CN116079696B - 基于振动信号的scara机器人定位更新方法及装置 - Google Patents

基于振动信号的scara机器人定位更新方法及装置 Download PDF

Info

Publication number
CN116079696B
CN116079696B CN202310365795.5A CN202310365795A CN116079696B CN 116079696 B CN116079696 B CN 116079696B CN 202310365795 A CN202310365795 A CN 202310365795A CN 116079696 B CN116079696 B CN 116079696B
Authority
CN
China
Prior art keywords
vibration
joints
offset
scara robot
signal
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
CN202310365795.5A
Other languages
English (en)
Other versions
CN116079696A (zh
Inventor
刘碧云
于永忱
刘宜新
卢良旺
张志山
陈令平
邱志荣
叶江林
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.)
Guangdong Biyao Technology Co ltd
Original Assignee
Guangdong Biyao Technology Co ltd
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 Guangdong Biyao Technology Co ltd filed Critical Guangdong Biyao Technology Co ltd
Priority to CN202310365795.5A priority Critical patent/CN116079696B/zh
Publication of CN116079696A publication Critical patent/CN116079696A/zh
Application granted granted Critical
Publication of CN116079696B publication Critical patent/CN116079696B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/02—Programme-controlled manipulators characterised by movement of the arms, e.g. cartesian coordinate type
    • B25J9/04—Programme-controlled manipulators characterised by movement of the arms, e.g. cartesian coordinate type by rotating at least one arm, excluding the head movement itself, e.g. cylindrical coordinate type or polar coordinate type
    • B25J9/041—Cylindrical coordinate type
    • B25J9/042—Cylindrical coordinate type comprising an articulated arm
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/0095—Means or methods for testing manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/02—Sensing devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Numerical Control (AREA)

Abstract

本发明公开了一种基于振动信号的SCARA机器人定位更新方法及装置，涉及机器人技术领域，包括：利用设置在各个关节上的振动传感器进行振动信号采集，获得各个关节对应的振动信号；对各个关节对应的振动信号进行信号特征向量提取处理；将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量；将各个关节对应的振动偏移量在三维坐标系中进行振动偏移量融合处理，获得SCARA机器人的末端振动偏移量；基于末端振动偏移量对SCARA机器人的末端进行定位更新处理。在本发明具体实施过程中，通过预测作业过程中的振动偏移量来进行定位更新，可以保证作业精度。

