(yè)升級的目標(biāo)，開發(fā)了一種機(jī)器視覺定位引導(dǎo)系統(tǒng)，提高了檢測速度和定位精度；汪嘉杰等[10]針對工業(yè)機(jī)械領(lǐng)域中的重要應(yīng)用——零件識別，提出智能識別與裝配引導(dǎo)方法，實(shí)現(xiàn)了對航天連接器圖像離線訓(xùn)練、在線識別和裝配信息的智能引導(dǎo)，減少了狹小空間中精密產(chǎn)品的裝配耗時；吳廣雨等[11]引入校正位姿算法和消除誤差策略使定位更加精準(zhǔn)，為視覺引導(dǎo)下的裝配工作提供了保障；吳海波[12]根據(jù)運(yùn)動學(xué)方程建立物理模型對機(jī)器人的目標(biāo)進(jìn)行定位，對裝配機(jī)器人則采用基于單目的視覺定位算法完成待裝配工件的識別定位；SONG等[13]采用多模塊標(biāo)定法對機(jī)器人裝配系統(tǒng)中的機(jī)器人、輸送帶和兩個攝像機(jī)之間的位姿關(guān)系進(jìn)行變換，針對運(yùn)動信息不完全的工件，提出最小矩陣法來檢測位置，然后基于運(yùn)動工件的位姿估計進(jìn)行動態(tài)抓取，再采用模板匹配的方法識別工件類型的裝配區(qū)域。

然而，以上基于視覺的定位過程會受到光照穩(wěn)定、視覺遮擋、光源和視角等因素的影響，導(dǎo)致定位不準(zhǔn)確，從而影響最終的裝配成功率。因此有學(xué)者引入力信息進(jìn)行裝配，尹雷[14]通過六維力傳感器感知搜孔過程中的力信號來調(diào)整軸的姿態(tài)，從而快速消除配件之間的姿態(tài)偏差，并通過高精度裝配實(shí)驗(yàn)驗(yàn)證其精度可達(dá)50 μm；武維維等[15]提出分解力引導(dǎo)的自動裝配定位方法，并應(yīng)用于虛擬裝配原型系統(tǒng)；李可[16]結(jié)合虛擬裝配技術(shù)，借助空間控制設(shè)備調(diào)整待裝配件的位姿，并在模擬裝配力的作用下完成對零件的精確定位；高巍等[17]提出一種力引導(dǎo)的裝配定位方法，通過計算裝配件在每個狀態(tài)下的受力情況完成裝配；張翔等[18]對機(jī)器人末端姿態(tài)進(jìn)行重力補(bǔ)償，消除了機(jī)器人在不同姿態(tài)時重力的影響，并結(jié)合導(dǎo)納控制達(dá)到對裝配接觸力高精度實(shí)時控制的要求。由于裝配過程的復(fù)雜性，難以建立精確的物理模型，提出基于接觸狀態(tài)識別的方法，通過機(jī)器學(xué)習(xí)的方法識別接觸狀態(tài)，并將裝配狀態(tài)的識別定義為一個分類問題，常用的方法有模糊分類器(Fuzzy Classifier, FC)、神經(jīng)網(wǎng)絡(luò)(Neural Network, NN)、支持向量機(jī)(Support Vector Machine, SVM)、高斯混合模型(Gaussian Mixed Model, GMM)和隱馬爾可夫模型(Hidden Markov Model, HMM)等。JASIM等[19]提出一種基于分布相似測度的GMM，用于力導(dǎo)向柔性橡膠零件機(jī)器人裝配過程的接觸狀態(tài)建模；JAKOVLJEVIC等[20]提出一種基于柔性主動運(yùn)動的模糊推理機(jī)構(gòu)(Fuzzy Inference Mechanism, FIM)生成方法，該方法用SVM算法識別機(jī)器人零件配合過程中的接觸狀態(tài)；JASIM等[21]根據(jù)力感知信息判斷相應(yīng)的接觸狀態(tài)，在識別出接觸狀態(tài)后，推導(dǎo)出控制指令，機(jī)器人按指令進(jìn)行裝配執(zhí)行；孫曉等[22]提出一種改進(jìn)的多關(guān)節(jié)玻璃安裝機(jī)器人阻抗控制方法，通過PUMA560機(jī)器人仿真證明了該模糊自適應(yīng)控制器對機(jī)器人末端接觸力具有良好的調(diào)控作用；仇鵬等[23]將末端坐標(biāo)系解耦控制算法加入位置控制模塊，通過仿真驗(yàn)證了該力位混合控制方法能夠有效提升控制的響應(yīng)速度和穩(wěn)態(tài)精度。

