CN112422317B - 一种工业机器人自动协作冲突调节方法 - Google Patents

一种工业机器人自动协作冲突调节方法 Download PDF

Info

Publication number
CN112422317B
CN112422317B CN202011131895.4A CN202011131895A CN112422317B CN 112422317 B CN112422317 B CN 112422317B CN 202011131895 A CN202011131895 A CN 202011131895A CN 112422317 B CN112422317 B CN 112422317B
Authority
CN
China
Prior art keywords
fuzzy
conflict
similarity
data
robot
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.)
Active
Application number
CN202011131895.4A
Other languages
English (en)
Other versions
CN112422317A (zh
Inventor
李凯勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qinghai Nationalities University
Original Assignee
Qinghai Nationalities University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qinghai Nationalities University filed Critical Qinghai Nationalities University
Priority to CN202011131895.4A priority Critical patent/CN112422317B/zh
Publication of CN112422317A publication Critical patent/CN112422317A/zh
Application granted granted Critical
Publication of CN112422317B publication Critical patent/CN112422317B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种工业机器人自动协作冲突调节方法，分析了工业机器人协作冲突的信号特征，证实冲突数据满足混沌特征，基于该原理，设计了利用模糊和反模糊理论处理虚拟空间中的冲突特征，可以用于预测和调节机器人协作中的冲突过程。