Description

基于振动信号的SCARA机器人定位更新方法及装置
技术领域
本发明涉及机器人技术领域，尤其涉及一种基于振动信号的SCARA机器人定位更新方法及装置。
背景技术
SCARA（Selective Compliance Assembly Robot Arm）即选择顺应性装配机器手臂，是一种内置四轴伺服电机、谐波减速器和制动器系统的具有四自由度的圆柱坐标型工业机器人；SCARA机器人可以具有多个自由度，即根据使用场景的不同可以包含若干个关节；由于SCARA机器人应用场景的不一样，往往所需要的作业精度要求也是不一样的；在一些高精度作业环境中，由于SCARA机器人在正常的作业运动中关节的磨损、松动等原因，可能导致SCARA机器人的末端在作业过程中的作业精度存在一定的偏差，这样一来就可能导致作业的效率等降低。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于振动信号的SCARA机器人定位更新方法及装置，通过预测作业过程中的振动偏移量来进行定位更新，可以保证作业精度。
为了解决上述技术问题，本发明实施例提供了一种基于振动信号的SCARA机器人定位更新方法，所述方法包括：
在SCARA机器人运行时，利用设置在各个关节上的振动传感器进行振动信号采集，获得各个关节对应的振动信号；
对各个关节对应的所述振动信号进行信号特征向量提取处理，获得各个关节对应的提取信号特征向量；
将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量，所述振动偏移量包括振动偏移距离及振动偏移方向；
将各个关节对应的振动偏移量在三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量；
基于所述末端振动偏移量对所述SCARA机器人的末端进行定位更新处理。
可选的，所述利用设置在各个关节上的振动传感器进行振动信号采集，获得各个关节对应的振动信号，包括：
利用设置在各个关节上的所述振动传感器采集所述SCARA机器人作业时所在的关节上的模拟振动信号及记录振动偏移方向；
将所述模拟振动信号进行模数转换处理，并利用所述振动偏移方向进行对应标记，获得各个关节对应的数字振动信号。
可选的，所述将所述模拟振动信号进行模数转换处理，包括：
将所述模拟振动信号输入高通滤波器进行滤波处理，获得滤除高频振动信号的模拟振动信号；
将滤除高频振动信号的模拟振动信号输入模数转换器中进行模数转换处理。
可选的，所述对各个关节对应的所述振动信号进行信号特征向量提取处理，获得各个关节对应的提取信号特征向量，包括：
在所述振动信号中选择一个小波并确定所述小波分解时的层次；
基于所述小波分解时的层次对所述振动信号进行小波包分解处理，获得若干个小波包分解到对应节点的重构信号；
对将所述重构信号按照时间特性划分为N频段，并利用每一个频段的重构信号进行重构信号的能谱熵计算，获得所述重构信号对应的能谱熵；
由若干个小波包分解到对应节点的重构信号对应的能谱熵构成各个关节对应的提取信号特征向量。
可选的，所述利用每一个频段的重构信号进行重构信号的能谱熵计算，获得所述重构信号对应的能谱熵，包括：
对每一个频段的重构信号的能量进行计算，获得每一个频段的能量值；
利用N个频段内的每一个频段的能量值进行归一化处理，获得每一个频段的能量值归一化结果；
基于每一个频段的能量值归一化结果进行所述重构信号对应的能谱熵计算处理，获得所述重构信号对应的能谱熵。
可选的，所述将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量，包括：
获得各个关节对应的训练样本提取信号特征向量，其中，所述训练样本提取信号特征向量为具有人工标注对应振动偏移量的特征向量；
将各个关节对应的训练样本提取信号特征向量均划分为训练提取信号特征向量及测试提取信号特征向量；
将各个关节对应的所述训练提取信号特征向量输入构建的用于预测各个关节振动偏移量的深度神经网模型中进行训练处理；
通过将各个关节对应的测试提取信号特征向量输入训练后的用于预测各个关节振动偏移量的深度神经网模型进行验证处理，获得各个关节对应的振动偏移量预测模型；
将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量。
可选的，所述将各个关节对应的振动偏移量在三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量，包括：
基于各个关节对应的振动偏移量在以所述SCARA机器人的基座为原点建立的三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量。
可选的，所述基于各个关节对应的振动偏移量在以所述SCARA机器人的基座为原点建立的三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量，包括：
获得各个关节在以所述SCARA机器人的基座为原点建立的三维坐标系中的原始坐标；
基于各个关节对应的振动偏移量及原始坐标在所述三维坐标系中构建各个关节对应的振动偏移坐标；
基于各个关节对应的振动偏移坐标在所述三维坐标系中进行量融合处理，获得SCARA机器人末端的振动偏移融合坐标；
基于所述SCARA机器人末端的振动偏移融合坐标进行振动偏移量转换处理，获得SCARA机器人的末端振动偏移量。
可选的，所述基于所述末端振动偏移量对所述SCARA机器人的末端进行定位更新处理，包括：
判断所述末端振动偏移量是否大于或等于预设振动偏移量；
在大于或等于预设振动偏移量时，基于所述末端振动偏移量生成定位更新指令，且所述SCARA机器人基于所述定位更新指令对其末端进行定位更新处理；
在小于预设振动偏移量时，所述SCARA机器人的末端无需进行定位更新处理。
另外，本发明实施例还提供了一种基于振动信号的SCARA机器人定位更新装置，所述装置包括：
信号采集模块：用于在SCARA机器人运行时，利用设置在各个关节上的振动传感器进行振动信号采集，获得各个关节对应的振动信号；
特征提取模块：用于对各个关节对应的所述振动信号进行信号特征向量提取处理，获得各个关节对应的提取信号特征向量；
预测处理模块：用于将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量，所述振动偏移量包括振动偏移距离及振动偏移方向；
融合处理模块：用于将各个关节对应的振动偏移量在三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量；
定位更新模块：用于基于所述末端振动偏移量对所述SCARA机器人的末端进行定位更新处理。
在本发明实施例中，通过振动传感器采集各个关节上对应的振动信号；并提取这些振动信号的特征向量，并将提取信号特征向量输入振动偏移量预测模型中进行预测，即可得到各个关节对应的振动偏移量；在进行振动偏移量的融合处理，即可得到末端振动偏移量，再根据末端振动偏移量来进行定位更新处理；既可实现通过预测作业过程中的振动偏移量来进行定位更新，可以保证作业精度。
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，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地介绍，显而易见的，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的附图。
图1是本发明实施例中的基于振动信号的SCARA机器人定位更新方法的流程示意图；
图2是本发明实施例中的基于振动信号的SCARA机器人定位更新装置的结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1是本发明实施例中的基于振动信号的SCARA机器人定位更新方法的流程示意图。
如图1所示，一种基于振动信号的SCARA机器人定位更新方法，所述方法包括：
S11：在SCARA机器人运行时，利用设置在各个关节上的振动传感器进行振动信号采集，获得各个关节对应的振动信号；
在本发明具体实施过程中，所述利用设置在各个关节上的振动传感器进行振动信号采集，获得各个关节对应的振动信号，包括：利用设置在各个关节上的所述振动传感器采集所述SCARA机器人作业时所在的关节上的模拟振动信号及记录振动偏移方向；将所述模拟振动信号进行模数转换处理，并利用所述振动偏移方向进行对应标记，获得各个关节对应的数字振动信号。
进一步的，所述将所述模拟振动信号进行模数转换处理，包括：将所述模拟振动信号输入高通滤波器进行滤波处理，获得滤除高频振动信号的模拟振动信号；将滤除高频振动信号的模拟振动信号输入模数转换器中进行模数转换处理。
具体的，在SCARA机器人的各个关节上设置振动传感器，所设置的振动传感器在SCARA机器人工作时，被激活并进行振动信号的采集；即在SCARA机器人作业时，通过利用设置在SCARA机器人各个关节上振动传感器来采集SCARA机器人作业时所在的关节上的模拟振动信号及记录振动偏移方向；在该振动传感器内设置有陀螺仪或类似功能的模块，可以记录关节振动时的振动偏移方向；再将模拟振动信号进行模数转换处理，并且利用振动偏移方向进行对应的标记，即可得到各个关节对应的数字振动信号。
在模数转换处理时，将模拟振动信号输入高通滤波器中进行滤波处理，这样可以有效去除高频振动信号，在振动信号中，高频振动信号为噪声信号，将会影响后续信号处理的精度问题；将滤除高频振动信号的模拟振动信号输入模数转换器中进行模数转换处理即可。
S12：对各个关节对应的所述振动信号进行信号特征向量提取处理，获得各个关节对应的提取信号特征向量；
在本发明具体实施过程中，所述对各个关节对应的所述振动信号进行信号特征向量提取处理，获得各个关节对应的提取信号特征向量，包括：在所述振动信号中选择一个小波并确定所述小波分解时的层次；基于所述小波分解时的层次对所述振动信号进行小波包分解处理，获得若干个小波包分解到对应节点的重构信号；对将所述重构信号按照时间特性划分为N频段，并利用每一个频段的重构信号进行重构信号的能谱熵计算，获得所述重构信号对应的能谱熵；由若干个小波包分解到对应节点的重构信号对应的能谱熵构成各个关节对应的提取信号特征向量。
进一步的，所述利用每一个频段的重构信号进行重构信号的能谱熵计算，获得所述重构信号对应的能谱熵，包括：对每一个频段的重构信号的能量进行计算，获得每一个频段的能量值；利用N个频段内的每一个频段的能量值进行归一化处理，获得每一个频段的能量值归一化结果；基于每一个频段的能量值归一化结果进行所述重构信号对应的能谱熵计算处理，获得所述重构信号对应的能谱熵。
具体的，小波包分解原理是将振动信号分解到不同频段中；在将振动信号进行小波包分解时，首先是在振动信号中选择一个小波并确定该选择的小波的分解层次，然后振动信号按照分解层次进行小波包分解处理，具体可以设振动偏移的信号为A（t），根据小波包的定义进行分解如下：
Figure SMS_1
；
其中，
Figure SMS_2
表示分解次数，/>
Figure SMS_3
表示分解层次；/>
Figure SMS_4
表示小波包分解到对应相关节点上的重构信号。
在进行能谱熵计算时，需要将重构信号按照时间特性划分为N频段，然后对应每一段时间内的信号计算其能量，计算如下：
Figure SMS_5
；
其中，
Figure SMS_6
表示第i分段信号的幅值，/>
Figure SMS_7
；/>
Figure SMS_8
为第/>
Figure SMS_9
分段的起止时间点；通过上述公式即可计算出对应每一段时间内的信号计算其能量。
然后需要对计算获得的能量进行归一化处理，即可获得归一化值，归一化计算公式如下：
Figure SMS_10
;
再根据信息熵计算方式，定义小波包分解的第j层第k节点的小波包能谱熵为：