以上方法分別研究了識別接觸狀態(tài)和改善控制策略的方法，目前對于接觸狀態(tài)的識別與控制策略之間的關(guān)系，以及如何將這兩個階段結(jié)合起來的研究較少。本文將接觸狀態(tài)的識別與控制決策結(jié)合起來，提出一種基于過程建模的機(jī)器人分階引導(dǎo)裝配方法，在分析裝配流程的基礎(chǔ)上對裝配階段進(jìn)行描述和識別，并建立裝配階段與機(jī)器人動作之間的映射關(guān)系，最終完成柔性裝配。

2 機(jī)器人裝配問題描述

以圖2所示的裝配工藝為例，設(shè)整個裝配過程共有n個連續(xù)階段P={s1,s2,s3,…,sn}，每個階段有i種狀態(tài)，每個狀態(tài)用12個特征屬性描述為

sm={fx,fy,fz,τx,τy,τz,X,Y,Z,φx,φy,φz}。

(1)

式中：fx,fy,fz和τx,τy,τz分別表示笛卡爾力和力矩；X,Y,Z和φx,φy,φz表示機(jī)械臂的末端位姿；m為正整數(shù)。上述裝配狀態(tài)可由機(jī)器人末端操作對象處的力傳感器和末端位姿解算獲得。

已知s1為自由狀態(tài)下的軸，自由狀態(tài)包括軸從初始位姿狀態(tài)開始運(yùn)動到和目標(biāo)件——孔發(fā)生接觸的過程，sn表示最終完成裝配過程的狀態(tài)。假設(shè)A表示機(jī)械臂的動作，

A={a1,a2,a3,…,am}。

(2)

式中m為正整數(shù)。將裝配狀態(tài)s輸入所建立的裝配策略模型，遍歷所有的階段P，存在：

(3)

若y=1，則存在一個f的非線性映射

f:s→A。

(4)

綜上所述，如何識別機(jī)器人當(dāng)前的裝配階段，并找到機(jī)械臂動作的映射關(guān)系是本文需要解決的問題。

3 基于過程建模的分階引導(dǎo)裝配策略

圖3所示為機(jī)器人分階引導(dǎo)裝配框圖。首先啟動機(jī)器人進(jìn)行數(shù)據(jù)采集，每次采集數(shù)據(jù)均為一個完整的過程，每個過程都在第1個階段——空間漫游階段開始。將采集的數(shù)據(jù)對應(yīng)輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和學(xué)習(xí)，經(jīng)過多次訓(xùn)練，導(dǎo)出成功率最高的網(wǎng)絡(luò)模型，用已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)預(yù)測測試集合，輸出分類結(jié)果，并通過多次試驗(yàn)得到分類準(zhǔn)確率的平均值。建立裝配階段與機(jī)器人動作之間的映射關(guān)系，從而形成裝配策略，引導(dǎo)機(jī)器人完成裝配。

3.1 裝配過程建模

3.1.1 數(shù)據(jù)預(yù)處理階段

本文采用六維力信息和機(jī)械臂末端位姿信息描述裝配的各個階段，由于力信號存在抖動，導(dǎo)致所采集的數(shù)據(jù)不穩(wěn)定，會對裝配成功率產(chǎn)生影響。本文采用小波閾值去噪的方法對采集的力信號進(jìn)行預(yù)處理。

首先設(shè)置閾值λ，選擇具有較好正則性和對稱性的Symlet小波函數(shù)。對于已知的帶噪聲力信號fN(t)={fx,fy,fz,τx,τy,τz}，先進(jìn)行小波變換，將基本小波函數(shù)φ(t)作位移τ后，在不同的尺度α下與待處理信號fN(t)作內(nèi)積，即