Description

一种工业机器人自动协作冲突调节方法
技术领域
本发明属于机器人控制领域，具体涉及一种工业机器人自动协作冲突调节方法。
背景技术
多工业机器人协作的全称是“机器人协同通信控制工业机器人协同合作”，是现代人工智能的重要组成部分。多工业机器人的性能与联合控制指令的安全性密切相关。没有高性能工业机器人关节控制机器人的配合，就不可能实现高效率、合作性强的机器人。工业机器人关节控制的安全性非常重要。机器人联合协作控制一旦发生冲突，就会导致自动控制安全出现重大问题。因此，准确检测机器人合作过程中的冲突是提高工业机器人安全性的重要保证。目前，该领域的研究人员已经对机器人合作中的冲突检测进行了探索，包括以下几种方法：1、隐马尔可夫模型用于生成运动的转移概率矩阵。根据矩阵，设计了人与机器人之间的协作关系。该方法可以实现人机协作，但其人为因素明显，预测结果不够准确。2、一种基于深度学习算法的工业机器人协作方法，该方法设计了HRC需求预测模型，规划了机器人人机协作方法，实现了机器人间的协作。但该方法在操作过程中受到人为因素的影响，操作过程较为复杂。3、研究SWI对工业机器人协作的影响，提出了一种静态补偿控制策略。4、在3的基础上，推导了机器人虚拟人的双边信任模型，提出了一种实时信任度量方法。该方法为人机协作提供了有效的理论支持，但该方法的检测目标不明确；5、一种轨迹生成算法，机器人控制器通过修改预编程轨迹来增强安全约束，以避免通信冲突。该方法可以有效地改善通信冲突，但需要测量的参数较多，容易产生误差。6、一种人机合作机器人行为速度调节模型，通过调节机器人的运动速度来实现人机合作。但该方法计算量大，容易造成计算协作的大延迟。7、采用多传感器多控制器方式控制机器人动作，实现人机协作。但是，该方法没有考虑人机合作过程中的通信冲突，合作效果较差。
这些研究结果存在不足的主要原因是，它们大多将工业机器人冲突检测过程与内部资源冲突联系起来，形成统一的冲突信号。在工业机器人的协同自动合作中，一旦软硬件发生冲突，就无法形成统一的特征，降低了相关测试服务的可靠性和可用性。虽然分析不同机器人的内部资源可以提高可靠性，但同时也增加了不同机器人内部节点的冲突处理成本，降低了机器人的处理能力，降低了机器人整体可用性的表现。
发明内容
针对现有技术中的上述不足，本发明提供的一种工业机器人自动协作冲突调节方法，基于冲突数据的混沌特性，设计了利用模糊和反模糊理论处理虚拟空间中的冲突特征，可以用于预测和调节机器人协作中的冲突过程。
为了达到上述发明目的，本发明采用的技术方案为：一种工业机器人自动协作冲突调节方法，包括以下步骤：
S1、将多工业机器人协调运动中发生冲突行为时的位置偏差选择和速度偏差作为冲突数据，并进行线性搬移和归一化处理，得到标准冲突数据；
S2、通过三角隶属函数对标准冲突数据进行绘制和模糊化处理，得到模糊变量集；
S3、计算模糊变量集与冲突数据的模糊关联规则条件模糊集之间的相似度；
S4、根据相似度，计算模糊推理结果；
S5、对模糊推理结果进行去模糊化处理，得到执行单元用于执行的精确值，将精确值作为反馈量，用于调节工业机器人的协作冲突过程。
进一步地，步骤S1中线性搬移和归一化处理的公式为：
Figure BDA0002735443510000031
其中，x′为标准冲突数据，x′的定义域为(-c,c)，x为冲突数据，x的定义域为(a,b)。
进一步地，步骤S3中相似度的计算公式为：
Figure BDA0002735443510000032
Figure BDA0002735443510000033
A＝A1*A2*,…,*An
Figure BDA0002735443510000034
其中，A为冲突数据的模糊关联规则条件模糊集，A*为模糊变量集，SM(A,A*)为模糊相似度，A1,A2,…,An为模糊关联规则条件模糊集的n个样本，
Figure BDA0002735443510000035
为模糊变量集的n个样本，n为维度，即样本量。
进一步地，步骤S4中计算模糊推理结果的公式为：
Figure BDA0002735443510000036
其中，B*为模糊推理结果，B为模糊控制规则模糊集，SM(A,A*)为模糊相似度。
进一步地，步骤S4中计算糊推理结果的公式为：
B*＝SM(A,A*)*B
其中，B*为模糊推理结果，B为模糊控制规则模糊集，SM(A,A*)为模糊相似度。
进一步地，步骤S5中去模糊化处理的公式为：
Figure BDA0002735443510000041
Figure BDA0002735443510000042
其中，y0为执行单元用于执行的精确值，μ(y)为隶属度值，B*为模糊推理结果，
Figure BDA0002735443510000043
为B*的元素，n为维度，y为抗糊化参数。
本发明的有益效果为：
(1)、基于相似度的模糊推理不需要考虑规则与错误数据之间的相互作用，也不需要考虑条件与从属者之间的隐含关系。首先计算冲突数据的模糊关联规则条件模糊集与模糊变量集之间的相似度。然后，根据获得的相似度计算模糊推理的结果。本发明提出的模糊推理是一种多维模糊推理。
(2)、首先计算模糊相似度来度量局部信息，然后通过模糊相似度得到传统的相似度，可以有效地降低推理结果的粗糙度。此外，为了度量每个条件对模糊推理结果的影响程度，规则中的每个条件被赋予不同的权重。当模糊变量集与规则的条件相似度较高时，它对计算结果的影响程度越大，对应的权重越大。反之，当模糊变量集与规则的条件相似度较低时，模糊变量集对计算结果的贡献越小，其权重也应相应越小。
(3)、所得到的模糊推理结果不能直接作为控制变量。这主要是因为它是一个模糊的结果，需要去模糊化，将其转换为可由执行单元实现的精确值。反模糊主要是对模糊推理得到的模糊结论进行计算，反映控制量的精确分布。
(4)、用已经明知道发生冲突的数据构建数据库，分析得到冲突数据的模糊关联规则条件模糊集A矩阵，然后考察动态采样的机器人模糊变量集A*与A的协方差，越大越表明冲突可能性越大。