Figure SMS_11
；
其中，
Figure SMS_12
为振动信号小波包分解的第j层第k节点的小波包能谱熵。
即，在振动信号中选择一个小波，并将该小波确定为小波分解时的层次；然后根据该小波分解时的层次对该振动信号进行小波包分解处理，即可获得若干个小波包分解到对应节点的重构信号；对将重构信号按照时间特性划分为N频段，并利用每一个频段的重构信号进行重构信号的能谱熵计算，即可获得重构信号对应的能谱熵；最后由若干个小波包分解到对应节点的重构信号对应的能谱熵构成各个关节对应的提取信号特征向量。
进行重构信号的能谱熵计算时，首先是对每一个频段的重构信号的能量进行计算，获得每一个频段的能量值；利用N个频段内的每一个频段的能量值进行归一化处理，即可获得每一个频段的能量值归一化结果；最后根据每一个频段的能量值归一化结果进行所述重构信号对应的能谱熵计算处理，即可获得重构信号对应的能谱熵。
S13：将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量，所述振动偏移量包括振动偏移距离及振动偏移方向；
在本发明具体实施过程中，所述将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量，包括：获得各个关节对应的训练样本提取信号特征向量，其中，所述训练样本提取信号特征向量为具有人工标注对应振动偏移量的特征向量；将各个关节对应的训练样本提取信号特征向量均划分为训练提取信号特征向量及测试提取信号特征向量；将各个关节对应的所述训练提取信号特征向量输入构建的用于预测各个关节振动偏移量的深度神经网模型中进行训练处理；通过将各个关节对应的测试提取信号特征向量输入训练后的用于预测各个关节振动偏移量的深度神经网模型进行验证处理，获得各个关节对应的振动偏移量预测模型；将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量。
具体的，该振动偏移量预测模型为训练收敛的深度神经网模型；首先是构建深度神经网模型，并获得各个关节对应的训练样本提取信号特征向量，其中，训练样本提取信号特征向量为具有人工标注对应振动偏移量的特征向量；然后将各个关节对应的训练样本提取信号特征向量均划分为训练提取信号特征向量及测试提取信号特征向量；再将各个关节对应的训练提取信号特征向量输入构建的用于预测各个关节振动偏移量的深度神经网模型中进行训练处理；然后通过将各个关节对应的测试提取信号特征向量输入训练后的用于预测各个关节振动偏移量的深度神经网模型进行验证处理，在验证通过时，证明该深度神经网络模型训练收敛，即可获得各个关节对应的振动偏移量预测模型；若验证不通过，即通过反向传播算法进行节点参数更新，返回前面继续进行训练处理，直至收敛为止；最后即可将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，从而获得各个关节对应的振动偏移量。
S14：将各个关节对应的振动偏移量在三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量；
在本发明具体实施过程中，所述将各个关节对应的振动偏移量在三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量，包括：基于各个关节对应的振动偏移量在以所述SCARA机器人的基座为原点建立的三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量。
进一步的，所述基于各个关节对应的振动偏移量在以所述SCARA机器人的基座为原点建立的三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量，包括：获得各个关节在以所述SCARA机器人的基座为原点建立的三维坐标系中的原始坐标；基于各个关节对应的振动偏移量及原始坐标在所述三维坐标系中构建各个关节对应的振动偏移坐标；基于各个关节对应的振动偏移坐标在所述三维坐标系中进行量融合处理，获得SCARA机器人末端的振动偏移融合坐标；基于所述SCARA机器人末端的振动偏移融合坐标进行振动偏移量转换处理，获得SCARA机器人的末端振动偏移量。
具体的，首先是根据各个关节对应的振动偏移量在以SCARA机器人的基座为原点建立的三维坐标系中进行振动偏移量融合处理，即可得到SCARA机器人的末端振动偏移量。
其中在融合过程中，首先需要获得各个关节在以SCARA机器人的基座为原点建立的三维坐标系中的原始坐标；然后根据各个关节对应的振动偏移量及原始坐标在三维坐标系中构建各个关节对应的振动偏移后的振动偏移后坐标；再根据各个关节对应的振动偏移坐标在三维坐标系中进行量融合处理，即可获得SCARA机器人末端的振动偏移融合坐标；最后通过SCARA机器人末端的振动偏移融合坐标进行振动偏移量转换处理，获得SCARA机器人的末端振动偏移量。
S15：基于所述末端振动偏移量对所述SCARA机器人的末端进行定位更新处理。
在本发明具体实施过程中，所述基于所述末端振动偏移量对所述SCARA机器人的末端进行定位更新处理，包括：判断所述末端振动偏移量是否大于或等于预设振动偏移量；在大于或等于预设振动偏移量时，基于所述末端振动偏移量生成定位更新指令，且所述SCARA机器人基于所述定位更新指令对其末端进行定位更新处理；在小于预设振动偏移量时，所述SCARA机器人的末端无需进行定位更新处理。
具体的，首先需要判断末端振动偏移量是否大于或等于预设振动偏移量；在大于或等于预设振动偏移量时，通过末端振动偏移量生成定位更新指令，且SCARA机器人通过该定位更新指令对其末端进行定位更新处理；在小于预设振动偏移量时，这该SCARA机器人的末端无需进行定位更新处理。
