基于遺傳算法的機器人焊接訓練輔助系統研究

李盼盼，趙 浩

（福建農林大學金山學院，福建福州 350002）

全自動焊接機器人在工業中應用廣泛[1-3]，但在一些特殊焊接環境中人工焊接仍然不可或缺，但是具有豐富經驗、可以熟練焊接的焊工越來越缺乏，雇傭成本也越來越高，所以開發一套快速有效的方法來訓練和輔助不熟練的焊工迫在眉睫[4-5]。焊接時，焊槍不受控制的振動和不適當的運動行為對熟練工人和非熟練工人是有差異的，通過焊槍位置和速度等參數比較，確定一些閾值來判定焊工的熟練程度，從而控制輔助焊接機器人協助不熟練的工人實現焊接操作。

1 實驗裝置設置和數據收集

實驗裝置主要包括標記系統和紅外照相機系統。在焊接工人身上和焊槍上進行標記，通過紅外照相機系統捕捉工人手臂和身體以及焊槍的運動。將采集到的數據進行分析，確定如何區分熟練和非熟練焊工的焊接行為。

1.1 標記設置

應用紅外照相機系統記錄焊接期間焊槍的運動。紅外線相機發射紅外光，并檢測標記的反射。數據采集使用了11 個標記，在焊接工人身上有8個，在焊槍上有3個，見圖1。試驗中，對焊接工人的手臂和身體運動未反映出顯著的熟練工人和非熟練工人之間的區別，因此主要分析在焊槍上的三個標記數據。

圖1 標記對焊機和焊槍的身體位置

1.2 相機設置

相機記錄數據的頻率是250 Hz，共使用了6 臺相機，像素分辨率是1280×1024。自動校準之后，計算機系統就會得到參考坐標系的框架和相機的相對位置與取向。計算機系統利用每個相機圖像中的標記物來計算其在三維坐標中的位置。相機對紅外光十分敏感，而焊接期間焊槍尖端也會發射出紅外光，所以相機攝像范圍要避開焊槍尖端位置，可用一個矩形框隔開,見圖2。

圖2 攝像系統和焊接環境

1.3 數據收集

鎢極惰性氣體保護焊需要熟練的焊接技能，十分適合用于識別工人焊接熟練程度的研究。沒有焊接經驗的人使用鎢極惰性氣體保護焊不會發生金屬顆粒的飛濺，產生的氣體和煙量少，并且可以在沒有外部供給金屬情況下焊接，便于照相觀察。

實驗采用的焊接材料是兩塊坯料鋼ST-37，尺寸為300 mm×50 mm×4 mm。兩塊焊件被焊接在一起，沿縱向尺寸沒有間隙，沒有填充材料。系統坐標系的軸線與焊件的邊緣對齊，見圖3。實驗有兩組樣本數據，分別通過4個熟練焊工和14個非熟練焊工采集分析，他們的焊接任務，見表1。熟練的焊工擁有焊接證書并且每周都會進行焊接；不熟練的焊工是由一些學生和工作人員組成，這些人員從未進行過實際焊接工作或者是僅僅接受過簡單的課程培訓。由于熟練焊工數量少于不熟練焊工，所以在實驗過程中熟練焊工進行多次焊接。最終收集到了15個熟練焊工焊接行為樣本和14個非熟練焊工焊接行為樣本。計算機三維運動捕捉系統收集到的數據導出到Matlab中，并通過相應的工具箱進行分析。

圖3 焊管的尺寸和軸坐標測量框架

表1 熟練和非熟練焊工和樣本數目

2 數據處理

因為有四個因素干擾其時域的連續性，所以從三維運動捕捉系統獲得的原始數據（見圖4）需要進行預處理后才能進行分析。這些因素包括：（1）所有標記被遮擋；（2）從焊槍發出的紅外光的影響；（3）部分標記被遮擋；（4）噪點影響。前兩個因素會導致采集到一些沒有意義的位置數據。所有標記被遮擋是由于標記的一側被人體遮擋另一側被矩形箱遮擋，導致沒有足夠的相機采集到標記信息來確定位置。紅外光的影響來自焊槍，盡管在焊槍處放置了矩形箱，但難免還會存在高密度的紅外光線，有時會影響到一些標記的檢測。部分標記被遮擋時，相機得到的位置信息就會變少，這時處理得到的結果就會不準確。此外，測量噪點會在采集信息中產生輕微的峰值。

