CN114932560A

CN114932560A - 一种机械臂抓取轮毂的自动控制方法和系统

Info

Publication number: CN114932560A
Application number: CN202210874891.8A
Authority: CN
Inventors: 胡鹏飞; 胡爱君; 李庆科
Original assignee: Shandong Zhenyuan Auto Wheel Co ltd
Current assignee: Shandong Zhenyuan Auto Wheel Co ltd
Priority date: 2022-07-25
Filing date: 2022-07-25
Publication date: 2022-08-23
Anticipated expiration: 2042-07-25
Also published as: CN114932560B

Abstract

本发明涉及控制或调节技术领域，具体涉及一种机械臂抓取轮毂的自动控制方法和系统。方法包括：对抓取单元在各周期内各采集时刻的振动频率进行中值滤波，得到第一振动频率序列；对第一振动频率序列中的元素分组得到各目标组；根据抓取单元的最大振动幅度、各周期对应的振动频率和高频振动频率的个数，计算稳定指数；基于稳定指数判断振动是否出现极端变化，若未出现，则在后续抓取过程中，降速抓取并计算各周期的稳定指数；将各周期的稳定指数和平均夹取速度输入网络中，预测未来周期的稳定指数和平均夹取速度；根据未来周期的稳定指数和平均夹取速度，控制后续机械臂抓取轮毂时抓取单元的速度。本发明实现了对抓取单元的速度的自动化控制。

Description

一种机械臂抓取轮毂的自动控制方法和系统

技术领域

本发明涉及控制或调节技术领域，具体涉及一种机械臂抓取轮毂的自动控制方法和系统。

背景技术

随着科技的快速发展，机械臂由于其自动化、高效率在工业中的应用越来越广泛，例如，自动分拣货物，自动装配零部件等。利用机械臂进行物体的抓取，会极大的提高生产产能，降低人工成本。在汽车轮毂的生产车间内，机械臂的使用较多，由于汽车轮毂的重量较大，机械臂搬运过程较短，在搬运时的启动阶段（加速阶段）和制动阶段（减速阶段）对机械臂抓取单元的影响较大。在实际生产中一般采用定期维护的方式，但机械臂的损坏是非线性的，若机械臂出现损坏，仍然使其进行正常工作（不降速工作），会继续加大机械臂的损坏程度。因此，如何监测机械臂的工作状态并根据机械臂的工作状态控制后续工作过程中的速度是一个非常重要的问题。

发明内容

为了解决现有的无法实时监测机械臂的工作状态并根据机械臂的工作状态控制后续工作过程中的速度的问题，本发明的目的在于提供一种机械臂抓取轮毂的自动控制方法和系统，所采用的技术方案具体如下：

第一方面，本发明提供了一种机械臂抓取轮毂的自动控制方法，该方法包括以下步骤：

获取机械臂抓取轮毂的过程中抓取单元在各周期内各采集时刻的振动数据和各周期的平均夹取速度，所述振动数据包括振动频率和振动幅度，所述振动数据和所述平均夹取速度是生产车轮的过程中所采集的；

对各周期内各采集时刻的振动频率数据进行高频滤波，得到高频振动频率数据；对各周期内各采集时刻的振动频率数据进行中值滤波处理，得到各周期对应的第一振动频率序列；对所述各周期对应的第一振动频率序列中的元素进行分组，得到各目标组；根据各周期对应的振动频率数据个数最多的目标组中的振动频率数据的个数、各周期高频振动频率数据的个数和机械臂抓取轮毂的过程中抓取单元的最大振动幅度，计算机械臂抓取单元在各周期内的稳定指数；

利用svr提取机械臂抓取轮毂的过程中对应的决策边界内的稳定指数，根据所述决策边界内的稳定指数，判断机械臂抓取单元的振动是否出现极端变化，若出现，则停机检修；若未出现，则在后续抓取过程中，降速抓取并计算抓取过程中各周期内的稳定指数；将各周期内的稳定指数和各周期的平均夹取速度输入到训练好的神经网络中，预测未来周期的稳定指数和平均夹取速度；根据所述未来周期的稳定指数和平均夹取速度，控制机械臂抓取轮毂时抓取单元的速度。

