CN109657706A - 基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法 - Google Patents
基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法 Download PDFInfo
- Publication number
- CN109657706A CN109657706A CN201811465124.1A CN201811465124A CN109657706A CN 109657706 A CN109657706 A CN 109657706A CN 201811465124 A CN201811465124 A CN 201811465124A CN 109657706 A CN109657706 A CN 109657706A
- Authority
- CN
- China
- Prior art keywords
- formula
- data
- xtest
- probability
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Complex Calculations (AREA)
Abstract
一种基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法,包括以下步骤:步骤1:采集多组装配过程中的力数据,建立训练数据集与测试数据集;步骤2:计算训练数据的先验概率;步骤3:初始化GMM参数;步骤4:将训练数据划分到距离最近的类别;步骤5:计算每个类别内所有训练数据的均值;步骤6:若t=T,则执行步骤7,否则返回步骤4;步骤7:估计训练数据的概率密度分布;步骤8:计算后验概率;步骤9:得到新的GMM参数;步骤10:计算新的对数似然函数,若ln*p(x|π,u,∑)‑ln p(x|π,u,∑)<L,则执行步骤11,否则返回步骤8;步骤11:使用测试数据,计算贝叶斯后验概率概率;步骤12:将数据分类到后验概率最大的类别。本发明分类精度较高。
Description
技术领域
本发明属于机器学习与机器人柔顺控制技术领域,适用于利用工业机器人装配柔性零件的接触状态识别的领域。具体地说,涉及一种基于高斯混合模型(Gaussian MixtureModel,以下简称GMM),极大似然估计(Expectation Maximization,以下简称EM)和贝叶斯分类算法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,只依靠位置控制是个满足要求的。然而,目前机器人柔顺控制多应用于刚性零件,柔性零件存在较大的弹性形变,使得机器人自动化装配柔性零件更加困难。
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。接触状态识别的方法主要基于机器学习中的有监督分类算法,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人工神经网络算法,能够预测力数据所属的类别,然而柔性零件装配的力数据不符合高斯分布,使得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,然而没有针对柔性零件力数据特性的改进,且计算时间大大增加。对于柔性零件装配力数据概率密度分布复杂的问题,现有机器学习算法难以应对,无法得到精确的分类结果。
因此,设计一种面向柔性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柔性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高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法。
本发明解决其技术问题所采用的技术方案是:
一种基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法,包括以下步骤:
步骤1:使用机器人装配柔性零件,采集多组装配过程中的力数据,建立训练数据集{Xtrain,Ctrain}与测试数据集{Xtest,Ctest};
其中,Xtrain,Xtest为装配过程中采集的六维力数据X=(fx,fy,fz,mx,my,mz),fx,fy,fz分别为沿x,y,z轴方向的力数据,mx,my,mz分别为绕x,y,z轴的力矩数据。Ctrain,Ctest为分别与Xtrain,Xtest对应的接触状态,即数据所属的类别,训练数据Xtrain共分为M类;
步骤2:设定GMM模型的高斯分布个数K和收敛系数L,根据公式(1)计算训练数据Xtrain的先验概率p(l)(l=1,2,...,M);
式中:Si为属于第ck类的训练数据数量,S为训练数据总数量;
步骤3:使用K-means聚类算法初始化GMM参数πk,μk和∑k,首先,设定迭代次数T,随机选择训练数据Xtrain中的K个数据作为初始中心点Xcenter[i](i=1,2,...,K),t=0;
步骤4:t=t+1。使用欧式距离公式计算每个训练数据与每个初始中心点的距离,并将训练数据划分到距离最近的类别;