在本发明实施例中，通过振动传感器采集各个关节上对应的振动信号；并提取这些振动信号的特征向量，并将提取信号特征向量输入振动偏移量预测模型中进行预测，即可得到各个关节对应的振动偏移量；在进行振动偏移量的融合处理，即可得到末端振动偏移量，再根据末端振动偏移量来进行定位更新处理；既可实现通过预测作业过程中的振动偏移量来进行定位更新，可以保证作业精度。
实施例二
请参阅图2，图2是本发明实施例中的基于振动信号的SCARA机器人定位更新装置的结构组成示意图。
如图2所示，一种基于振动信号的SCARA机器人定位更新装置，所述装置包括：
信号采集模块21：用于在SCARA机器人运行时，利用设置在各个关节上的振动传感器进行振动信号采集，获得各个关节对应的振动信号；
在本发明具体实施过程中，所述利用设置在各个关节上的振动传感器进行振动信号采集，获得各个关节对应的振动信号，包括：利用设置在各个关节上的所述振动传感器采集所述SCARA机器人作业时所在的关节上的模拟振动信号及记录振动偏移方向；将所述模拟振动信号进行模数转换处理，并利用所述振动偏移方向进行对应标记，获得各个关节对应的数字振动信号。
进一步的，所述将所述模拟振动信号进行模数转换处理，包括：将所述模拟振动信号输入高通滤波器进行滤波处理，获得滤除高频振动信号的模拟振动信号；将滤除高频振动信号的模拟振动信号输入模数转换器中进行模数转换处理。
具体的，在SCARA机器人的各个关节上设置振动传感器，所设置的振动传感器在SCARA机器人工作时，被激活并进行振动信号的采集；即在SCARA机器人作业时，通过利用设置在SCARA机器人各个关节上振动传感器来采集SCARA机器人作业时所在的关节上的模拟振动信号及记录振动偏移方向；在该振动传感器内设置有陀螺仪或类似功能的模块，可以记录关节振动时的振动偏移方向；再将模拟振动信号进行模数转换处理，并且利用振动偏移方向进行对应的标记，即可得到各个关节对应的数字振动信号。
在模数转换处理时，将模拟振动信号输入高通滤波器中进行滤波处理，这样可以有效去除高频振动信号，在振动信号中，高频振动信号为噪声信号，将会影响后续信号处理的精度问题；将滤除高频振动信号的模拟振动信号输入模数转换器中进行模数转换处理即可。
特征提取模块22：用于对各个关节对应的所述振动信号进行信号特征向量提取处理，获得各个关节对应的提取信号特征向量；
在本发明具体实施过程中，所述对各个关节对应的所述振动信号进行信号特征向量提取处理，获得各个关节对应的提取信号特征向量，包括：在所述振动信号中选择一个小波并确定所述小波分解时的层次；基于所述小波分解时的层次对所述振动信号进行小波包分解处理，获得若干个小波包分解到对应节点的重构信号；对将所述重构信号按照时间特性划分为N频段，并利用每一个频段的重构信号进行重构信号的能谱熵计算，获得所述重构信号对应的能谱熵；由若干个小波包分解到对应节点的重构信号对应的能谱熵构成各个关节对应的提取信号特征向量。
进一步的，所述利用每一个频段的重构信号进行重构信号的能谱熵计算，获得所述重构信号对应的能谱熵，包括：对每一个频段的重构信号的能量进行计算，获得每一个频段的能量值；利用N个频段内的每一个频段的能量值进行归一化处理，获得每一个频段的能量值归一化结果；基于每一个频段的能量值归一化结果进行所述重构信号对应的能谱熵计算处理，获得所述重构信号对应的能谱熵。
具体的，小波包分解原理是将振动信号分解到不同频段中；在将振动信号进行小波包分解时，首先是在振动信号中选择一个小波并确定该选择的小波的分解层次，然后振动信号按照分解层次进行小波包分解处理，具体可以设振动偏移的信号为A（t），根据小波包的定义进行分解如下：
Figure SMS_13
；
其中，
Figure SMS_14
表示分解次数，/>
Figure SMS_15
表示分解层次；/>
Figure SMS_16
表示小波包分解到对应相关节点上的重构信号。
在进行能谱熵计算时，需要将重构信号按照时间特性划分为N频段，然后对应每一段时间内的信号计算其能量，计算如下：
Figure SMS_17
；
其中，
Figure SMS_18
表示第i分段信号的幅值，/>
Figure SMS_19
；/>
Figure SMS_20
为第/>
Figure SMS_21
分段的起止时间点；通过上述公式即可计算出对应每一段时间内的信号计算其能量。
然后需要对计算获得的能量进行归一化处理，即可获得归一化值，归一化计算公式如下：
Figure SMS_22
;
再根据信息熵计算方式，定义小波包分解的第j层第k节点的小波包能谱熵为：
Figure SMS_23
；/>
其中，
Figure SMS_24
为振动信号小波包分解的第j层第k节点的小波包能谱熵。
即，在振动信号中选择一个小波，并将该小波确定为小波分解时的层次；然后根据该小波分解时的层次对该振动信号进行小波包分解处理，即可获得若干个小波包分解到对应节点的重构信号；对将重构信号按照时间特性划分为N频段，并利用每一个频段的重构信号进行重构信号的能谱熵计算，即可获得重构信号对应的能谱熵；最后由若干个小波包分解到对应节点的重构信号对应的能谱熵构成各个关节对应的提取信号特征向量。
进行重构信号的能谱熵计算时，首先是对每一个频段的重构信号的能量进行计算，获得每一个频段的能量值；利用N个频段内的每一个频段的能量值进行归一化处理，即可获得每一个频段的能量值归一化结果；最后根据每一个频段的能量值归一化结果进行所述重构信号对应的能谱熵计算处理，即可获得重构信号对应的能谱熵。
预测处理模块23：用于将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量，所述振动偏移量包括振动偏移距离及振动偏移方向；
在本发明具体实施过程中，所述将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量，包括：获得各个关节对应的训练样本提取信号特征向量，其中，所述训练样本提取信号特征向量为具有人工标注对应振动偏移量的特征向量；将各个关节对应的训练样本提取信号特征向量均划分为训练提取信号特征向量及测试提取信号特征向量；将各个关节对应的所述训练提取信号特征向量输入构建的用于预测各个关节振动偏移量的深度神经网模型中进行训练处理；通过将各个关节对应的测试提取信号特征向量输入训练后的用于预测各个关节振动偏移量的深度神经网模型进行验证处理，获得各个关节对应的振动偏移量预测模型；将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量。
