基于DenseNet算法的一維桁架數(shù)字化裝配控制系統(tǒng)仿真及優(yōu)化

白巖,,王月

(1.北華大學(xué)機(jī)械工程學(xué)院，吉林吉林 132021；2.公州大學(xué)電氣電子控制工程學(xué)部，韓國天安 03187)

0 前言

空間桁架結(jié)構(gòu)在軌構(gòu)建的過程具有結(jié)構(gòu)復(fù)雜、撓性大等特點(diǎn)，因此空間桁架在軌構(gòu)建的機(jī)械機(jī)構(gòu)設(shè)計(jì)及控制策略成為在軌構(gòu)建研究的重點(diǎn)內(nèi)容。本文作者結(jié)合實(shí)際航天科研項(xiàng)目，通過仿真技術(shù)和機(jī)器學(xué)習(xí)技術(shù)，從虛擬和物理層面構(gòu)建了一維桁架在軌建造物理樣機(jī)；通過樣機(jī)的機(jī)械結(jié)構(gòu)和控制系統(tǒng)的優(yōu)化設(shè)計(jì)，成功地解決了一維桁架在軌建造精確定位難及桁架工位拓展控制精度低的技術(shù)難題；利用機(jī)器學(xué)習(xí)算法分析桁架構(gòu)建的素材數(shù)據(jù)，提高系統(tǒng)的控制精度和素材表面故障率的識(shí)別度。

1 桁架數(shù)字化裝配系統(tǒng)機(jī)械結(jié)構(gòu)設(shè)計(jì)

一維桁架數(shù)字化裝配控制系統(tǒng)包括桁架素材儲(chǔ)存單元、素材轉(zhuǎn)運(yùn)單元和桁架拓展單元。整體結(jié)構(gòu)如圖1所示。

圖1 物理樣機(jī)整體結(jié)構(gòu)

1.1 桁架系統(tǒng)拓展單元結(jié)構(gòu)設(shè)計(jì)

一維桁架結(jié)構(gòu)主體是由12根斜交連桿、12根正交連桿、4個(gè)方形截面組合構(gòu)成的長方體。方形截面4個(gè)頂點(diǎn)球節(jié)設(shè)計(jì)9個(gè)定位孔，正交連桿與斜交連桿兩端部分與卡榫頭采用螺紋連接，卡榫頭插入定位孔內(nèi)以保證桁架整體穩(wěn)定性和精確尺寸設(shè)計(jì)。

1.2 素材儲(chǔ)存單元結(jié)構(gòu)設(shè)計(jì)

桁架素材儲(chǔ)存裝置主要實(shí)現(xiàn)對(duì)素材桿的推進(jìn)及固定作用，如圖2所示。

圖2 素材儲(chǔ)存單元

1.3 桁架轉(zhuǎn)運(yùn)單元結(jié)構(gòu)設(shè)計(jì)

素材轉(zhuǎn)運(yùn)單元主要由機(jī)械臂和末端執(zhí)行器兩部分組成，如圖3所示。素材轉(zhuǎn)運(yùn)單元具有抓取正交連桿和斜交連桿，轉(zhuǎn)運(yùn)和部分一維桁架裝配的功能。

圖3 素材轉(zhuǎn)運(yùn)單元

1.4 末端執(zhí)行器單元結(jié)構(gòu)設(shè)計(jì)

末端執(zhí)行器由接口板、電磁夾爪、撥叉機(jī)構(gòu)和斜交連桿拉伸機(jī)構(gòu)組成，如圖4所示。

圖4 末端執(zhí)行器

電磁夾爪通過定位凸臺(tái)與桿上定位凹槽相結(jié)合實(shí)現(xiàn)夾爪電磁鐵吸附點(diǎn)與桿上電磁鐵吸附點(diǎn)精確對(duì)位吸合，抓取正交連桿和斜交連桿。高強(qiáng)度的定位凸臺(tái)可拉伸斜交連桿使桿兩端卡榫頭與定位球節(jié)實(shí)現(xiàn)精確連接。電磁鐵吸附表面平整、功耗低、升溫低、斷電后無剩磁。