(5)、本申请分析了工业机器人协作冲突的信号特征，证实冲突数据满足混沌特征，基于该原理，设计了利用模糊和反模糊理论处理虚拟空间中的冲突特征，可以用于预测和调节机器人协作中的冲突过程。
附图说明
图1为一种工业机器人自动协作冲突调节方法的流程图；
图2为篡改冲突数据的时域波形图；
图3为篡改冲突中数据序列的Lyapunov指数谱图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种工业机器人自动协作冲突调节方法，包括以下步骤：
S1、将多工业机器人协调运动中发生冲突行为时的位置偏差选择和速度偏差作为冲突数据，并进行线性搬移和归一化处理，得到标准冲突数据；
步骤S1中线性搬移和归一化处理的公式为：
Figure BDA0002735443510000051
其中，x′为标准冲突数据，x′的定义域为(-c,c)，x为冲突数据，x的定义域为(a,b)。
S2、通过三角隶属函数对标准冲突数据进行绘制和模糊化处理，得到模糊变量集；
步骤S2中将标准冲突数据x′转换为模糊变量集的原理如下：
在工业机器人协同工作中，分布计算节点上的服务软硬件通过服务链路的数据交换完成协同工作。一般情况下，当机器人的软硬件相关设备相互配合时，由于数据信号异常，节点的远程数据会不间断地重新传输。如果运行的计算节点之间只有一个通信物理链路，则在机器人协作信息交换过程中，由于软硬件冲突导致服务执行失败，任务终止。
由于机器人的软硬件设计多为冗余结构，冲突的来源是随机的，因此很难直接预测机器人在合作过程中的冲突行为。此时，处理方法如下：如果机器人合作冲突只造成传输延迟，则将其视为链路冲突模型的一部分；如果冲突导致动作失败，导致机器人配合的硬件异常，则将其归类为硬件冲突进行处理。计算过程一般包括输入、等待、计算和输出四个步骤。在有效执行阶段，任何服务都将继续进入节点并在完成后输出到下一个节点。在冲突阶段，不同的冲突类型和恢复策略对节点行为有不同的影响。表1描述了机器人协同执行阶段软硬件冲突的基本分类和故障级别，并给出了冲突产生的原因和结果。
表1常见合作机器人的冲突原因、结果及恢复方法
Figure BDA0002735443510000061
从表1可以看出，大部分冲突行为生成后，都会进行重试、替换和局部重构的过程。重试策略可以是重新执行单个任务，也可以是重新启动和重置机器人。替换策略是指冲突发生后，将前任服务的任务分配给新的替换服务执行，完成后输出给业务流程指定的后续服务。局部重建是指受单一冲突影响的过程的局部重建。由于局部重构可以看作是更大的范围和更多的替换次数，因此其对协同性能影响的评价方法是一致的。冲突后的数据特征是研究的重点。在冲突过程的前端，机器人在协作过程中发生初始冲突行为，导致确认任务超时，触发程序验证时钟密码，合作两端节点的大量数据被重传、替换和部分重构，导致合作数据的非线性冗余分量显著增加。然而，增加的冲突数据处理过程与机器人正常的合作协作数据信号之间存在着相反的关系，形成了高度随机的数据纠缠。这种随机和真实随机之间有很大的区别，真实随机被称为伪随机序列。混沌可以用来描述伪随机序列的数学性质。因此，可以得出结论，在冲突的早期阶段，机器人协同合作产生的无序数据存在一定的混沌，其原因如下：
1.确定性与对立性的统一是混沌的基本概念之一，一旦软件和硬件发生冲突，数据就会有一种看似随机但并非真正随机的特性，也称为混沌。
2.在机器人合作冲突的情况下，其长期行为将对相应参数空间的初始状态敏感。
3.这种数据混沌特征是早期检测机器人协作冲突的重要前提。
证明了早期机器人合作冲突数据的混沌性。这些数据序列的最大Lyapunov指数是否大于0可以进行验证。图2和图3为在机器人协作的访问篡改作用下，MATLAB获得的冲突数据的Lyapunov指数仿真结果。
如图2和图3所示，混沌映射的早期数据序列的机器人冲突。
从图2和图3可以看出，冲突数据序列的最大lyapunov指数大于0，可以证明冲突数据序列在早期的机器人合作中是混沌的。
由于冲突数据序列在早期的机器人合作中是混沌的，因此，可以利用模糊和反模糊理论处理虚拟空间中的冲突特征，可以预测机器人协作中的早期冲突过程，本发明基于多工业机器人协调运动中发生冲突行为时的数据时混沌的，设计了冲突检测和调节方法。
S3、计算模糊变量集与冲突数据的模糊关联规则条件模糊集之间的相似度；
步骤S3中相似度的计算公式为：
Figure BDA0002735443510000081
Figure BDA0002735443510000082
A＝A1*A2*,…,*An
Figure BDA0002735443510000083
其中，A为冲突数据的模糊关联规则条件模糊集，A*为模糊变量集，SM(A,A*)为模糊相似度，A1,A2,…,An为模糊关联规则条件模糊集的n个样本，
Figure BDA0002735443510000084
为模糊变量集的n个样本，n为维度，即样本量。
S4、根据相似度，计算模糊推理结果；
步骤S4中计算模糊推理结果的公式为：
Figure BDA0002735443510000085
其中，B*为模糊推理结果，B为模糊控制规则模糊集，SM(A,A*)为模糊相似度。
步骤S4中计算糊推理结果的公式为：
B*＝SM(A,A*)*B
其中，B*为模糊推理结果，B为模糊控制规则模糊集，SM(A,A*)为模糊相似度。
S5、对模糊推理结果进行去模糊化处理，得到执行单元用于执行的精确值，将精确值作为反馈量，用于调节工业机器人的协作冲突过程。
步骤S5中去模糊化处理的公式为：
Figure BDA0002735443510000091
Figure BDA0002735443510000092
其中，y0为执行单元用于执行的精确值，μ(y)为隶属度值，B*为模糊推理结果，
Figure BDA0002735443510000093
为B*的元素，n为维度，y为抗糊化参数。