(5)

小波閾值去噪方法中閾值和閾值系數(shù)的選取非常重要，其中閾值系數(shù)λ的選擇公式為

(6)

式中N為信號的長度。

本文根據(jù)力傳感器傳輸?shù)牧π畔⒌奶卣?，選用軟閾值函數(shù)去噪法，將信號的小波系數(shù)絕對值與預(yù)先設(shè)置的閾值相比，小于閾值的點(diǎn)置零，大于或等于閾值的點(diǎn)向零收縮，將數(shù)據(jù)變?yōu)樵擖c(diǎn)系數(shù)絕對值與閾值的差，從而得到新的估計小波系數(shù)，同時使其差值盡可能小，并采用新的估計小波系數(shù)對小波信號進(jìn)行逆變換，達(dá)到重新構(gòu)造的目的。輸出的估計信號fN(t′)為去噪后的信號。

3.1.2 裝配階段識別

對裝配過程進(jìn)行建模、分析、識別，通過多次學(xué)習(xí)泛化機(jī)器人操作，能夠在不同環(huán)境和狀態(tài)下準(zhǔn)確完成裝配?？梢詫⒀b配階段的識別問題定義為分類問題，然后基于BP(back propagation)神經(jīng)網(wǎng)絡(luò)構(gòu)建裝配階段的識別模型。BP神經(jīng)網(wǎng)絡(luò)是典型的監(jiān)督學(xué)習(xí)算法，為按照誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，反向傳播思想是通過計算輸出層和期望值之間的誤差值來調(diào)整參數(shù)進(jìn)行誤差分析，根據(jù)每次分析的結(jié)果修改權(quán)值參數(shù)和閾值，多次訓(xùn)練后得到理想的結(jié)果。

設(shè)隱藏層和輸出層的激活函數(shù)分別為F1(·)和F2(·)，本文選擇的激活函數(shù)為Sigmoid函數(shù)，該函數(shù)是一個非線性函數(shù)，可以將輸入信號轉(zhuǎn)換到0～1之間后輸出。

(7)

神經(jīng)元的輸入信號為Sm={s1,s2,…,si}，輸出信號為Yn={Y1,Y2,Y3,…,Yk}，于是節(jié)點(diǎn)i的輸出為

(8)

輸入信號通過隱藏層的激活函數(shù)后，輸出信號為

(9)

輸出層的節(jié)點(diǎn)輸出信號為

q=1,2,…,i，n=1,2,…,k。

(10)

至此，BP神經(jīng)網(wǎng)絡(luò)將輸入的j維信息映射為k維信息。

以上為第一次正向傳播的網(wǎng)絡(luò)訓(xùn)練。每次訓(xùn)練完成后都有一個誤差，是輸出層與期望值之間的誤差，因此定義誤差函數(shù)來衡量誤差：

(11)

式中：p為輸入樣本；epn為第p個樣本的期望輸出；Ypn為第p個狀態(tài)樣本輸出層輸出的實(shí)際值。

完成訓(xùn)練后輸出層輸出階段標(biāo)號，若計算誤差后發(fā)現(xiàn)結(jié)果仍不理想，則將該誤差函數(shù)值反向傳播，調(diào)整網(wǎng)絡(luò)中的權(quán)值和閾值。本文引入一種優(yōu)化算法——梯度下降法，在最小優(yōu)化問題上，梯度下降法將參數(shù)沿梯度相反的方向前進(jìn)一個步長，使目標(biāo)函數(shù)值下降，進(jìn)而降低實(shí)驗(yàn)中的誤差值。

首先，梯度為多變量的微分，將其記為J(θ)，

軟件首先需要從焊膏印刷機(jī)中提取出其制造數(shù)據(jù)，并將數(shù)據(jù)以一定的格式存放在服務(wù)器中。當(dāng)對焊膏印刷機(jī)運(yùn)行狀態(tài)進(jìn)行離線分析時，軟件向服務(wù)器發(fā)送請求獲取制造數(shù)據(jù)，通過分析數(shù)據(jù)格式將焊膏印刷機(jī)的關(guān)鍵參數(shù)存入數(shù)據(jù)庫，同時將其以動態(tài)曲線的形式顯示給用戶。

