CN110363214A - 一种基于gwa-svm的机器人装配的接触状态识别方法 - Google Patents

Abstract

一种基于GWA‑SVM的机器人装配的接触状态识别方法，包括以下步骤：步骤1：使用工业机器人装配零件，采集装配过程中的力数据；步骤2：设定初始参数；步骤3：将数据集进行标准化处理；步骤4：利用混沌逻辑映射策略初始化SVM参数的种群；步骤5：利用改进的反向学习策略优化SVM参数的种群；步骤6：使用GWA算子更新种群；步骤7：计算种群个体的适应度，并更新最优个体；步骤8：若当前迭代达到最大允许迭代次数，则执行步骤9；否则，t＝t+1并返回步骤6；步骤9：结束SVM参数优化过程，将最优SVM参数C和γ和训练数据集代入SVM，建立基于GWA‑SVM的接触状态识别模型；步骤10：利用接触状态模型去识别测试数据集，绘制分类结果图。本发明分类精度较高。

Description

一种基于GWA-SVM的机器人装配的接触状态识别方法

技术领域

本发明属于机器学习与机器人控制技术领域，适用于利用工业机器人装配零件的接触状态识别的领域。具体地说，涉及一种基于全局最优鲸鱼算法(G-best WhaleAlgorithm，以下简称GWA)和支持向量机(Support Vector Machine，以下简称SVM)的接触状态识别方法。

背景技术

工业机器人是柔性自动化的核心设备。在生产中的应用，工业机器人对提高劳动生产率，提高产品质量，改善劳动条件，提高企业的竞争能力和应变能力，促进新产业的建立和发展，改变劳动结构，以及促进相关学科的技术进步，均发挥了重大的社会效益和经济效益。当机械臂末端与工作环境有任何接触时，只依靠位置控制是难以满足要求的。对装配力的分析有助于解决装配过程中的位置不确定性问题。接触状态识别是通过采集装配过程中的力和力矩信号，将抽象知识或环境感知添加到机器人柔顺控制系统。接触状态识别方法影响了机器人的装配精度和运行效率，故有必要对接触状态识别方法进行研究。

接触状态识别的方法主要基于机器学习算法，这类分类算法得到的预测类别即是对应的装配接触状态。一些简单的机器学习算法如模糊分类算法和朴素贝叶斯算法，能够预测力数据所属的类别，然而该类算法分类精度较低，无法应用于实际装配任务。复杂机器学习算法如混合分类器或集成分类器能够在一定程度上提高分类精度，但是没有针对零件力数据特性的改进，且计算时间大大增加。

因此，设计一种面向零件装配过程的接触状态识别方法，对工业机器人自动化装配的研究与开发是非常必要的。

发明内容

为了克服现有分类方法对工业机器人零件装配力数据分类精度较低的不足，本发明提供一种分类精度较高的基于GWA-SVM的机器人装配的接触状态识别方法。

本发明解决其技术问题所采用的技术方案是：

一种基于GWA-SVM的机器人装配的接触状态识别方法，包括以下步骤：

步骤1：使用工业机器人装配零件，采集多组装配过程中的力数据，建立训练数据集{X₁,L₁}与测试数据集{X₂,L₂}，其中X₁,X₂为装配过程中采集的六维力数据X＝(f_x,f_y,f_z,m_x,m_y,m_z)，f_x,f_y,f_z分别为沿x,y,z轴方向的力数据，m_x,m_y,m_z分别为绕x,y,z轴的力矩数据。L₁,L₂为分别与X₁,X₂对应的接触状态，即数据所属的类别，训练数据X₁共分为Y类；

步骤2：设定初始参数，包括种群大小M，SVM的惩罚参数C的搜索范围[C_min,C_max]，SVM的核参数γ的搜索范围[γ_min,γ_max]，当前迭代次数t＝0，种群优化最大允许迭代次数t_m；

步骤3：将训练数据集{X₁,L₁}与测试数据集{X₂,L₂}进行标准化处理：

式中，x_i,j代表六维力数据集X的第i个样本的第j个特征，代表六维力数据集X的第j个特征的最小值，代表六维力数据集X的第j个特征的最大值，x’_i,j代表标准化后的六维力数据集X的第i个样本的第j个特征，将X₁,X₂的所有样本的特征都按公式(1)进行处理；

步骤4：利用混沌逻辑映射策略生成初始的SVM参数的种群。设向量S_k＝(p_k,1,p_k,2)是初始的SVM参数的种群中的第k个体。其中p_k,1和p_k,2分别是对应于SVM的惩罚参数C和核参数γ的一个候选解。混沌逻辑映射策略生成的初始种群描述为：

式中，r_1,h是介于0到1之间的随机数且h＝1,2。当h＝1时，和分别为C_min和C_max；当h＝2时，和分别为γ_min和γ_max；

步骤5：利用改进的反向学习策略优化初始的SVM参数的种群：

式中，P_k,h是对应于混沌逻辑映射策略生成的个体特征p_k,h的反向特征，P_k是对应于种群个体p_k的反向个体。其中适应度函数V(p)分别以种群个体和标准化后的训练数据集为函数变量和输入常量，函数值为根据K折交叉验证得到的SVM的分类误差；根据个体的适应度函数值，如果反向个体P_k比原始个体p_k好，则初始种群中的原始个体被反向个体所取代；否则，保留原始个体；

步骤6：使用GWA算子更新SVM参数的种群，设定r为[0,1]范围内的一个随机向量，S(t)是当代种群，S_r(t)是当代种群中的一个随机个体，S_m(t)是当代最优个体，且初始种群S(0)＝{S₁,S₂,…,S_M}，GWA算子的变量设置如下：

A＝(2-2t/t_m).r (6)

W_r(t)＝A.|S(t)-S_r(t)| (7)

W_m(t)＝1.5A.|S_m(t)-S(t)| (8)

根据公式(9)来更新种群：

式中，h是介于[-1,1]之间的随机数，q是介于[0,1]之间的随机数，Q是介于[0,2]之间的随机向量；

步骤7：计算种群个体的适应度函数值，更新最优个体的位置向量；

步骤8：若当前迭代达到最大允许迭代次数，则执行步骤9；否则，t＝t+1并返回步骤6；

步骤9：结束SVM参数优化过程，输出最优参数C和γ，将最优SVM参数和标准化后的训练数据集代入SVM里面，建立基于GWA-SVM的接触状态识别模型；

步骤10：利用建立好的接触状态模型去识别标准化后的测试数据集，将预测类别L_p和实际类别L₂对比，绘制分类结果图。

本发明的有益效果主要表现在：

1.GWA算法结合原始的鲸鱼优化算法局部搜索能力强和全局最优人工蜂群算法全局搜索能力强的优点，使得该混合算法具有较快的收敛速度和较好的收敛精度。

2.GWA算法在离线状态下优化SVM的参数，不会增加GWA-SVM识别接触状态所消耗的时间。

3.GWA-SVM在工业机器人零件装配的接触状态分类方面更加精确。

附图说明

图1是基于GWA-SVM的零件装配的接触状态识别流程图

图2是刚性零件装配的接触状态分类结果图。

图3是柔性零件装配的接触状态分类结果图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种基于GWA-SVM的机器人装配的接触状态识别方法，包括以下步骤：

步骤1：使用三菱工业机器人RV-2F装配零件，通过六维力传感器4F-FS001-W200采集多组装配过程中的力数据，建立训练数据集{X₁,L₁}与测试数据集{X₂,L₂}。其中X₁,X₂为装配过程中采集的六维力数据X＝(f_x,f_y,f_z,m_x,m_y,m_z)，f_x,f_y,f_z分别为沿x,y,z轴方向的力数据，m_x,m_y,m_z分别为绕x,y,z轴的力矩数据。L₁,L₂为分别与X₁,X₂对应的接触状态，即数据所属的类别，训练数据X₁共分为6类。

步骤2：设定初始参数，包括种群大小M＝30，SVM的惩罚参数C的搜索范围[0.001,10000]，SVM的核参数γ的搜索范围[0.001,10000]，当前迭代次数t＝0，种群优化最大允许迭代次数t_m＝20。

步骤3：将训练数据集{X₁,L₁}与测试数据集{X₂,L₂}进行标准化处理：

式中，x_i,j代表六维力数据集X的第i个样本的第j个特征，代表六维力数据集X的第j个特征的最小值，代表六维力数据集X的第j个特征的最大值，x’_i,j代表标准化后的六维力数据集X的第i个样本的第j个特征。将X₁,X₂的所有样本的特征都按公式(1)进行处理。

步骤4：利用混沌逻辑映射策略生成初始的SVM参数的种群。设向量S_k＝(p_k,1,p_k,2)是初始的SVM参数的种群中的第k个体。其中p_k,1和p_k,2分别是对应于SVM的惩罚参数C和核参数γ的一个候选解。混沌逻辑映射策略生成的初始种群描述为：

式中，r_1,h是介于0到1之间的随机数且h＝1,2。当h＝1时，和分别为0.001和10000；当h＝2时，和分别为0.001和10000。

步骤5：利用改进的反向学习策略优化初始的SVM参数的种群：

式中，P_k,h是对应于混沌逻辑映射策略生成的个体特征p_k,h的反向特征，P_k是对应于种群个体p_k的反向个体。其中适应度函数V(p)分别以种群个体和标准化后的训练数据集为函数变量和输入常量，函数值为根据K折交叉验证得到的SVM的分类误差。根据个体的适应度函数值，如果反向个体P_k比原始个体p_k好，则初始种群中的原始个体被反向个体所取代；否则，保留原始个体。

步骤6：使用GWA算子更新SVM参数的种群。设定r为[0,1]范围内的一个随机向量，S(t)是当代种群，S_r(t)是当代种群中的一个随机个体，S_m(t)是当代最优个体，且初始种群S(0)＝{S₁,S₂,…,S_M}。GWA算子的变量设置如下：