1.5 末端執(zhí)行器受力分析

末端執(zhí)行器在抓握正交連桿時(shí)會(huì)受到撥叉的反作用力。末端執(zhí)行器上的撥叉與正交連桿的定位銷接觸后，由于末端執(zhí)行器不斷在軸方向推進(jìn)，導(dǎo)致?lián)懿娼嵌群蛷椈蓧嚎s量不斷變化，所以單個(gè)撥叉受到的力也在不斷變化。末端執(zhí)行器完全抓握時(shí)受力分析如圖5所示。

圖5 末端執(zhí)行器完全抓握受力分析

(1)

(2)

式中：為彈簧彈力；為彈簧彈力和摩擦力的合力；為撥叉長度；為正交連桿與末端執(zhí)行器剛接觸時(shí)末端執(zhí)行器接口板與正交連桿軸心距離；為定位銷圓心與末端執(zhí)行器撥叉轉(zhuǎn)動(dòng)中心距離；為末端執(zhí)行器推進(jìn)量；為彈簧壓縮量；為撥叉角度。

聯(lián)立解得：

求出彈簧壓縮量，可根據(jù)胡克定律列出彈簧彈力公式(3)：

=×

(3)

所以，單個(gè)撥叉在方向的受力b為

b=×sin

(4)

在末端執(zhí)行器抓握正交連桿時(shí)，共有4個(gè)撥叉與正交連桿接觸，根據(jù)牛頓第二定律可以列出末端執(zhí)行器受力平衡方程：

=4×b

(5)

末端執(zhí)行器總受力與推進(jìn)量的函數(shù)圖像如圖6所示。

圖6 末端執(zhí)行器總受力F與ly的關(guān)系

1.6 桁架工位拓展單元結(jié)構(gòu)設(shè)計(jì)

一維桁架在軌建造桁架拓展單元針對(duì)多個(gè)方形單元體的在軌精確組合對(duì)接，主要由方形截面裝配機(jī)構(gòu)、桿件裝配機(jī)構(gòu)、桁架工位拓展轉(zhuǎn)換機(jī)構(gòu)組成，用于多個(gè)方形桁架單元體的精確對(duì)接、組合拓展。整體裝置如圖7所示。

圖7 桁架拓展單元整體

2 桁架數(shù)字化裝配系統(tǒng)控制系統(tǒng)設(shè)計(jì)及優(yōu)化

2.1 Grafcet算法在控制系統(tǒng)中的應(yīng)用

所提控制系統(tǒng)由1套三菱Q系列PLC、6套日本A5伺服系統(tǒng)、2臺(tái)庫卡機(jī)器人、工業(yè)相機(jī)、圖像傳感器、位置傳感器、AGV、1套數(shù)控加工中心等設(shè)備組成。根據(jù)控制要求，整個(gè)一維桁架數(shù)字化裝配控制系統(tǒng)時(shí)序過程如表1所示。根據(jù)表1設(shè)計(jì)Grafcet算法如圖8所示。