(12)

泰勒公式

f(x)≈f(x0)+(x-x0)f′(x)。

(13)

式中x-x0即為梯度下降時前進(jìn)的步長Δx，梯度下降的方向可表示為

Δx=αv。

(14)

式中：v為單位向量；α為大于0的常量。則梯度下降公式

f(θ+Δθ)≈f(θ)+Δθ?f(θ)。

(15)

(16)

因?yàn)棣翞榇笥?的常量且‖?f(θ0)‖為標(biāo)量，所以可以合并，得θ=θ0-α?f(θ0)，從而確定每一步迭代的θ。

3.2 裝配過程

機(jī)器人裝配任務(wù)是將某一工件軸插入到目標(biāo)配件內(nèi)，該任務(wù)被認(rèn)為是許多裝配任務(wù)的核心任務(wù)。機(jī)器人裝配系統(tǒng)如圖5所示，根據(jù)裝配工藝對裝配任務(wù)進(jìn)行建模，機(jī)器人將當(dāng)前所處狀態(tài)輸入模型，即可輸出下一步裝配動作，實(shí)驗(yàn)中根據(jù)被操作對象相對于環(huán)境的位置將整體運(yùn)動分割成不同階段，用力和位姿的信息表示每個階段。本文模擬裝配環(huán)境和工件，在工件軸和與軸契合的間隙上完成整個裝配過程。整個裝配過程如圖6所示，可分為空間漫游階段、非垂直找孔階段、平移找孔階段、調(diào)整姿態(tài)階段、垂直下落完成裝配階段5個階段，具體如下：

(1)空間漫游階段 該階段的配件間無接觸，軸在整個空間漫游，且在向目標(biāo)位置移動的同時調(diào)整自身姿態(tài)。

(2)非垂直找孔階段 這時軸在偏斜狀態(tài)下落，最終落在孔周邊且未成功入孔，此時力傳感器檢測到兩個物體發(fā)生了接觸。設(shè)置第二階段的目的是提供不同的接觸狀態(tài)，泛化裝配過程，使其在不同情況仍然可以完成裝配。

(3)平移找孔階段 當(dāng)?shù)诙A段入孔失敗時，機(jī)器人會再次進(jìn)行找孔操作，此時軸克服與工件的摩擦力向孔移動，再根據(jù)偏斜情況，選擇向左或向右平移，在此過程中力信息fx,fy,fz和τx,τy,τz發(fā)生變化。

(4)調(diào)整姿態(tài)階段 由于非垂直狀態(tài)下的軸無法成功入孔，需要將軸輕微扭動調(diào)整位姿，使其與孔垂直，在水平方向則不再受力。

(5)垂直下落完成裝配階段 該階段的軸在垂直狀態(tài)下落，可根據(jù)六維力傳感器反饋的力信息判斷軸是否裝配到孔底。

裝配過程中的理想狀態(tài)為豎直方向有力信息而水平方向受力為零，此時配件軸可以順利出入孔。

3.3 分階引導(dǎo)策略

在裝配工藝中，待裝配工件的初始位置往往是隨機(jī)的，大概分為位姿偏移、位置偏移、姿態(tài)偏移和垂直4種情況，分別對應(yīng)裝配的4個階段。通過BP網(wǎng)絡(luò)識別裝配的接觸狀態(tài)，根據(jù)裝配接觸狀態(tài)—機(jī)器臂動作之間的對應(yīng)關(guān)系判斷當(dāng)前初始位置對應(yīng)的裝配階段，然后依次執(zhí)行后續(xù)階段的引導(dǎo)策略，穩(wěn)定、流暢地完成裝配動作，避免損壞待裝配工件。

在裝配過程中，裝配狀態(tài)信息的提取對判斷裝配狀態(tài)對應(yīng)的階段尤為重要，判斷基于視覺的接觸狀態(tài)時往往因受視角、光源等的影響而無法準(zhǔn)確描述狀態(tài)信息，本文通過接觸力狀態(tài)和機(jī)器臂的位姿信息描述接觸狀態(tài)。