具体的，该振动偏移量预测模型为训练收敛的深度神经网模型；首先是构建深度神经网模型，并获得各个关节对应的训练样本提取信号特征向量，其中，训练样本提取信号特征向量为具有人工标注对应振动偏移量的特征向量；然后将各个关节对应的训练样本提取信号特征向量均划分为训练提取信号特征向量及测试提取信号特征向量；再将各个关节对应的训练提取信号特征向量输入构建的用于预测各个关节振动偏移量的深度神经网模型中进行训练处理；然后通过将各个关节对应的测试提取信号特征向量输入训练后的用于预测各个关节振动偏移量的深度神经网模型进行验证处理，在验证通过时，证明该深度神经网络模型训练收敛，即可获得各个关节对应的振动偏移量预测模型；若验证不通过，即通过反向传播算法进行节点参数更新，返回前面继续进行训练处理，直至收敛为止；最后即可将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，从而获得各个关节对应的振动偏移量。
融合处理模块24：用于将各个关节对应的振动偏移量在三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量；
在本发明具体实施过程中，所述将各个关节对应的振动偏移量在三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量，包括：基于各个关节对应的振动偏移量在以所述SCARA机器人的基座为原点建立的三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量。
进一步的，所述基于各个关节对应的振动偏移量在以所述SCARA机器人的基座为原点建立的三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量，包括：获得各个关节在以所述SCARA机器人的基座为原点建立的三维坐标系中的原始坐标；基于各个关节对应的振动偏移量及原始坐标在所述三维坐标系中构建各个关节对应的振动偏移坐标；基于各个关节对应的振动偏移坐标在所述三维坐标系中进行量融合处理，获得SCARA机器人末端的振动偏移融合坐标；基于所述SCARA机器人末端的振动偏移融合坐标进行振动偏移量转换处理，获得SCARA机器人的末端振动偏移量。
具体的，首先是根据各个关节对应的振动偏移量在以SCARA机器人的基座为原点建立的三维坐标系中进行振动偏移量融合处理，即可得到SCARA机器人的末端振动偏移量。
其中在融合过程中，首先需要获得各个关节在以SCARA机器人的基座为原点建立的三维坐标系中的原始坐标；然后根据各个关节对应的振动偏移量及原始坐标在三维坐标系中构建各个关节对应的振动偏移后的振动偏移后坐标；再根据各个关节对应的振动偏移坐标在三维坐标系中进行量融合处理，即可获得SCARA机器人末端的振动偏移融合坐标；最后通过SCARA机器人末端的振动偏移融合坐标进行振动偏移量转换处理，获得SCARA机器人的末端振动偏移量。
定位更新模块25：用于基于所述末端振动偏移量对所述SCARA机器人的末端进行定位更新处理。
在本发明具体实施过程中，所述基于所述末端振动偏移量对所述SCARA机器人的末端进行定位更新处理，包括：判断所述末端振动偏移量是否大于或等于预设振动偏移量；在大于或等于预设振动偏移量时，基于所述末端振动偏移量生成定位更新指令，且所述SCARA机器人基于所述定位更新指令对其末端进行定位更新处理；在小于预设振动偏移量时，所述SCARA机器人的末端无需进行定位更新处理。
具体的，首先需要判断末端振动偏移量是否大于或等于预设振动偏移量；在大于或等于预设振动偏移量时，通过末端振动偏移量生成定位更新指令，且SCARA机器人通过该定位更新指令对其末端进行定位更新处理；在小于预设振动偏移量时，这该SCARA机器人的末端无需进行定位更新处理。
在本发明实施例中，通过振动传感器采集各个关节上对应的振动信号；并提取这些振动信号的特征向量，并将提取信号特征向量输入振动偏移量预测模型中进行预测，即可得到各个关节对应的振动偏移量；在进行振动偏移量的融合处理，即可得到末端振动偏移量，再根据末端振动偏移量来进行定位更新处理；既可实现通过预测作业过程中的振动偏移量来进行定位更新，可以保证作业精度。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、磁盘或光盘等。
另外，以上对本发明实施例所提供的基于振动信号的SCARA机器人定位更新方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于振动信号的SCARA机器人定位更新方法，其特征在于，所述方法包括：
在SCARA机器人运行时，利用设置在各个关节上的振动传感器进行振动信号采集，获得各个关节对应的振动信号；
对各个关节对应的所述振动信号进行信号特征向量提取处理，获得各个关节对应的提取信号特征向量；
将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量，所述振动偏移量包括振动偏移距离及振动偏移方向；
将各个关节对应的振动偏移量在三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量；
基于所述末端振动偏移量对所述SCARA机器人的末端进行定位更新处理。
2.根据权利要求1所述的SCARA机器人定位更新方法，其特征在于，所述利用设置在各个关节上的振动传感器进行振动信号采集，获得各个关节对应的振动信号，包括：
