[发明专利]基于类别特征知识库的装配系统及方法

说明书

本公开提供了一种基于类别特征知识库的装配系统及方法，对机械臂的随机装配动作对应的力觉数据进行采集，并对这些数据进行初步预处理，利用主成分分析算法提取力觉数据特征；将提取特征后的样本用支持向量机二分类，判断当前接触状态对应的装配动作是成功还是失败，将失败数据利用支持向量机‑极限学习机多分类，训练优化模型参数，并建立力觉特征到接触状态特征的映射模型，构建装配接触状态类别特征知识库；基于以上建立的装配接触状态类别特征知识库，实时检索当前接触状态，依据检索结果控制机械臂做相应的姿态调整，并重新检索当前新的接触状态，继续进行姿态调整直至装配作业成功。

技术领域

本公开涉及一种基于类别特征知识库的装配系统及方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

在工业机器人装配作业过程中，接触状态特征对于描述装配过程是极其重要的，对装配作业的成功与否有着重要的意义。而接触状态的描述一般是由力觉信息表征的，力觉信息包括力(F_x,F_y,F_z)和扭矩(T_x,T_y,T_z)，在工业机器人装配作业过程中，不同的装配动作将会产生随机不确定的接触状态信息，而为了指导机器人灵活自适应地完成装配作业，能够实时检索接触状态(CS)特征是非常重要的。

发明内容

本公开为了解决上述问题，提出了一种基于类别特征知识库的装配系统及方法，本公开可以有效提高工业机器人实时装配的成功率和效率。

为了实现上述目的，本公开采用如下技术方案：

一种基于类别特征知识库的装配方法，包括以下步骤：

对机械臂的随机装配动作对应的力觉数据进行采集，并对这些数据进行初步预处理，利用主成分分析算法提取力觉数据特征；

将提取特征后的样本用支持向量机二分类，判断当前接触状态对应的装配动作是成功还是失败，将失败数据利用支持向量机-极限学习机多分类，训练优化模型参数，建立力觉特征到接触状态特征的映射模型，构建装配接触状态类别特征知识库；

基于以上建立的装配接触状态类别特征知识库，实时检索当前接触状态，依据检索结果控制机械臂做相应的姿态调整，并重新检索当前新的接触状态，继续进行姿态调整直至装配作业成功。

作为进一步的限定，将采集获得的每个接触过程的所有力觉数据进行组合，得到接触状态信息。

作为进一步的限定，基于构建的装配接触状态类别特征知识库，实时检索当前接触状态，映射到对应的装配动作，从而根据此动作映射进行相应的姿态调整。

作为进一步的限定，根据构建的映射模型中的映射关系，由当前接触状态类别映射对应的姿态调整方向及偏转角度，由偏转角度通过机械臂逆运动学求反解，控制机械臂进行相应的姿态调整，重新执行装配动作。

作为进一步的限定，通过主成分分析算法对样本集合矩阵进行特征提取的具体过程包括：根据接触状态信息组成样本集合，构建相应的矩阵，对样本集合矩阵进行标准化，并计算协方差矩阵，计算协方差矩阵的m个特征值和对应的特征向量，求该样本集合矩阵的主成分分析向量，计算各主成分的贡献率和累积贡献率，以此确定主成分个数。

作为更进一步的限定，利用要求的贡献率的要求，工程上要求β_k在85％上，认为k个主成分能够反映原数据的信息，以此确定主成分个数为k。

作为进一步的限定，基于支持向量机构建成功/失败特征知识库的过程包括：将特征提取后的原始训练节点输入到支持向量机，运行得到其支持向量。

一种基于类别特征知识库的装配系统，运行于机械臂与处理器上，被配置为执行以下指令：