CN117558174A - 面向教学机器人训练的数据采集和分析方法 - Google Patents

Abstract

发明公开了面向教学机器人训练的数据采集和分析方法，具体涉及机器人编程领域，是通过实时记录示教动作数据，提取关键特征并计算分项系数，提供实时反馈和警示机制。操作者可及时识别示教不规范或质量问题，并采取措施改进示教，提高质量、降低机器人风险和错误。记录动作点和触发警示信号实现实时监测示教质量，帮助操作者改进示教基础，降低潜在错误风险，提高示教效率和可靠性。自动回退示教至未触发警示动作点便于问题修正，进一步提升示教质量和规范性。通过余弦相似度和特征排序，操作者可有针对性进行教学，提高示教效率和质量，获得更佳教学效果。进而有效改进示教，提高质量、降低风险、提高示教效率和可靠性，实现更优质教学。

Description

面向教学机器人训练的数据采集和分析方法

技术领域

本发明涉及机器人编程领域，更具体地说，本发明涉及面向教学机器人训练的数据采集和分析方法。

背景技术

随着技术的发展，越来越多的工厂流水线开始采用机器人，因此机器人编程从业人员需求也日益旺盛，在培训教育编程学员时，主要使用到示教盒编程和推动示教两种，示教功能是工业机器人中重要且常用的功能，主要通过示教盒编程方法来实现。首先根据目标轨迹的关键路径点，使用示教盒进行编程以生成目标轨迹的一套完整工作指令，然后将工作指令传送至机器人，由机器人回放目标轨迹，从而实现示教功能。

示教盒编程方法需要操作者具备一定的机器人技术，并且示教效率低，而拖动示教方法是实现灵活示教的重要方法。在拖动示教中，机器人能够顺应操作者的作用力方向而跟随运动，所以操作者直接拖动机器人进行运动，实时引导机器人跟踪目标轨迹，从而实现示教功能。因此拖动示教方法操作简便且示教效率高，大大地提高了示教功能的灵活性与人机交互能力。

但是现有的拖动示教存在以下问题：

缺乏实时反馈和警示：传统的拖动示教技术通常缺乏实时反馈和警示机制。操作者在示教过程中可能会犯一些不规范的错误，但通常没有及时的反馈或警示，这可能导致操作者继续示教不规范的动作，从而影响示教质量。

重复示教需重新开始：在传统示教中，如果发现示教中的某些部分不合规，通常需要重新开始整个示教过程。这会浪费时间和资源，降低了示教效率。

缺乏个性化学习：传统示教通常不具备个性化学习能力。每次示教都被视为相互独立的事件，没有积累和利用以前的经验，无法根据不同操作者的示教历史进行个性化的改进。

困难的错误检测和纠正：传统方法通常需要人工干预来检测和纠正示教中的错误。这可能需要专业知识和经验，以及额外的时间和努力。

示教过程中断困难：如果示教中发生问题，如示教动作错误，中断并重新开始示教可能会非常困难，特别是在复杂的示教任务中。

为了解决上述问题，现提供一种技术方案。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供，本发明通过实时记录示教动作数据，提取关键特征并计算分项系数，从而提供了实时反馈和警示机制。操作者能够及时识别不规范示教和示教质量问题，并在发出预警信号后采取必要措施，以改进示教动作，提高示教质量，降低机器人任务执行的风险和错误，提高示教的效率和可靠性。通过记录动作点和触发警示信号，实现实时监测示教质量，使操作者能够在已有的示教基础上进行改进，从而提高质量和规范性。自动回退示教到未触发警示的动作点，为操作者提供了方便和机会，以修正示教中的问题、提高质量和规范性。这有助于操作者快速响应问题，提高示教质量和规范性，同时降低潜在的错误和风险，提高示教效率和可靠性。通过余弦相似度的计算和特征排序，操作者能够更有针对性地进行教学，提高示教效率和质量，从而提供更好的教学效果，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：步骤S1：机器人实时记录操作者的动作数据，将动作数据保存到待分析盘中，对其进行特征提取，捕获动作的关键特征，同时删除待分析盘中相应的原始数据；