包含力和位姿信息的裝配狀態(tài)經(jīng)處理后，輸入訓(xùn)練完成的BP神經(jīng)網(wǎng)絡(luò)，輸出裝配狀態(tài)對應(yīng)的階段標(biāo)簽，機(jī)器人根據(jù)階段標(biāo)簽與執(zhí)行動作的映射關(guān)系完成分階引導(dǎo)動作。分階引導(dǎo)過程中的裝配位姿示意圖如圖7所示，其中a～f點(diǎn)模擬裝配過程5個階段中的起始位姿重心位置，正方形的旋轉(zhuǎn)角度模擬配件孔的偏轉(zhuǎn)角度φ。表1所示為不同階段對應(yīng)的引導(dǎo)策略。

表1 分階引導(dǎo)策略表

4 實(shí)驗(yàn)與分析

4.1 搭建平臺

為驗(yàn)證算法的有效性，搭建了由機(jī)器人本體、裝配臺、服務(wù)器和裝配模型組成的物理實(shí)驗(yàn)平臺，如圖8所示，其中各部分功能如下：

(1)機(jī)器人本體 KUKA機(jī)器人，為裝配流程的信息采集機(jī)構(gòu)和動作執(zhí)行機(jī)構(gòu)。

(2)裝配臺 用于放置待裝配工件和裝配機(jī)器人，使其在裝配臺上完成裝配。

(3)服務(wù)器 用于處理由機(jī)械臂端獲取的接觸狀態(tài)數(shù)據(jù)并建立分階力引導(dǎo)策略。

(4)裝配模型 本實(shí)驗(yàn)中使用裝配工件的抽象模型，由一個固定在機(jī)器人本體上的軸和裝配臺上的待裝配工件組成，用于完成裝配任務(wù)。裝配模型的軸由楊氏模量分別為Estl=2.1×1011Pa和Estl=2.8×106Pa的鋼質(zhì)軸和塑膠套管組成。

本文裝配機(jī)器人和服務(wù)器之間通過TCP/IP建立通信過程，將服務(wù)器作為Server端，機(jī)器人作為Client端，以Socket套接字的形式傳輸數(shù)據(jù)和下發(fā)命令。具體實(shí)驗(yàn)流程如下：

(1)打開服務(wù)器，啟動機(jī)器人，然后啟動Server端的BP神經(jīng)網(wǎng)絡(luò)算法程序，建立Socket通信。

(2)機(jī)器臂初始化并運(yùn)動到隨機(jī)初始位置，采集當(dāng)前時刻的笛卡爾位置、末端力、力矩信息等裝配狀態(tài)信息發(fā)送給服務(wù)器。

(3)狀態(tài)信息經(jīng)神經(jīng)網(wǎng)絡(luò)輸出分階力引導(dǎo)動作，發(fā)送給機(jī)器臂進(jìn)行位姿調(diào)整。

(4)機(jī)械臂根據(jù)分階力引導(dǎo)動作調(diào)整機(jī)械臂位姿，完成裝配。

4.2 裝配階段分類結(jié)果及對比

實(shí)驗(yàn)采集了50個完整裝配過程的數(shù)據(jù)，共5 000個樣本，每個階段1 000個樣本，其中訓(xùn)練集和測試集按8∶2的比例隨機(jī)劃分，數(shù)據(jù)的80%用于訓(xùn)練，20%用于測試。將采集的數(shù)據(jù)進(jìn)行預(yù)處理，剔除由噪聲影響的離群值，然后將去噪后的數(shù)據(jù)加上對應(yīng)的類別標(biāo)簽，此時數(shù)據(jù)從12維特征屬性變?yōu)?3維。每個集合中的階段數(shù)據(jù)應(yīng)盡可能平均，否則機(jī)器學(xué)習(xí)效果不理想，會降低裝配成功率。本文訓(xùn)練采用的BP神經(jīng)網(wǎng)絡(luò)模型為3層，輸入層到隱含層的激活函數(shù)為Sigmoid函數(shù)。表2所示為裝配階段的分類效果，其中狀態(tài)識別的正確率計算公式為