利用设置在各个关节上的所述振动传感器采集所述SCARA机器人作业时所在的关节上的模拟振动信号及记录振动偏移方向；
将所述模拟振动信号进行模数转换处理，并利用所述振动偏移方向进行对应标记，获得各个关节对应的数字振动信号。
3.根据权利要求2所述的SCARA机器人定位更新方法，其特征在于，所述将所述模拟振动信号进行模数转换处理，包括：
将所述模拟振动信号输入高通滤波器进行滤波处理，获得滤除高频振动信号的模拟振动信号；
将滤除高频振动信号的模拟振动信号输入模数转换器中进行模数转换处理。
4.根据权利要求1所述的SCARA机器人定位更新方法，其特征在于，所述对各个关节对应的所述振动信号进行信号特征向量提取处理，获得各个关节对应的提取信号特征向量，包括：
在所述振动信号中选择一个小波并确定所述小波分解时的层次；
基于所述小波分解时的层次对所述振动信号进行小波包分解处理，获得若干个小波包分解到对应节点的重构信号；
对将所述重构信号按照时间特性划分为N频段，并利用每一个频段的重构信号进行重构信号的能谱熵计算，获得所述重构信号对应的能谱熵；
由若干个小波包分解到对应节点的重构信号对应的能谱熵构成各个关节对应的提取信号特征向量。
5.根据权利要求4所述的SCARA机器人定位更新方法，其特征在于，所述利用每一个频段的重构信号进行重构信号的能谱熵计算，获得所述重构信号对应的能谱熵，包括：
对每一个频段的重构信号的能量进行计算，获得每一个频段的能量值；
利用N个频段内的每一个频段的能量值进行归一化处理，获得每一个频段的能量值归一化结果；
基于每一个频段的能量值归一化结果进行所述重构信号对应的能谱熵计算处理，获得所述重构信号对应的能谱熵。
6.根据权利要求1所述的SCARA机器人定位更新方法，其特征在于，所述将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量，包括：
获得各个关节对应的训练样本提取信号特征向量，其中，所述训练样本提取信号特征向量为具有人工标注对应振动偏移量的特征向量；
将各个关节对应的训练样本提取信号特征向量均划分为训练提取信号特征向量及测试提取信号特征向量；
将各个关节对应的所述训练提取信号特征向量输入构建的用于预测各个关节振动偏移量的深度神经网模型中进行训练处理；
通过将各个关节对应的测试提取信号特征向量输入训练后的用于预测各个关节振动偏移量的深度神经网模型进行验证处理，获得各个关节对应的振动偏移量预测模型；
将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量。
7.根据权利要求1所述的SCARA机器人定位更新方法，其特征在于，所述将各个关节对应的振动偏移量在三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量，包括：
基于各个关节对应的振动偏移量在以所述SCARA机器人的基座为原点建立的三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量。
8.根据权利要求7所述的SCARA机器人定位更新方法，其特征在于，所述基于各个关节对应的振动偏移量在以所述SCARA机器人的基座为原点建立的三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量，包括：
获得各个关节在以所述SCARA机器人的基座为原点建立的三维坐标系中的原始坐标；
基于各个关节对应的振动偏移量及原始坐标在所述三维坐标系中构建各个关节对应的振动偏移坐标；
基于各个关节对应的振动偏移坐标在所述三维坐标系中进行量融合处理，获得SCARA机器人末端的振动偏移融合坐标；
基于所述SCARA机器人末端的振动偏移融合坐标进行振动偏移量转换处理，获得SCARA机器人的末端振动偏移量。
9.根据权利要求1所述的SCARA机器人定位更新方法，其特征在于，所述基于所述末端振动偏移量对所述SCARA机器人的末端进行定位更新处理，包括：
判断所述末端振动偏移量是否大于或等于预设振动偏移量；
在大于或等于预设振动偏移量时，基于所述末端振动偏移量生成定位更新指令，且所述SCARA机器人基于所述定位更新指令对其末端进行定位更新处理；
在小于预设振动偏移量时，所述SCARA机器人的末端无需进行定位更新处理。
10.一种基于振动信号的SCARA机器人定位更新装置，其特征在于，所述装置包括：
信号采集模块：用于在SCARA机器人运行时，利用设置在各个关节上的振动传感器进行振动信号采集，获得各个关节对应的振动信号；
特征提取模块：用于对各个关节对应的所述振动信号进行信号特征向量提取处理，获得各个关节对应的提取信号特征向量；
预测处理模块：用于将各个关节对应的提取信号特征向量输入振动偏移量预测模型中进行各个关节对应的振动偏移预测处理，获得各个关节对应的振动偏移量，所述振动偏移量包括振动偏移距离及振动偏移方向；
融合处理模块：用于将各个关节对应的振动偏移量在三维坐标系中进行振动偏移量融合处理，获得所述SCARA机器人的末端振动偏移量；
定位更新模块：用于基于所述末端振动偏移量对所述SCARA机器人的末端进行定位更新处理。
CN202310365795.5A 2023-04-07 2023-04-07 基于振动信号的scara机器人定位更新方法及装置 Active CN116079696B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310365795.5A CN116079696B (zh) 2023-04-07 2023-04-07 基于振动信号的scara机器人定位更新方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310365795.5A CN116079696B (zh) 2023-04-07 2023-04-07 基于振动信号的scara机器人定位更新方法及装置