步骤S2：基于关键特征构建警示模型，生成分项系数，依据分项系数区分不规范数据并给出触发警示信号；

步骤S3：当警示触发时，自动将示教回退到未触发警示的动作点；

步骤S4：在重新示教时，重新记录示教动作数据，计算新产生的动作数据与不规范数据的余弦相似度，如果余弦相似度大于等于相似度阈值，再次执行步骤S3。

在一个优选的实施方式中，步骤S1具体包括以下内容：

在示教过程中，通过机器人的传感器系统实时记录操作者的动作，记录的动作数据按照采集的数据戳被有序地实时保存到一个特定的数据存储盘中，并对保存的动作数据进行关键特征提取。

在一个优选的实施方式中，关键特征包括运动信息和作用力信息，其中，运动信息包括动作流畅性指数，作用内信息包括力矩动态特征指数。

在一个优选的实施方式中，动作流畅性指数的获取过程为：

步骤S1-11，采集单位时间内的示教动作中的加速度数据，通过将采样点的加速度值相加并除以采样点的数量得到加速度的平均值；

步骤S2-12，对于每个采样点，计算其加速度值与平均值的差异，对每个差异值进行平方运算，之后再对所有平方差异值进行求和，再除以总采样点的数量，计算出方差，最后取方差的平方根，得到标准差；

步骤S3-13，通过除以示教动作的总持续时间，计算单位时间内的加速度变化，示教动作的总持续时间从时间戳的数据中获得；

步骤S4-14，标准差除以单位时间内的加速度变化得到动作流畅性指数。

在一个优选的实施方式中，力矩动态特征指数的获取过程为：

步骤S1-21，采集单位时间内的力矩数据；

步骤S1-22，计算单位时间内力矩变化的峰度和偏度；

步骤S1-23，将锋度和偏度的平方值相加再除以2得到复合度指标，即力矩动态特征指数。

在一个优选的实施方式中，在提取完毕动作流畅性指数和力矩动态特征指数后，记录动作流畅性指数和力矩动态特征指数所对应的时间戳，依据时间戳对原始数据执行删除操作，释放待分析盘中的原始数据。

在一个优选的实施方式中，将动作流畅性指数和力矩动态特征指数经过综合处理后得到分项系数，在获取分项系数后，将分项系数和分项阈值进行比较，若分项系数大于等于分项阈值，生成重复信号，发出预警信号；若分项系数小于分项阈值，生成合格信号。

在一个优选的实施方式中，步骤S3具体包括以下内容：

当得到重复信号后，即分项系数大于等于分项阈值，自动记录当前的示教动作点，之后机器人将示教动作回退到先前记录的动作点，恢复到未触发警示的状态。

在一个优选的实施方式中，步骤S4具体包括以下内容：

针对重复信号，将对应的关键特征标记为不规范特征，记录不规范特征并按照获取时间进行初始排序，后续按照匹配成功次数进行排序；对新产生的动作数据提取关键特征，再遍历历史记录，在每次遍历中，计算新的关键特征与历史记录中的不规范特征的余弦相似度；在遍历时，按照排序顺序进行正序遍历；比较余弦相似度的值是否大于等于相似阈值，若是，则直接发出预警提示，重新执行步骤S3，若否，则不发出预警提示。

本发明面向教学机器人训练的数据采集和分析方法的技术效果和优点：

1.本发明通过对机器人进行拖动示教过程中的动作数据进行记录，并提取动作数据中的特征得到动作流畅性指数和力矩动态特征指数，对这两项特征进行计算得到分项系数，依据分项系数对动作数据进行评估，对分项系数进一步分析得到重复信号或合格信号，并给出对应的预警信号，为动作数据进行定量评估，提供了实时的反馈和警示机制，操作者可以及时识别不规范示教和示教质量问题，从而采取必要的措施，改进示教动作，提高示教质量，降低机器人执行任务时的风险和错误，提高示教的效率和可靠性；

2.本发明通过记录动作点和触发警示信号，可以实时监测示教的质量，及时发现问题。一旦分项系数达到阈值，即表示可能存在示教不规范或质量不达标的情况，操作者可以得到警示信号，知道何时出现了问题。自动将示教回退到未触发警示的动作点，使操作者能够在已有的示教基础上进行改进，提供了方便和机会，以修正示教中的问题、提高质量和规范性。通过回退示教，操作者可以避免不规范示教或低质量示教导致的错误和潜在风险，确保示教后续的任务执行更加可靠和安全。有助于操作者在示教过程中快速响应问题，提高示教质量和规范性，同时最小化了潜在的错误和风险，提高了示教效率和可靠性。

3.本发明计算新产生的关键特征和不规范特征的余弦相似度，并将余弦相似度大于等于一次相似度阈值时，记为一次匹配成功，为不规范特征的排序上升一次，排名越靠前，说明该不规范特征和新产生的关键特征的相似度的可能性就越高，这样可在较少的遍历次数下得到结果，运算的步骤压力和步骤减少，快速得到预警结果，避免由于计算资源短缺造成的预警发出不及时，所造成的回退步骤过多、重新开始困难度增加等问题；排序首位的关键特征是操作者最容易发生的不规范动作，因此提取靠前的几项不规范特征，便于针对性进行教学，从而大大提升教学机器人的示教效率和质量，提供更好的教学效果。

附图说明

图1为本发明面向教学机器人训练的数据采集和分析方法的流程示意图。

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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1，图1给出了本发明面向教学机器人训练的数据采集和分析方法，包括以下步骤：

步骤S1：机器人实时记录操作者的动作数据，将动作数据保存到待分析盘中，对其进行特征提取，捕获动作的关键特征，同时删除待分析盘中相应的原始数据；

步骤S2：基于提取动作流畅性指数和力矩动态特征指数的特征数据，构建警示模型，生成分项系数，依据分项系数区分不规范数据并给出触发警示信号；

步骤S3：当警示触发时，自动将示教回退到未触发警示的动作点；

步骤S4：在重新示教时，重新记录示教动作数据，计算新产生的动作数据与不规范数据的余弦相似度，如果余弦相似度大于等于相似度阈值，再次执行步骤S3。

步骤S1具体包括以下内容：

在示教过程中，通过机器人的传感器系统来实现，实时记录操作者的动作，记录的动作数据按照采集的数据戳被有序的实时保存到一个特定的数据存储盘中，对保存的动作数据进行关键特征提取，具体过程如下：

关键特征包括运动信息和作用力信息，其中，运动信息包括动作流畅性指数，作用内信息包括力矩动态特征指数。

分析拖动流畅性在分析和评估拖动示教规范方面具有重要意义。拖动流畅性的分析有以下几个方面的重要意义：首先，拖动流畅性分析可以用来判断示教动作的质量和规范性。一个流畅的示教动作通常表现为平稳的移动，而不流畅的示教可能导致不规范的动作。因此，流畅性分析有助于操作者了解示教的表现，并根据需要进行改进；其次，通过分析拖动流畅性，操作者可以识别示教中的不流畅部分，进一步优化示教动作，提高质量和精度。这有助于确保示教的规范性，尤其对于需要高精度和平稳运动的任务非常重要；此外，拖动示教的流畅性对于安全性和精度至关重要。流畅的示教动作可以降低不必要的震动和不稳定性，从而降低了事故和误差的风险。这对于机器人操作和自动化应用非常关键；最后，根据不同的示教任务和应用需求，可以调整流畅性的要求。因此，拖动流畴性分析有助于适应不同任务的需求，提高示教过程的适应性和可定制性；综上所述，分析拖动流畴性对于评估拖动示教的规范性和质量至关重要，它有助于提高示教过程的效率和可靠性，确保示教的规范性。

动作流畅性指数的获取过程为：

步骤S1-11，采集单位时间内的示教动作中的加速度数据，通过将采样点的加速度值相加并除以采样点的数量得到加速度的平均值；

步骤S2-12，对于每个采样点，计算其加速度值与平均值的差异，对每个差异值进行平方运算，之后再对所有平方差异值进行求和，再除以总采样点的数量，计算出方差，最后取方差的平方根，得到标准差；

步骤S3-13，通过除以示教动作的总持续时间，计算单位时间内的加速度变化，示教动作的总持续时间从时间戳的数据中获得；

步骤S4-14，标准差除以单位时间内的加速度变化得到动作流畅性指数。

动作流畅性指数用于体现示教中单位时间内的加速度变化的稳定性。具体来说，反映了加速度数据在单位时间内的波动程度。稳定程度指标越小表示加速度变化越稳定，而稳定程度指标越大表示加速度变化越不稳定或波动幅度较大。

具体含义如下：

当稳定程度指标较小时，意味着加速度数据在单位时间内的变化较小，波动不大，加速度较为稳定。表明示教中的动作较为平滑和规范，适用于需要精确控制和平滑运动的示教任务；当稳定程度指标较大时，意味着加速度数据在单位时间内的变化较大，波动幅度较大。表明示教中的动作较为不稳定，加速度变化明显，需要改进以提高示教的质量。较大的稳定程度指标适用于需要较快的动作和粗糙操作的示教任务。

在拖动机器人进行示教时，采集和分析力矩数据具有重要的意义，这有助于评估示教的规范性和质量。通过采集和分析力矩数据，可以实现以下方面的目的：首先，力矩数据提供了对示教动作的真实反馈。通过分析这些数据，可以了解机器人末端在示教过程中受到的力和力矩，包括施加在物体上的力矩。这为操作者提供了实际的示教质量和效率信息；其次，力矩数据有助于识别不规范示教。异常或不规范的力矩数据可能表明示教动作中存在问题，例如颤抖、不稳定性或不恰当的力应用。通过分析这些异常数据，可以及时发现示教中的问题并采取纠正措施；另外，力矩数据分析有助于提高示教的质量。通过了解力矩数据的分布特征，可以根据任务要求对示教进行进一步的优化。例如，合理的力矩分布可能需要更平稳的动作，而不规范的力矩分布可能需要改进力的控制；最重要的是，通过采集和分析力矩数据，可以确保示教动作的规范性。规范的示教通常意味着更高的准确性和可靠性，从而降低了在后续任务执行中的错误和风险。这对于需要高精度和安全性的任务非常重要；综上所述，采集和分析力矩数据在拖动机器人示教中的意义在于提供实际的示教质量反馈、及时识别不规范示教、提高示教质量和确保示教的规范性，从而提高示教过程的效率和可靠性。

力矩动态特征指数的获取过程为：

步骤S1-21，采集单位时间内的力矩数据；

步骤S1-22，计算单位时间内力矩变化的峰度和偏度，峰度和偏度可以通过标准的统计方法来计算，根据所采集的力矩数据进行计算；

是力矩数据点，即单位时间内不同时刻的力矩值；/>是力矩数据的平均值，表示所有力矩数据点的平均数；/>是力矩数据的标准差，表示力矩数据点的离散程度，用来平衡数据的分散性；/>是数据点的数量，表示在单位时间内采集的力矩数据点的数量。

峰度公式中的参数主要用于将力矩数据点归一化，使其不受数据的幅度和单位的影响，以更好地衡量数据的尖锐程度。

步骤S1-23，将锋度和偏度的平方值相加再除以2得到复合度指标，即力矩动态特征指数。

力矩动态特征指数是对数据分布的尖锐度和对称性进行综合评估，有助于全面地理解拖动机器人示教时的力矩数据变化的特点。

力矩动态特征指数用于体现机器人拖动示教中的力矩控制方面的规范程度，力矩动态特征指数的值越大，表示力矩数据在单位时间内的分布更加尖锐，暗示示教中的力矩变化存在较大的波动，表示示教动作中存在不规范，需要进一步的优化和调整；力矩动态特征指数的值越小，表示力矩数据在单位时间内的分布相对较平滑和对称，表明示教中的力矩变化相对较为规范，数据点分布在分布的中心附近，表示示教中的力矩数据更加一致，更符合期望的规范。

在提取完毕动作流畅性指数和力矩动态特征指数后，记录动作流畅性指数和力矩动态特征指数所对应的时间戳，依据时间戳对原始数据执行删除操作，释放待分析盘中的原始数据，确保释放存储空间和确保数据的安全性。

步骤S2具体包括以下内容：

将动作流畅性指数和力矩动态特征指数经过综合处理后得到分项系数，例如，可以通过以下公式计算得出，

式中，为分项系数，/>和/>分别为动作流畅性指数和力矩动态特征指数，和/>分别为动作流畅性指数和力矩动态特征指数的预设比例系数，且均大于0。

质量系数，由综合处理动作流畅性指数和力矩动态特征指数得到，用于综合评估机器人示教的质量和规范性。具体来说：较大的质量系数表示示教的质量较高，动作更流畅，力矩变化较规范。这通常表示示教的质量非常好，符合要求，机器人能够顺利执行任务，示教者已经达到了高标准的示教质量；较小的质量系数表示示教的质量较低，动作可能不够流畅，力矩变化可能不规范。这可能表明示教中存在问题，可能需要改进和优化示教动作，以提高质量和规范性。综合处理后的质量系数用于提供示教质量的整体评估，有助于操作者了解示教的表现，并根据需要采取适当的措施来改进和调整示教，以确保机器人能够更好地执行任务并达到所期望的质量标准，从而进行更好的机器人教学。

在获取分项系数后，将分项系数和分项阈值进行比较，若分项系数大于等于分项阈值，表示示教的质量不符合规定标准或要求。这意味着示教存在问题，示教的质量较低，可能需要改进和优化，此情况需要操作者重新考虑示教过程，需要重新示教或者对示教动作进行进一步的改进，生成重复信号，发出预警信号；若分项系数小于分项阈值，表示示教的质量达到或超过了规定的标准或要求。这意味着示教的质量较高，符合要求，机器人应能够在执行任务时表现出高质量的动作。此情况下，操作者可以有信心继续使用示教的数据，而不需要进行大规模的改动，生成合格信号。

本发明通过对机器人进行拖动示教过程中的动作数据进行记录，并提取动作数据中的特征得到动作流畅性指数和力矩动态特征指数，对这两项特征进行计算得到分项系数，依据分项系数对动作数据进行评估，对分项系数进一步分析得到重复信号或合格信号，并给出对应的预警信号，为动作数据进行定量评估，提供了实时的反馈和警示机制，操作者可以及时识别不规范示教和示教质量问题，从而采取必要的措施，改进示教动作，提高示教质量，降低机器人执行任务时的风险和错误，提高示教的效率和可靠性。

步骤S3具体包括以下内容：

当得到重复信号后，即分项系数大于等于分项阈值，自动记录当前的示教动作点，这是为了确保指导何时触发了警示，并将示教回退到哪个状态，之后机器人将示教动作回退到先前记录的动作点，恢复到未触发警示的状态，一旦示教回退完成，操作者可以继续进行示教，从回退点开始，从而方便操作者改动动作，以确保示教的质量和规范性。

本发明通过记录动作点和触发警示信号，可以实时监测示教的质量，及时发现问题。一旦分项系数达到阈值，即表示可能存在示教不规范或质量不达标的情况，操作者可以得到警示信号，知道何时出现了问题。自动将示教回退到未触发警示的动作点，使操作者能够在已有的示教基础上进行改进，提供了方便和机会，以修正示教中的问题、提高质量和规范性。通过回退示教，操作者可以避免不规范示教或低质量示教导致的错误和潜在风险，确保示教后续的任务执行更加可靠和安全。有助于操作者在示教过程中快速响应问题，提高示教质量和规范性，同时最小化了潜在的错误和风险，提高了示教效率和可靠性。

步骤S4具体包括以下内容：

针对重复信号，将对应的关键特征标记为不规范特征，记录不规范特征并按照获取时间进行初始排序，后续按照匹配成功次数进行排序；

对新产生的动作数据提取关键特征，再遍历历史记录，在每次遍历中，计算新的关键特征与历史记录中的不规范特征的余弦相似度；在遍历时，按照排序顺序进行正序遍历。

比较余弦相似度的值是否大于等于相似阈值，若是，则直接发出预警提示，重新执行步骤S3，若否，则不发出预警提示。

本发明计算新产生的关键特征和不规范特征的余弦相似度，并将余弦相似度大于等于一次相似度阈值时，记为一次匹配成功，为不规范特征的排序上升一次，排名越靠前，说明该不规范特征和新产生的关键特征的相似度的可能性就越高，这样可在较少的遍历次数下得到结果，运算的步骤压力和步骤减少，快速得到预警结果，避免由于计算资源短缺造成的预警发出不及时，所造成的回退步骤过多、重新开始困难度增加等问题；排序首位的关键特征是操作者最容易发生的不规范动作，因此提取靠前的几项不规范特征，便于针对性进行教学，从而大大提升教学机器人的示教效率和质量，提供更好的教学效果。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD），或者半导体介质。半导体介质可以是固态硬盘。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomaccessmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.面向教学机器人训练的数据采集和分析方法，其特征在于，包括如下步骤：

步骤S1：机器人实时记录操作者的动作数据，将动作数据保存到待分析盘中，对其进行特征提取，捕获动作的关键特征，同时删除待分析盘中相应的原始数据；

步骤S2：基于关键特征构建警示模型，生成分项系数，依据分项系数区分不规范数据并给出触发警示信号；

步骤S3：当警示触发时，自动将示教回退到未触发警示的动作点；

步骤S4：在重新示教时，重新记录示教动作数据，计算新产生的动作数据与不规范数据的余弦相似度，如果余弦相似度大于等于相似度阈值，再次执行步骤S3。

2.根据权利要求1所述的面向教学机器人训练的数据采集和分析方法，其特征在于：

步骤S1具体包括以下内容：

在示教过程中，通过机器人的传感器系统实时记录操作者的动作，记录的动作数据按照采集的数据戳被有序地实时保存到一个特定的数据存储盘中，并对保存的动作数据进行关键特征提取。

3.根据权利要求2所述的面向教学机器人训练的数据采集和分析方法，其特征在于：

关键特征包括运动信息和作用力信息，其中，运动信息包括动作流畅性指数，作用内信息包括力矩动态特征指数。

4.根据权利要求3所述的面向教学机器人训练的数据采集和分析方法，其特征在于：

动作流畅性指数的获取过程为：

步骤S1-11，采集单位时间内的示教动作中的加速度数据，通过将采样点的加速度值相加并除以采样点的数量得到加速度的平均值；

步骤S2-12，对于每个采样点，计算其加速度值与平均值的差异，对每个差异值进行平方运算，之后再对所有平方差异值进行求和，再除以总采样点的数量，计算出方差，最后取方差的平方根，得到标准差；

步骤S3-13，通过除以示教动作的总持续时间，计算单位时间内的加速度变化，示教动作的总持续时间从时间戳的数据中获得；

步骤S4-14，标准差除以单位时间内的加速度变化得到动作流畅性指数。

5.根据权利要求4所述的面向教学机器人训练的数据采集和分析方法，其特征在于：

力矩动态特征指数的获取过程为：

步骤S1-21，采集单位时间内的力矩数据；

步骤S1-22，计算单位时间内力矩变化的峰度和偏度；

步骤S1-23，将锋度和偏度的平方值相加再除以2得到复合度指标，即力矩动态特征指数。

6.根据权利要求5所述的面向教学机器人训练的数据采集和分析方法，其特征在于：

在提取完毕动作流畅性指数和力矩动态特征指数后，记录动作流畅性指数和力矩动态特征指数所对应的时间戳，依据时间戳对原始数据执行删除操作，释放待分析盘中的原始数据。

7.根据权利要求6所述的面向教学机器人训练的数据采集和分析方法，其特征在于：

将动作流畅性指数和力矩动态特征指数经过综合处理后得到分项系数，在获取分项系数后，将分项系数和分项阈值进行比较，若分项系数大于等于分项阈值，生成重复信号，发出预警信号；若分项系数小于分项阈值，生成合格信号。

8.根据权利要求7所述的面向教学机器人训练的数据采集和分析方法，其特征在于：

步骤S3具体包括以下内容：

当得到重复信号后，即分项系数大于等于分项阈值，自动记录当前的示教动作点，之后机器人将示教动作回退到先前记录的动作点，恢复到未触发警示的状态。

9.根据权利要求8所述的面向教学机器人训练的数据采集和分析方法，其特征在于：

步骤S4具体包括以下内容：

针对重复信号，将对应的关键特征标记为不规范特征，记录不规范特征并按照获取时间进行初始排序，后续按照匹配成功次数进行排序；对新产生的动作数据提取关键特征，再遍历历史记录，在每次遍历中，计算新的关键特征与历史记录中的不规范特征的余弦相似度；在遍历时，按照排序顺序进行正序遍历；比较余弦相似度的值是否大于等于相似阈值，若是，则直接发出预警提示，重新执行步骤S3，若否，则不发出预警提示。