對比表中小波去噪前后的結(jié)果可見，相比未處理過的數(shù)據(jù)，識別率提升，運(yùn)行時間縮短。極限學(xué)習(xí)機(jī)(Extreme Learning Machine, ELM)的識別率比SVM和BP神經(jīng)網(wǎng)絡(luò)較低且時間明顯較長，ELM算法的優(yōu)勢在于隱藏神經(jīng)元的個數(shù)是隨機(jī)賦值且不參與迭代調(diào)整，算法可以通過多次學(xué)習(xí)不斷調(diào)整輸出層的權(quán)值，但在尋找合適的隱藏層節(jié)點(diǎn)數(shù)的過程中，可能會出現(xiàn)過擬合問題，時間過多消耗在了廣義逆的計算上，造成ELM算法用時過長。BP神經(jīng)網(wǎng)絡(luò)在運(yùn)行時間和階段識別率上都有較明顯的優(yōu)勢，因此實(shí)驗(yàn)選用BP神經(jīng)網(wǎng)絡(luò)。

識別率

4.3 裝配的實(shí)現(xiàn)及對比

4.3.1 裝配階段分析

分階引導(dǎo)模型將接觸狀態(tài)劃分成相應(yīng)的階段，經(jīng)過迭代訓(xùn)練得到理想的分類結(jié)果，每個階段的接觸力、力矩、機(jī)械臂位姿變換趨勢如圖9所示。在裝配過程中，力信息在前兩個階段無明顯變化，只在第二階段結(jié)束與第三階段開始時有變化，原因是軸與孔接觸，接觸力fx,fy,fz在配件接觸時發(fā)生了改變。在第三階段找孔過程中，位姿變化由軸的角度調(diào)整以及軸與環(huán)境之間的相對位置改變而產(chǎn)生。

4.3.2 實(shí)驗(yàn)結(jié)果分析

每一個階段的初始位置在機(jī)械臂可操作范圍內(nèi)隨機(jī)設(shè)置，每個階段進(jìn)行100次實(shí)驗(yàn)。表3所示為不同初始位姿的裝配成功率，可見階段1和階段2的裝配成功率均為100%，因?yàn)榈?個階段位置的Y向量與姿態(tài)的Z向量發(fā)生改變，第2階段軸在垂直下落過程中漸漸與孔接觸，力信息在該階段末發(fā)生明顯變化，所以裝配狀態(tài)所屬階段的區(qū)分度明顯，不易混淆。在第3階段，軸的可移動距離設(shè)置為10 mm，此時軸與第1階段下落后的姿態(tài)相同，判斷結(jié)果與第1階段混淆，成功率為90%。第4階段需要調(diào)整軸的姿態(tài)，使其垂直于孔，弧度值的范圍為±0.04 rad，階段中姿態(tài)調(diào)整明顯，該階段的區(qū)分度明顯，識別成功率為100%。第5階段是垂直下落完成裝配，此時的位置變化為40 mm，模型分類判斷準(zhǔn)確，成功率為100%。

成功率的計算公式為

成功率

5 結(jié)束語

針對機(jī)器人裝配過程難以建立精確的物理模型，導(dǎo)致機(jī)器人裝配靈活性差的問題，本文提出基于過程建模的分階引導(dǎo)方法。鑒于傳統(tǒng)裝配需要先示教后執(zhí)行，難以滿足不同裝配條件下的裝配精度要求，而且執(zhí)行周期較長，本文采用機(jī)器人末端接觸力、力矩和位姿描述裝配狀態(tài)，基于裝配工藝采集5個階段的狀態(tài)樣本進(jìn)行學(xué)習(xí)識別，在判斷出接觸狀態(tài)后，結(jié)合裝配狀態(tài)與機(jī)器人動作的映射關(guān)系完成裝配，提高了裝配成功率和精確度。下一步將在本文基礎(chǔ)上，重點(diǎn)研究將機(jī)械臂變阻抗控制融入機(jī)械臂策略模型的映射動作內(nèi)，以優(yōu)化機(jī)器人的動作，提高機(jī)器人的裝配性能。