步骤5:计算每个类别内所有训练数据的均值mu[i](i=1,2,...,K),使用mu[i]代替Xcenter[i];
步骤6:若t=T,则执行步骤7,否则返回步骤4;
步骤7:使用高斯混合模型估计训练数据的概率密度分布,首先,随机初始化πk,根据K-means算法得到的聚类数据计算μk和∑k的初始值,根据公式(3)计算对数似然函数lnp(x|π,u,∑);
式中:πk为影响因子,μk为均值,∑k为协方差;
步骤8:根据公式(4)计算高斯混合模型后验概率γ(i,k)
式中:N(x|uk,∑k)为一维高斯分布,根据式(5)计算其概率密度函数f(x);
式中:u为期望,σ2为方差;
步骤9:根据公式(6)-(9)得到新的GMM参数πk *,μk *和∑k *;
步骤10:使用新的GMM参数πk *,μk *和∑k *,根据公式(3)计算新的对数似然函数ln*p(x|π,u,∑),若ln*p(x|π,u,∑)-lnp(x|π,u,∑)<L,则执行步骤11,否则返回步骤8;
步骤11:使用测试数据Xtest,根据公式(10)计算贝叶斯后验概率概率C(Xtestj);
C(Xtestj)=p(l)p(Xtestj|cl) (10)
式中:根据公式(11)计算条件概率p(Xtestj|cl);
步骤12:比较贝叶斯后验概率,将数据分类到后验概率最大的类别,最后将预测类别C(Xtestj)和实际类别Ctest对比,绘制分类结果图。
本发明的有益效果主要表现在:具有适应复杂分布数据的特点,在柔性零件装配过程的接触状态分类方面更加精确。
附图说明
图1是基于高斯混合模型贝叶斯分类算法的柔性零件装配过程接触状态识别流程图。
图2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和图2,一种基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法,包括以下步骤:
步骤1:使用机器人装配柔性零件,采集多组装配过程中的力数据,建立训练数据集{Xtrain,Ctrain}与测试数据集{Xtest,Ctest};
其中,Xtrain,Xtest为装配过程中采集的六维力数据X=(fx,fy,fz,mx,my,mz),fx,fy,fz分别为沿x,y,z轴方向的力数据,mx,my,mz分别为绕x,y,z轴的力矩数据。Ctrain,Ctest为分别与Xtrain,Xtest对应的接触状态,即数据所属的类别,训练数据Xtrain共分为M类;
步骤2:设定GMM模型的高斯分布个数K和收敛系数L,根据公式(1)计算训练数据Xtrain的先验概率p(l)(l=1,2,...,M);
式中:Si为属于第ck类的训练数据数量,S为训练数据总数量;
步骤3:使用K-means聚类算法初始化GMM参数πk,μk和∑k,首先,设定迭代次数T,随机选择训练数据Xtrain中的K个数据作为初始中心点Xcenter[i](i=1,2,...,K),t=0;
步骤4:t=t+1。使用欧式距离公式计算每个训练数据与每个初始中心点的距离,并将训练数据划分到距离最近的类别;
步骤5:计算每个类别内所有训练数据的均值mu[i](i=1,2,...,K),使用mu[i]代替Xcenter[i];
步骤6:若t=T,则执行步骤7,否则返回步骤4;
步骤7:使用高斯混合模型估计训练数据的概率密度分布,首先,随机初始化πk,根据K-means算法得到的聚类数据计算μk和∑k的初始值,根据公式(3)计算对数似然函数lnp(x|π,u,∑);
式中:πk为影响因子,μk为均值,∑k为协方差;
步骤8:根据公式(4)计算高斯混合模型后验概率γ(i,k)
式中:N(x|uk,∑k)为一维高斯分布,根据式(5)计算其概率密度函数f(x);
式中:u为期望,σ2为方差;
步骤9:根据公式(6)-(9)得到新的GMM参数πk *,μk *和∑k *;
步骤10:使用新的GMM参数πk *,μk *和∑k *,根据公式(3)计算新的对数似然函数ln*p(x|π,u,∑),若ln*p(x|π,u,∑)-lnp(x|π,u,∑)<L,则执行步骤11,否则返回步骤8;
步骤11:使用测试数据Xtest,根据公式(10)计算贝叶斯后验概率概率C(Xtestj);
C(Xtestj)=p(l)p(Xtestj|cl) (10)
式中:根据公式(11)计算条件概率p(Xtestj|cl);
步骤12:比较贝叶斯后验概率,将数据分类到后验概率最大的类别,最后将预测类别C(Xtestj)和实际类别Ctest对比,绘制分类结果图。
Claims (1)
1.一种基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法,其特征在于,所述方法包括以下步骤:
步骤1:使用机器人装配柔性零件,采集多组装配过程中的力数据,建立训练数据集{Xtrain,Ctrain}与测试数据集{Xtest,Ctest};
其中,Xtrain,Xtest为装配过程中采集的六维力数据X=(fx,fy,fz,mx,my,mz),fx,fy,fz分别为沿x,y,z轴方向的力数据,mx,my,mz分别为绕x,y,z轴的力矩数据。Ctrain,Ctest为分别与Xtrain,Xtest对应的接触状态,即数据所属的类别,训练数据Xtrain共分为M类;