Claims (4)

1.一种工业机器人自动协作冲突调节方法，其特征在于，包括以下步骤：
S1、将多工业机器人协调运动中发生冲突行为时的位置偏差选择和速度偏差作为冲突数据，并进行线性搬移和归一化处理，得到标准冲突数据；
步骤S1中线性搬移和归一化处理的公式为：
Figure FDA0003582893920000011
其中，x′为标准冲突数据，x′的定义域为(-c,c)，x为冲突数据，x的定义域为(a,b)；
S2、通过三角隶属函数对标准冲突数据进行绘制和模糊化处理，得到模糊变量集；
S3、计算模糊变量集与冲突数据的模糊关联规则条件模糊集之间的相似度；
步骤S3中相似度的计算公式为：
Figure FDA0003582893920000012
Figure FDA0003582893920000013
A＝A1*A2*…*An
Figure FDA0003582893920000014
其中，A为冲突数据的模糊关联规则条件模糊集，A*为模糊变量集，SM(A,A*)为模糊相似度，A1,A2,…,An为模糊关联规则条件模糊集的n个样本，
Figure FDA0003582893920000015
为模糊变量集的n个样本，n为维度，即样本量；
S4、根据相似度，计算模糊推理结果；
S5、对模糊推理结果进行去模糊化处理，得到执行单元用于执行的精确值，将精确值作为反馈量，用于调节工业机器人的协作冲突过程。
2.根据权利要求1所述的工业机器人自动协作冲突调节方法，其特征在于，所述步骤S4中计算模糊推理结果的公式为：
Figure FDA0003582893920000021
其中，B*为模糊推理结果，B为模糊控制规则模糊集，SM(A,A*)为模糊相似度。
3.根据权利要求1所述的工业机器人自动协作冲突调节方法，其特征在于，所述步骤S4中计算糊推理结果的公式为：
B*＝SM(A,A*)*B
其中，B*为模糊推理结果，B为模糊控制规则模糊集，SM(A,A*)为模糊相似度。
4.根据权利要求1所述的工业机器人自动协作冲突调节方法，其特征在于，所述步骤S5中去模糊化处理的公式为：
Figure FDA0003582893920000022
Figure FDA0003582893920000023
其中，y0为执行单元用于执行的精确值，μ(y)为隶属度值，B*为模糊推理结果，
Figure FDA0003582893920000024
为B*的元素，n为维度，y为抗糊化参数，i＝1,2,…,n。
CN202011131895.4A 2020-10-21 2020-10-21 一种工业机器人自动协作冲突调节方法 Active CN112422317B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011131895.4A CN112422317B (zh) 2020-10-21 2020-10-21 一种工业机器人自动协作冲突调节方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011131895.4A CN112422317B (zh) 2020-10-21 2020-10-21 一种工业机器人自动协作冲突调节方法