第二方面，本发明提供了一种机械臂抓取轮毂的自动控制系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的机械臂抓取轮毂的自动控制方法。

优选的，采用如下公式计算机械臂抓取单元在各周期内的稳定指数：

其中，

为任一周期内的稳定指数，

为反正切函数，

为该周期内高频振动频率数据的个数，

为振动频率数据个数最多的目标组中的振动频率数据的个数，

为机械臂抓取轮毂的过程中抓取单元的最大振动幅度，

为自然常数。

优选的，所述根据所述未来周期的稳定指数和平均夹取速度，控制机械臂抓取轮毂时抓取单元的速度，包括：

根据机械臂抓取单元各历史周期的稳定指数和平均夹取速度，构建各历史周期对应的向量；根据机械臂抓取单元未来周期的稳定指数和平均夹取速度，构建未来周期对应的向量；

基于所述各历史周期对应的向量和未来周期对应的向量，按照时间先后顺序，找到第一个稳定指数大于稳定指数阈值的向量中的速度，记为目标速度；获取机械臂抓取单元空载状态下且速度为目标速度的振动数据；

根据所述机械臂抓取单元空载状态下且速度为目标速度的振动数据，计算空载状态下机械臂抓取单元的稳定指数；判断空载状态下机械臂抓取单元的稳定指数是否大于预设阈值，若大于，则判定当前抓取轮毂的过程中的速度为合理的运行速度，继续进行后续的工作；若小于等于，则判定不存在合理的运行速度，立刻停机检修。

优选的，所述对所述各周期对应的第一振动频率序列中的元素进行分组，得到各目标组，包括：

对于任一周期：

将该周期对应的第一振动频率序列中采集时刻相邻且小于预设阈值的振动频率分为一组，记为目标组；该周期对应一个或多个目标组。

优选的，神经网络的训练，包括：

根据各样本机械臂抓取单元各历史周期的平均夹取速度和稳定指数，构建各样本机械臂抓取单元各历史周期对应的向量；

根据各样本机械臂抓取单元在各历史周期对应的向量，构建各样本机械臂抓取单元对应的向量序列，所述向量序列中的各元素为样本机械臂抓取单元各历史周期对应的向量；利用各样本机械臂抓取单元对应的向量序列对神经网络进行训练；

神经网络的损失函数为：

其中，

为神经网络的损失函数，

为第

个预测样本，

为第

个特征样本，

为向量序列中元素的数量，

为向量序列中第

个元素对应的损失权重。

优选的，所述根据所述决策边界内的稳定指数，判断机械臂抓取单元的振动是否出现极端变化，包括：

统计决策边界内的稳定指数数据的个数；计算所述决策边界内的稳定指数数据的个数与稳定指数数据的总个数的比值，将所述比值作为机械臂抓取单元的振动变化稳定因子；

判断所述振动变化稳定因子是否小于预设阈值，若小于，则判定机械臂抓取单元的振动出现极端变化；若大于等于，则判定机械臂抓取单元的振动未出现极端变化。

本发明具有如下有益效果：本发明首先获取了机械臂抓取轮毂的过程中抓取单元在各周期内各采集时刻的振动数据和各周期的平均夹取速度，所述振动数据包括振动频率和振动幅度；然后对各周期内各采集时刻的振动频率数据进行中值滤波处理，得到各周期对应的第一振动频率序列；对所述各周期对应的第一振动频率序列中的元素进行分组，得到各目标组；接着本发明从振动频率和振动幅值两个方面对机械臂抓取单元的稳定性进行了评价，具体的，根据各周期对应的振动频率数据个数最多的目标组中的振动频率数据的个数、各周期高频振动频率数据的个数和机械臂抓取轮毂的过程中抓取单元的最大振动幅度，计算了机械臂抓取单元在各周期内的稳定指数；利用svr提取机械臂抓取轮毂的过程中对应的决策边界内的稳定指数，根据所述决策边界内的稳定指数，判断机械臂抓取单元的振动是否出现极端变化，若未出现，则在后续抓取过程中，降速抓取并计算抓取过程中各周期内的稳定指数；将各周期内的稳定指数和各周期的平均夹取速度输入到训练好的神经网络中，预测未来周期的稳定指数和平均夹取速度；根据所述未来周期的稳定指数和平均夹取速度，控制机械臂后续抓取过程中抓取单元的速度。本发明提供的方法能够基于历史抓取过程的工作状态，预测未来抓取过程的工作状态，基于未来抓取过程的工作状态控制后续工作过程中的速度，尽可能的降低了对机械臂抓取单元的损害，无需维修师傅定期对机械臂进行停机检查，实现了自动化监测和控制，提高了检测效率，同时也节省了检测成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明提供的一种机械臂抓取轮毂的自动控制方法的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种机械臂抓取轮毂的自动控制方法和系统进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种机械臂抓取轮毂的自动控制方法的具体方案。

一种机械臂抓取轮毂的自动控制方法实施例：

现有方法存在无法实时监测机械臂的工作状态并根据机械臂的工作状态控制后续工作过程中的速度的问题。为了解决上述问题，本实施例提出了一种机械臂抓取轮毂的自动控制方法，如图1所示，本实施例的一种机械臂抓取轮毂的自动控制方法包括以下步骤：

步骤S1，获取机械臂抓取轮毂的过程中抓取单元在各周期内各采集时刻的振动数据和各周期的平均夹取速度，所述振动数据包括振动频率和振动幅度，所述振动数据和所述平均夹取速度是生产车轮的过程中所采集的。

机械臂在汽车轮毂的生产车间作业时，由于汽车轮毂的重量较大，在移动时的惯性较大，可能会导致机械臂在搬运过程中抓取单元抖动严重，这种抖动造成的伤害是不可逆的。机械臂的搬运过程一般分为三个阶段，分别为加速阶段、匀速阶段、减速阶段。这三个阶段的夹取速度变化不同，在加速阶段，轮毂移动是从静止状态到加速状态，在此阶段内轮毂会受到机械臂的牵引作用，由加速到匀速；在匀速阶段，该阶段一般为在空中搬运的阶段；在减速阶段，该阶段为搬运过程的制动阶段，抓取单元携带着汽车轮毂缓慢放置在平面上，这个过程中由于轮毂较重且其制动的时间较短，故制动速度越快抓取单元的稳定性越差。

机械臂若在无物承载状态下，仍然出现较大的振动，说明此时的机械臂出现了异常，其问题产生的原因可能为各转动关节的连接出现了问题。

本实施例在抓取单元内部的架子连接处内壁安装振动检测仪，用于采集机械臂在运行过程中抓取单元的振动数据，本实施例设置每秒采集一次振动数据，振动数据包括振动频率和振动幅度；同时，安装速度检测仪，用于获取各采集时刻的夹取速度，本实施例中振动数据和夹取速度的采集频率相同；在具体应用中，振动数据和夹取速度的采集频率实施者自行设置。

机械臂工作过程中包含多个周期，一个周期为一次完整的抓取过程，采用上述方法获得了机械臂运行过程中抓取单元在各周期内各采集时刻的振动频率和振动幅度。对于任一周期，根据该周期内各采集时刻的夹取速度，计算该周期的平均夹取速度。

至此，采用上述方法得到了各周期内各采集时刻的振动数据（振动频率和振动幅度），以及各周期的平均夹取速度。

步骤S2，对各周期内各采集时刻的振动频率数据进行高频滤波，得到高频振动频率数据；对各周期内各采集时刻的振动频率数据进行中值滤波处理，得到各周期对应的第一振动频率序列；对所述各周期对应的第一振动频率序列中的元素进行分组，得到各目标组；根据各周期对应的振动频率数据个数最多的目标组中的振动频率数据的个数、各周期高频振动频率数据的个数和机械臂抓取轮毂的过程中抓取单元的最大振动幅度，计算机械臂抓取单元在各周期内的稳定指数。

考虑到机械臂的振动来源于机械之间传导，受限于机械之间的传导关节的松紧程度，电机在传导力量时所产生的振动是持续存在的，抓取单元的连接节点的转轴疲劳程度较高。当机械臂产生振动时，振动会随着机械臂关节传导加剧，低频振动和低幅振动为机械臂工作过程中正常的机械传导，该类振动对于抓取单元链抓取结构的伤害较低。当振动处于高幅值或高频阶段时，会对抓取单元链抓取结构造成不可逆的伤害，加重抓取结构的铰接缝隙，使得缓震单元的效果降低。

本实施例已在上述步骤中获取了各周期内各采集时刻的振动频率数据，接下来使用高频滤波器进行振动频率的筛选。

对于任一周期：

首先根据该周期内各采集时刻的振动频率数据，利用振动频率的滑窗在该周期对应的时间轴上滑动，截取高频数据，统计高频振动频率数据的个数，并将该个数记为x；然后对该周期内各采集时刻的振动频率数据进行中值滤波处理，根据中值滤波处理之后得到的振动频率数据构建该周期对应的第一振动频率序列，设置振动频率阈值

，按照时间先后顺序，对第一振动频率序列中的振动频率数据进行划分，将该周期对应的时间轴上采集时刻相邻且中值滤波处理之后得到的振动频率数据小于

的分为一组，将该周期对应的时间轴上采集时刻相邻且中值滤波处理之后得到的振动频率数据大于等于

的分为一组，得到多组数据，本实施例将中值滤波处理之后得到的振动频率数据小于

的数据构成的组记为目标组，统计各目标组中振动频率数据的个数，将振动频率数据个数最多的目标组中的振动频率数据的个数记为b。本实施例设置

为3hz，在具体应用中，

的值实施者可自行设定。

基于该周期对应的振动频率数据个数最多的目标组中的振动频率数据的个数、各周期高频振动频率数据的个数和机械臂运行过程中抓取单元的最大振动幅度，计算该周期内的稳定指数，即：

其中，

为该周期内的稳定指数，

为反正切函数，

为该周期内高频振动频率数据的个数，

为机械臂抓取轮毂的过程中抓取单元的最大振动幅度，

为自然常数；

是基于振动频率对抓取单元的稳定性的评价，该项中的

为中值滤波处理之后的振动低频连续序列分组内的数据个数，由于中值滤波的处理导致数据出现明显的分层，分组内部的数据个数直接决定低频振动的持续时间，即低频数据的个数越多，说明低频振动持续的时间越长，此时机械臂抓取单元的工作状态较好；高频振动频率数据出现的次数越多，即

的值越大，说明机械臂抓取单元的工作状态越差，

的值越大，说明机械臂抓取单元越稳定；

是基于振动幅度对抓取单元的稳定性的评价，振动幅度能够在一定程度上反映机械臂抓取单元的稳定程度，振动幅度的最大值越大，说明在机械臂抓取钢圈的过程中抓取单元出现了较大的振动幅度，即机械臂抓取单元的稳定性越差。

至此，采用上述方法能够得到机械臂抓取单元在各周期内的稳定指数。

步骤S3，利用svr提取机械臂抓取轮毂的过程中对应的决策边界内的稳定指数，根据所述决策边界内的稳定指数，判断机械臂抓取单元的振动是否出现极端变化，若出现，则停机检修；若未出现，则在后续抓取过程中，降速抓取并计算抓取过程中各周期内的稳定指数；将各周期内的稳定指数和各周期的平均夹取速度输入到训练好的神经网络中，预测未来周期的稳定指数和平均夹取速度；根据所述未来周期的稳定指数和平均夹取速度，控制机械臂抓取轮毂时抓取单元的速度。

本实施例在上述步骤中得到了机械臂抓取单元在各周期内的稳定指数，接下来基于机械臂抓取单元在各周期内的稳定指数，利用svr进行数据的校验筛选工作，对机械臂运行过程中的稳定指数数据进行线性筛选。

具体的，采用svr对机械臂运行过程中的稳定指数数据进行线性筛选，选用径向基函数作为核函数，对决策边界内的数据进行提取，得到合理的线性变化的机械臂的抓取单元的稳定指数，利用svr进行数据的校验筛选为现有技术，此处不再赘述。接下来统计决策边界内的数据的个数；计算决策边界内的数据的个数与稳定指数数据的总个数的比值c，将比值c作为机械臂抓取单元的振动变化稳定因子。

本实施例设置比值阈值

，判断当前抓取过程中机械臂抓取单元的振动变化稳定因子c是否小于

，若小于，则说明当前抓取过程中机械臂抓取单元的振动出现了极端变化，此变化来自于机械臂机械振动的增大，此时需要停机检修；若大于等于，则说明当前抓取过程中机械臂抓取单元的振动未出现极端变化，获取的数据可能仅出现了小幅度的变化，为了防止对机械臂造成不可逆的伤害，后续抓取过程中的速度可以以此时的速度作为基础进行降速抓取。本实施例设置速度减缓等级梯度，后续抓取过程中，需要减缓夹取速度，即若当前抓取过程中机械臂抓取单元的振动变化稳定因子c小于

，则后续抓取过程中的夹取速度每次递减0.2%，记录这一过程中各周期的平均夹取速度，并采用本实施例步骤S2中的方法计算这一过程中各周期内的稳定指数。

本实施例根据各周期的平均夹取速度和对应的稳定指数，构建各周期对应的向量，对于任一周期，其对应的向量为

，其中，

为该周期的平均夹取速度，

为该周期对应的稳定指数。接下来根据历史周期对应的向量，利用TCN网络预测未来周期对应的向量，所述向量中包括平均夹取速度和稳定指数。

具体的，根据各样本机械臂抓取单元在各历史周期对应的向量，构建各样本机械臂抓取单元对应的向量序列，所述向量序列中的各元素为样本机械臂抓取单元各历史周期对应的向量；利用各样本机械臂抓取单元对应的向量序列对TCN网络进行训练，TCN网络的训练过程为：将各样本机械臂抓取单元在某一周期之前对应的向量序列作为一个训练数据输入到TCN网络中，将各样本机械臂抓取单元下一周期对应的向量作为对应的标签来训练TCN网络，使得TCN网络能够学习到机械臂抓取单元下一周期对应的向量，完成对TCN网络的训练，训练好的TCN网络用于预测下一周期对应的向量。训练TCN网络的损失函数为：

其中，

为TCN网络的损失函数，

为第

个预测样本，

为第

个特征样本，

为向量序列中元素的数量，

为向量序列中第

个元素对应的损失权重，向量序列中所有元素对应的损失权重之和为1。

为了确保

函数收敛，通过不断训练使得

变小，使得预测的结果更加精确。TCN网络的训练过程为现有技术，此处不再赘述。

本实施例将机械臂抓取单元历史周期对应的向量输入到训练好的TCN网络中，预测机械臂抓取单元未来周期对应的向量，所述未来周期对应的向量包括未来周期的平均夹取速度和未来周期对应的稳定指数。本实施例中利用TCN网络预测未来周期对应的向量，作为其它实施方式，也可利用lstm模型进行预测。

本实施例设置机械臂抓取单元的稳定指数阈值

，基于机械臂抓取单元历史周期对应的向量和预测的未来周期对应的向量，按照时间先后顺序，找到第一个稳定指数大于

的向量中的速度

，获取速度为

的时刻且为空载状态下的振动数据，采用步骤S2的方法得到空载状态下机械臂抓取单元的稳定指数，将空载状态下的稳定指数与阈值

作比较，若空载状态下机械臂抓取单元的稳定指数大于

，则判定当前抓取过程中的速度为机械臂的合理运行速度，并以该速度执行后续的抓取工作；若空载状态下机械臂抓取单元的稳定指数小于等于

，则判定机械臂不存在合理的运行速度，空载时的稳定性是由机械臂各连接处的稳定性共同决定，出现上述情况说明可能是机械臂某转动关节出现了问题，应当立即停机等待检修，防止机械臂出现更严重的损坏。