步骤2:设定GMM模型的高斯分布个数K和收敛系数L,根据公式(1)计算训练数据Xtrain的先验概率p(l)(l=1,2,...,M);
式中:Si为属于第ck类的训练数据数量,S为训练数据总数量;
步骤3:使用K-means聚类算法初始化GMM参数πk,μk和∑k,首先,设定迭代次数T,随机选择训练数据Xtrain中的K个数据作为初始中心点Xcenter[i](i=1,2,...,K),t=0;
步骤4:t=t+1。使用欧式距离公式计算每个训练数据与每个初始中心点的距离,并将训练数据划分到距离最近的类别;
步骤5:计算每个类别内所有训练数据的均值mu[i](i=1,2,...,K),使用mu[i]代替Xcenter[i];
步骤6:若t=T,则执行步骤7,否则返回步骤4;
步骤7:使用高斯混合模型估计训练数据的概率密度分布,首先,随机初始化πk,根据K-means算法得到的聚类数据计算μk和∑k的初始值,根据公式(3)计算对数似然函数lnp(x|π,u,∑);
式中:πk为影响因子,μk为均值,∑k为协方差;
步骤8:根据公式(4)计算高斯混合模型后验概率γ(i,k)
式中:N(x|uk,∑k)为一维高斯分布,根据式(5)计算其概率密度函数f(x);
式中:u为期望,σ2为方差;
步骤9:根据公式(6)-(9)得到新的GMM参数πk *,μk *和∑k *;
步骤10:使用新的GMM参数πk *,μk *和∑k *,根据公式(3)计算新的对数似然函数ln*p(x|π,u,∑),若ln*p(x|π,u,∑)-lnp(x|π,u,∑)<L,则执行步骤11,否则返回步骤8;
步骤11:使用测试数据Xtest,根据公式(10)计算贝叶斯后验概率概率C(Xtestj);
C(Xtestj)=p(l)p(Xtestj|cl) (10)
式中:根据公式(11)计算条件概率p(Xtestj|cl);
步骤12:比较贝叶斯后验概率,将数据分类到后验概率最大的类别,最后将预测类别C(Xtestj)和实际类别Ctest对比,绘制分类结果图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811465124.1A CN109657706A (zh) | 2018-12-03 | 2018-12-03 | 基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811465124.1A CN109657706A (zh) | 2018-12-03 | 2018-12-03 | 基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109657706A true CN109657706A (zh) | 2019-04-19 |
Family
ID=66112733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811465124.1A Pending CN109657706A (zh) | 2018-12-03 | 2018-12-03 | 基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657706A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415507A (zh) * | 2022-01-07 | 2022-04-29 | 浙江工业大学 | 基于深度神经网络的灵巧手抓持过程动力学模型搭建及训练方法 |
CN114415507B (zh) * | 2022-01-07 | 2024-05-28 | 浙江工业大学 | 基于深度神经网络的灵巧手抓持过程动力学模型搭建及训练方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324232A (zh) * | 2011-09-12 | 2012-01-18 | 辽宁工业大学 | 基于高斯混合模型的声纹识别方法及系统 |
US20180071915A1 (en) * | 2016-09-09 | 2018-03-15 | The Board Of Trustees Of The Leland Stanford Junior University | Workpiece contact state estimating device and workpiece contact state estimation method |
CN108196447A (zh) * | 2017-12-25 | 2018-06-22 | 清华大学 | 一种利用基于学习遗传进化算法的机器人双轴孔装配方法 |
-
2018
- 2018-12-03 CN CN201811465124.1A patent/CN109657706A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324232A (zh) * | 2011-09-12 | 2012-01-18 | 辽宁工业大学 | 基于高斯混合模型的声纹识别方法及系统 |