表1 系統(tǒng)時(shí)序過程

圖8 Grafcet算法

2.2 機(jī)器學(xué)習(xí)的應(yīng)用

本文作者仿真大量應(yīng)用來自物理傳感器的歷史數(shù)據(jù)，并對(duì)這些數(shù)據(jù)進(jìn)行特征點(diǎn)提取和分析。

由在末端執(zhí)行器上安裝的圖像傳感器進(jìn)行邊緣檢測(cè)，獲取測(cè)算位置、寬度、長度、角度、孔距等信息。通過圖像內(nèi)明亮部位與陰暗部分的邊緣計(jì)算各投影線的平均濃度，再根據(jù)投影波形進(jìn)行微分處理。為使邊緣達(dá)到穩(wěn)定狀態(tài)，進(jìn)行調(diào)整以使微分絕對(duì)值達(dá)到100%，使得在照度經(jīng)常發(fā)生變化的一維桁架裝配線上也可以穩(wěn)定地檢測(cè)出邊緣信息。末端執(zhí)行器抓取連桿過程的解耦性實(shí)驗(yàn)驗(yàn)證過程如圖9所示。檢測(cè)過程如圖10所示。采用ECLIPSE軟件對(duì)關(guān)鍵點(diǎn)和信息進(jìn)行特征提取，對(duì)素材信息進(jìn)行機(jī)器訓(xùn)練，提取效果如圖11所示。

圖9 末端執(zhí)行器抓取連桿過程的解耦性實(shí)驗(yàn)驗(yàn)證

圖10 素材邊緣點(diǎn)信息提取

圖11 機(jī)器學(xué)習(xí)在桁架系統(tǒng)中的訓(xùn)練效果

2.3 DenseNet算法應(yīng)用

DenseNet核心思想是建立不同層之間的連接，充分利用feature，減輕梯度消失問題，加強(qiáng)feature的傳遞，如[,,…,-1]表示將0到-1層的卷積層的輸出做級(jí)聯(lián)。concatenation是做通道的合并。

根據(jù)多種模型的測(cè)試，發(fā)現(xiàn)利用DenseNet算法，深度在20層左右的神經(jīng)網(wǎng)絡(luò)模型在檢測(cè)素材表面缺陷的測(cè)試中效果最好。

文中項(xiàng)目所制作的數(shù)據(jù)集圖像約為1 400張，故障分為四類，分別為擦花、漏底、無孔、碰凹。

卷積神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)結(jié)構(gòu)表達(dá)如下：

為第層神經(jīng)元的輸出；為第層神經(jīng)元的輸入；為從-1層mapping到層的權(quán)值矩陣；為與上面參數(shù)對(duì)應(yīng)的偏移；為訓(xùn)練數(shù)據(jù)的輸入；為訓(xùn)練數(shù)據(jù)正確的標(biāo)簽。

損失函數(shù)為

(6)

輸出為

=()=(-1*+)

(7)

把式(2)代入式(1)再求梯度

′()(-1)

(8)

′()

(9)

根據(jù)公式(3)和公式(4)的特征提取公共部分并簡(jiǎn)寫得到公式(10)和公式(11)。

(10)

(11)

(12)

根據(jù)公式(12)即可求卷積層梯度。

最后一步求池化層梯度，如公式(13)所示：

(13)

根據(jù)公式編寫代碼，進(jìn)行訓(xùn)練和分析，可有效識(shí)別4種故障特征，與關(guān)鍵點(diǎn)檢測(cè)合理配合可達(dá)到最優(yōu)檢測(cè)和控制效果。主程序部分代碼如圖12所示。

圖12 主程序部分代碼

3 結(jié)論

本文作者應(yīng)用 ECLIPSE軟件，實(shí)現(xiàn)素材關(guān)鍵點(diǎn)提取、機(jī)器訓(xùn)練及程序編制，并對(duì)整個(gè)一維桁架數(shù)字化裝配控制系統(tǒng)進(jìn)行全局優(yōu)化。得到如下結(jié)論:

利用DenseNet算法可以很好地識(shí)別檢測(cè)素材的表面故障，深度在20層左右的神經(jīng)網(wǎng)絡(luò)模型在檢測(cè)素材表面缺陷的測(cè)試中效果最好。

機(jī)器學(xué)習(xí)的應(yīng)用有效地提高了一維桁架數(shù)字化裝配控制系統(tǒng)的控制精度和故障識(shí)別率，可為我國宇航制造企業(yè)以及智能制造產(chǎn)品數(shù)字化生產(chǎn)線的建設(shè)提供參考。