A＝(2-2t/t_m).r (6)

W_r(t)＝A.|S(t)-S_r(t)| (7)

W_m(t)＝1.5A.|S_m(t)-S(t)| (8)

根据公式(9)来更新种群：

式中，h是介于[-1,1]之间的随机数，q是介于[0,1]之间的随机数，Q是介于[0,2]之间的随机向量。

步骤7：计算种群个体的适应度函数值，更新最优个体的位置向量。

步骤8：若当前迭代达到20代，则执行步骤9；否则，t＝t+1并返回步骤6。

步骤9：结束SVM参数优化过程，输出最优参数C和γ。将最优SVM参数和标准化后的训练数据集代入SVM里面，建立基于GWA-SVM的接触状态识别模型。

步骤10：利用建立好的接触状态模型去识别标准化后的测试数据集。将预测类别L_p和实际类别L₂对比，绘制分类结果图。

本实例通过GWA和SVM的结合，提高了GWA-SVM分类算法的模式识别精度。且实例结果表明GWA-SVM分类算法能够较快的识别机器人零件装配的接触状态，且预测接触状态与实际接触状态相差不大。

以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员还能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (1)

1.一种基于GWA-SVM的机器人装配的接触状态识别方法，其特征在于，所述方法包括以下步骤：

步骤1：使用工业机器人装配零件，采集多组装配过程中的力数据，建立训练数据集{X₁,L₁}与测试数据集{X₂,L₂}，其中X₁,X₂为装配过程中采集的六维力数据X＝(f_x,f_y,f_z,m_x,m_y,m_z)，f_x,f_y,f_z分别为沿x,y,z轴方向的力数据，m_x,m_y,m_z分别为绕x,y,z轴的力矩数据，L₁,L₂为分别与X₁,X₂对应的接触状态，即数据所属的类别，训练数据X₁共分为Y类；

步骤2：设定初始参数，包括种群大小M，SVM的惩罚参数C的搜索范围[C_min,C_max]，SVM的核参数γ的搜索范围[γ_min,γ_max]，当前迭代次数t＝0，种群优化最大允许迭代次数t_m；

步骤3：将训练数据集{X₁,L₁}与测试数据集{X₂,L₂}进行标准化处理：

式中，x_i,j代表六维力数据集X的第i个样本的第j个特征，代表六维力数据集X的第j个特征的最小值，代表六维力数据集X的第j个特征的最大值，x’_i,j代表标准化后的六维力数据集X的第i个样本的第j个特征，将X₁,X₂的所有样本的特征都按公式(1)进行处理；

步骤4：利用混沌逻辑映射策略生成初始的SVM参数的种群，设向量S_k＝(p_k,1,p_k,2)是初始的SVM参数的种群中的第k个体，其中p_k,1和p_k,2分别是对应于SVM的惩罚参数C和核参数γ的一个候选解，混沌逻辑映射策略生成的初始种群描述为：

式中，r_1,h是介于0到1之间的随机数且h＝1,2，当h＝1时，和分别为C_min和C_max；当h＝2时，和分别为γ_min和γ_max；

步骤5：利用改进的反向学习策略优化初始的SVM参数的种群：

式中，P_k,h是对应于混沌逻辑映射策略生成的个体特征p_k,h的反向特征，P_k是对应于种群个体p_k的反向个体，其中适应度函数V(p)分别以种群个体和标准化后的训练数据集为函数变量和输入常量，函数值为根据K折交叉验证得到的SVM的分类误差；根据个体的适应度函数值，如果反向个体P_k比原始个体p_k好，则初始种群中的原始个体被反向个体所取代；否则，保留原始个体；

步骤6：使用GWA算子更新SVM参数的种群，设定r为[0,1]范围内的一个随机向量，S(t)是当代种群，S_r(t)是当代种群中的一个随机个体，S_m(t)是当代最优个体，且初始种群S(0)＝{S₁,S₂,…,S_M}，GWA算子的变量设置如下：

A＝(2-2t/t_m).r (6)

W_r(t)＝A.|S(t)-S_r(t)| (7)

W_m(t)＝1.5A.|S_m(t)-S(t)| (8)

根据公式(9)来更新种群：

式中，h是介于[-1,1]之间的随机数，q是介于[0,1]之间的随机数，Q是介于[0,2]之间的随机向量；

步骤7：计算种群个体的适应度函数值，更新最优个体的位置向量；

步骤8：若当前迭代达到最大允许迭代次数，则执行步骤9；否则，t＝t+1并返回步骤6；

步骤9：结束SVM参数优化过程，输出最优参数C和γ，将最优SVM参数和标准化后的训练数据集代入SVM里面，建立基于GWA-SVM的接触状态识别模型；

步骤10：利用建立好的接触状态模型去识别标准化后的测试数据集，将预测类别L_p和实际类别L₂对比，绘制分类结果图。