US20180071915A1 (en) * | 2016-09-09 | 2018-03-15 | The Board Of Trustees Of The Leland Stanford Junior University | Workpiece contact state estimating device and workpiece contact state estimation method |
CN108196447A (zh) * | 2017-12-25 | 2018-06-22 | 清华大学 | 一种利用基于学习遗传进化算法的机器人双轴孔装配方法 |
Non-Patent Citations (1)
Title |
---|
IBRAHIM F.JASIM ET AL: "Contact-state Modeling of Robotic Assembly Tasks Using Gaussian Mixture Models" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415507A (zh) * | 2022-01-07 | 2022-04-29 | 浙江工业大学 | 基于深度神经网络的灵巧手抓持过程动力学模型搭建及训练方法 |
CN114415507B (zh) * | 2022-01-07 | 2024-05-28 | 浙江工业大学 | 基于深度神经网络的灵巧手抓持过程动力学模型搭建及训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814871B (zh) | 一种基于可靠权重最优传输的图像分类方法 | |
Vigdor et al. | The bayesian artmap | |
CN109902953B (zh) | 一种基于自适应粒子群聚类的电力用户分类方法 | |
JP4790590B2 (ja) | 収束基準を利用する多目的最適化のためのモデルベースおよび遺伝ベースの子孫生成の組み合わせ | |
Song et al. | A hybrid evolutionary computation approach with its application for optimizing text document clustering | |
CN109583635B (zh) | 一种面向运行可靠性的短期负荷预测建模方法 | |
CN112800682B (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
CN110653824B (zh) | 基于概率模型的机器人离散型轨迹的表征与泛化方法 | |
CN111428768A (zh) | 基于Hellinger距离-高斯混合模型的聚类方法 | |
CN111791090B (zh) | 一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法 | |
CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
CN110363214A (zh) | 一种基于gwa-svm的机器人装配的接触状态识别方法 | |
CN115438714A (zh) | 分簇式联邦学习驱动的机械故障诊断方法、装置及介质 | |
Cao et al. | Density-based fuzzy C-means multi-center re-clustering radar signal sorting algorithm | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN109657706A (zh) | 基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法 | |
CN109670538B (zh) | 一种非刚体零件的装配接触状态识别方法 | |
CN116071783A (zh) | 一种羊生殖健康预警系统及方法 | |
CN114595750A (zh) | 基于深度强化学习参数自动调整的铝电解故障识别方法 | |
Mao et al. | Research of improved fuzzy c-means algorithm based on a new metric norm | |
CN110288606B (zh) | 一种基于蚁狮优化的极限学习机的三维网格模型分割方法 | |
CN113341379A (zh) | 基于自适应阈值和迭代控制的雷达信号分选方法 | |
Yang et al. | An improved probabilistic neural network with ga optimization | |
Zheng et al. | Clustering by the Probability Distributions From Extreme Value Theory | |
WO2022083047A1 (zh) | 细胞分类模型的获取方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |