[发明专利]基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法

摘要

一种基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法，包括以下步骤：步骤1：采集多组装配过程中的力数据，建立训练数据集与测试数据集；步骤2：计算训练数据的先验概率；步骤3：初始化GMM参数；步骤4：将训练数据划分到距离最近的类别；步骤5：计算每个类别内所有训练数据的均值；步骤6：若t＝T,则执行步骤7，否则返回步骤4；步骤7：估计训练数据的概率密度分布；步骤8：计算后验概率；步骤9：得到新的GMM参数；步骤10：计算新的对数似然函数，若ln^*p(x|π,u,∑)‑ln p(x|π,u,∑)发明分类精度较高。

主权项

1.一种基于高斯混合模型贝叶斯算法的柔性零件装配过程接触状态识别方法，其特征在于，所述方法包括以下步骤：步骤1：使用机器人装配柔性零件，采集多组装配过程中的力数据，建立训练数据集{Xtrain,Ctrain}与测试数据集{Xtest,Ctest}；其中，Xtrain，Xtest为装配过程中采集的六维力数据X＝(f_x,f_y,f_z,m_x,m_y,m_z)，f_x,f_y,f_z分别为沿x,y,z轴方向的力数据，m_x,m_y,m_z分别为绕x,y,z轴的力矩数据。Ctrain，Ctest为分别与Xtrain，Xtest对应的接触状态，即数据所属的类别，训练数据Xtrain共分为M类；步骤2：设定GMM模型的高斯分布个数K和收敛系数L，根据公式(1)计算训练数据Xtrain的先验概率p(l)(l＝1,2,...,M)；式中：Si为属于第c_k类的训练数据数量，S为训练数据总数量；步骤3：使用K‑means聚类算法初始化GMM参数π_k，μ_k和∑_k，首先，设定迭代次数T，随机选择训练数据Xtrain中的K个数据作为初始中心点X_center[i](i＝1,2,...,K),t＝0；步骤4：t＝t+1。使用欧式距离公式计算每个训练数据与每个初始中心点的距离，并将训练数据划分到距离最近的类别；步骤5：计算每个类别内所有训练数据的均值mu[i](i＝1,2,...,K)，使用mu[i]代替X_center[i]；步骤6：若t＝T,则执行步骤7，否则返回步骤4；步骤7：使用高斯混合模型估计训练数据的概率密度分布，首先，随机初始化π_k，根据K‑means算法得到的聚类数据计算μ_k和∑_k的初始值，根据公式(3)计算对数似然函数lnp(x|π,u,∑)；式中：π_k为影响因子，μ_k为均值，∑_k为协方差；步骤8：根据公式(4)计算高斯混合模型后验概率γ(i,k)式中：N(x|u_k,∑_k)为一维高斯分布，根据式(5)计算其概率密度函数f(x)；式中：u为期望，σ²为方差；步骤9：根据公式(6)‑(9)得到新的GMM参数π_k^*，μ_k^*和∑_k^*；步骤10：使用新的GMM参数π_k^*，μ_k^*和∑_k^*，根据公式(3)计算新的对数似然函数ln^*p(x|π,u,∑)，若ln^*p(x|π,u,∑)‑lnp(x|π,u,∑)<L，则执行步骤11，否则返回步骤8；步骤11：使用测试数据Xtest，根据公式(10)计算贝叶斯后验概率概率C(Xtest_j)；C(Xtest_j)＝p(l)p(Xtest_j|c_l)  (10)式中：根据公式(11)计算条件概率p(Xtest_j|c_l)；步骤12：比较贝叶斯后验概率，将数据分类到后验概率最大的类别，最后将预测类别C(Xtest_j)和实际类别Ctest对比，绘制分类结果图。