Publications (2)

Publication Number Publication Date
CN116079696A CN116079696A (zh) 2023-05-09
CN116079696B true CN116079696B (zh) 2023-06-13

Family

ID=86210542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310365795.5A Active CN116079696B (zh) 2023-04-07 2023-04-07 基于振动信号的scara机器人定位更新方法及装置

Country Status (1)

Country Link
CN (1) CN116079696B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106926237A (zh) * 2015-12-28 2017-07-07 精工爱普生株式会社 机器人、机器人控制装置以及机器人系统
CN109910013A (zh) * 2019-04-04 2019-06-21 江南大学 一种scara机器人加加速度连续有界的ptp轨迹规划方法
CN110696051A (zh) * 2019-10-12 2020-01-17 中科新松有限公司 一种基于多分量信号分解的机械臂关节振动识别方法
CN111590581A (zh) * 2020-05-26 2020-08-28 珠海格力智能装备有限公司 机器人的定位补偿方法及装置
CN111633650A (zh) * 2020-05-27 2020-09-08 华中科技大学 一种基于机器人刚度特性的模态耦合颤振抑制方法
CN114347018A (zh) * 2021-12-20 2022-04-15 上海大学 一种基于小波神经网络的机械臂扰动补偿方法
CN115062672A (zh) * 2022-07-25 2022-09-16 广东毕要科技有限公司 一种预测scara机器人生命周期的方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5821210B2 (ja) * 2011-02-22 2015-11-24 セイコーエプソン株式会社 水平多関節ロボット及び水平多関節ロボットの制御方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106926237A (zh) * 2015-12-28 2017-07-07 精工爱普生株式会社 机器人、机器人控制装置以及机器人系统
CN109910013A (zh) * 2019-04-04 2019-06-21 江南大学 一种scara机器人加加速度连续有界的ptp轨迹规划方法
CN110696051A (zh) * 2019-10-12 2020-01-17 中科新松有限公司 一种基于多分量信号分解的机械臂关节振动识别方法
CN111590581A (zh) * 2020-05-26 2020-08-28 珠海格力智能装备有限公司 机器人的定位补偿方法及装置
CN111633650A (zh) * 2020-05-27 2020-09-08 华中科技大学 一种基于机器人刚度特性的模态耦合颤振抑制方法
CN114347018A (zh) * 2021-12-20 2022-04-15 上海大学 一种基于小波神经网络的机械臂扰动补偿方法
CN115062672A (zh) * 2022-07-25 2022-09-16 广东毕要科技有限公司 一种预测scara机器人生命周期的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
工业机器人重复定位精度预测与关节典型故障诊断;刘颖;中国优秀硕士学位论文全文数据库;第1-71页 *

Also Published As

Publication number Publication date
CN116079696A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN108426713B (zh) 基于小波变换和深度学习的滚动轴承微弱故障诊断方法
CN107329932B (zh) 基于非线性调频分量分解的时频域模态参数辨识方法
CN108650202B (zh) 一种信号调制模式识别方法及装置
CN111540375B (zh) 音频分离模型的训练方法、音频信号的分离方法及装置
CN107729291A (zh) 一种基于分解技术的双线性模型参数辨识方法
CN114838936B (zh) 变转速工况下样本不平衡的滚动轴承故障诊断方法及系统
CN113108792A (zh) Wi-Fi指纹地图重建方法、装置、终端设备及介质
CN104792327A (zh) 一种基于移动设备的运动轨迹对比方法
CN105447467A (zh) 一种用户行为模式的识别系统和识别方法
CN112037223A (zh) 图像缺陷检测方法、装置及电子设备
CN116079696B (zh) 基于振动信号的scara机器人定位更新方法及装置
CN110782041A (zh) 一种基于机器学习的结构模态参数识别方法
CN112097772B (zh) 机器人及其地图构建方法和装置
CN116543134B (zh) 数字孪生模型的构建方法、装置、计算机设备和介质
CN108182004A (zh) 用于识别承载移动终端的载体的行为模式的方法和装置
CN116754213A (zh) 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备
CN110598744A (zh) 一种基于惯性传感器和Edge TPU的实时人体行为识别系统及方法
Fan et al. Synthetic aperture acoustic imaging with deep generative model based source distribution prior
CN116166642A (zh) 基于引导信息的时空数据填补方法、系统、设备及介质
CN107808360B (zh) 一种端到端自动驾驶系统的数据处理方法及装置
CN115758237A (zh) 基于智能巡检机器人的轴承故障分类方法及系统
CN114755010A (zh) 一种旋转机械振动故障诊断方法及其系统
CN115329815A (zh) 气泡熵和aoa优化svm模型参数的轴承故障诊断方法及系统
CN114152441A (zh) 基于移位窗口变换器网络的滚动轴承故障诊断方法及系统
JPS634333A (ja) エキスパ−トシステム

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