Publications (2)

Publication Number Publication Date
CN112422317A CN112422317A (zh) 2021-02-26
CN112422317B true CN112422317B (zh) 2022-06-10

Family

ID=74841630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011131895.4A Active CN112422317B (zh) 2020-10-21 2020-10-21 一种工业机器人自动协作冲突调节方法

Country Status (1)

Country Link
CN (1) CN112422317B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638717A (zh) * 2020-06-06 2020-09-08 浙江科钛机器人股份有限公司 一种分布式自主机器人交通协调机制的设计方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100547504C (zh) * 2004-09-16 2009-10-07 上海交通大学 基于模糊目标与模糊约束的工业过程预测控制方法
CA2953385A1 (en) * 2014-06-30 2016-01-07 Evolving Machine Intelligence Pty Ltd A system and method for modelling system behaviour
CN106249739A (zh) * 2016-08-26 2016-12-21 广州小瓦智能科技有限公司 一种高性能机器人防撞移动算法
CN110874374A (zh) * 2019-11-01 2020-03-10 山东师范大学 基于粒度直觉模糊认知图的在线时间序列预测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111638717A (zh) * 2020-06-06 2020-09-08 浙江科钛机器人股份有限公司 一种分布式自主机器人交通协调机制的设计方法

Also Published As

Publication number Publication date
CN112422317A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
Baresi et al. The disappearing boundary between development-time and run-time
Jeyakumar et al. ExplainIt!--A declarative root-cause analysis engine for time series data
Calinescu et al. Compositional reverification of probabilistic safety properties for large-scale complex IT systems
Drusinsky Monitoring temporal rules combined with time series
Heo et al. Resource-aware program analysis via online abstraction coarsening
Klimenko et al. Optimization of technological process of monitoring of power quality in distribution networks 10/0.4 KV
He et al. Optimal sensor deployment for manufacturing process monitoring based on quantitative cause-effect graph
Lewis et al. Chaotic attractor prediction for server run-time energy consumption
Zuo et al. Research on remote state monitoring and intelligent maintenance system of CNC machine tools
Chu et al. Developing Deep Survival Model for Remaining Useful Life Estimation Based on Convolutional and Long Short‐Term Memory Neural Networks
Abbas et al. Interpretable input-output hidden markov model-based deep reinforcement learning for the predictive maintenance of turbofan engines
Nadjafi et al. Dynamic fault tree analysis using fuzzy LU bounds failure distributions
CN112422317B (zh) 一种工业机器人自动协作冲突调节方法
Nanda et al. Evaluation of feature selection techniques for software maintenance prediction
Nakagawa et al. Expression caching for runtime verification based on parameterized probabilistic models
Yang et al. An integrated network architecture for data repair and degradation trend prediction
Zimmer et al. Towards self-optimization in HPC I/O
Lennartson et al. Reinforcement learning with temporal logic constraints
Perreault et al. Deriving prognostic continuous time Bayesian networks from D-matrices
Cassandras et al. Discrete event systems: The state of the art and new directions
Elsayed et al. Fault-recovery and robust deadlock control of reconfigurable multi-unit resource allocation systems using siphons
Sthamer et al. Evolutionary testing of embedded systems
Fung et al. Attributions for ML-based ICS anomaly detection: From theory to practice
Hartonas-Garmhausen Probabilistic Symbolic Model Checking with Engineering Models and Applications
CN111240881A (zh) 基于贝叶斯网络的Web服务组合异常诊断方法

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
GR01 Patent grant
GR01 Patent grant