圖4 遮擋和噪點對樣本數據的影響

為了消除這些干擾的影響，對得到的位置數據進行如下處理：（1）時間段缺失的部分（因素1 和2影響）之間通過插值（Matlab 的interp1 功能）進行連接；（2）偏移的時間段（3影響）通過剪切和粘貼到數據軌跡合適的位置，這個處理的閥值設為標記的運動速度100 mm/s；（3）一些大峰值（因素3影響）和一些小峰值（因素4 影響）采用閾值和插值進行消除；（4）小峰值（因素4影響）通過對頻率大于10 Hz的信號進行濾波消除（因為人類手臂的運動是0～10 Hz）。

3 分析

對收集的數據進行分析是為了確定熟練和非熟練的焊工活性之間的差異。一個熟練焊工和非熟練焊工的焊接樣本，見圖5。很明顯，熟練焊工的焊縫是直的且厚度均勻，而不熟練的焊工焊縫非常彎曲且厚度不均。本研究主要分析并確定這些差異的來源。標記的位置數據用來構建焊槍尖端的三維位置。在本文中這三個維度的距離用x、y、z表示，在這三個維度的焊槍尖端的速度是位置數據的導數，用vx、vy和vz表示。

圖5 熟練和非熟練焊工焊縫結果

圖6 給出兩個典型的熟練和非熟練焊工的x、y、z、vx、vy 和vz 軌跡。y、z、vy 和vz 軌跡表明，熟練和非熟練焊工的焊槍尖端運動在y 和z 方向有相當大的差異。y和vy 表明，熟練的焊工能夠按照焊縫焊接且沒有太大的偏差，非熟練焊工則無法維持焊槍尖端穩定工作。不熟練的焊工y方向變化大是因為其將焊槍尖端在垂直于焊縫的方向來回很多次。可以類似的去比較的z和vz。熟練焊工的焊槍到焊接材料的距離幾乎保持恒定，非熟練焊工的焊槍高度總是不可控制的變化，這會導致焊縫中熔融金屬的量不受控制，降低了焊縫的焊接質量[6]。

4.在旅游服務的感知上，游客對星級酒店、高檔餐廳、旅行中巴、購物中心的風險感知更小，更偏好選擇該類旅游要素。

圖6 熟練和非熟練焊接樣本數據

焊槍尖端在x方向的運動軌跡并沒有明顯的差異。然而在vx速度圖可以看出，不熟練的焊工在焊縫方向上焊接會前后運動。具體的vx放大圖，見圖7。非熟練的焊工偏差較大，可能是因為其意識到，在剛剛焊接過的地方焊接材料不夠，重復進行多次焊接。

圖7 焊槍尖端x方向速度圖的放大

運動頻率分析能夠用來揭示不同頻率分量的大小，甚至能夠在頻譜中觀察到焊工的呼吸。熟練焊工和非熟練焊工焊接的x 方向運動的頻率，見圖8。對信號進行快速傅里葉變換得到頻譜。0.3～0.4 Hz 之間的波段對應焊工的呼吸。控制呼吸是焊工應掌握的重要技能。但是頻率分析并沒有明顯反應出熟練和非熟練焊工的差異，所以不能用控制呼吸作為熟練與否的判據[7]。

圖8 熟練和非熟練焊接樣本的x(t)單邊振幅譜

熟練和非熟練焊接頻率分析（x方向的運動）結果，見圖9。可以看出非熟練焊工在x 方向振動的頻率更大，由此可知非熟練焊工在x 方向的運動幅度更大。類似的分析y和z方向運動規律。

時域分析是基于典型的熟練和非熟練焊工的焊接行為。用F 測試（matlab，vartest2）對這些樣本進行檢測。對檢測后的信號進行高通濾波以消除部分平滑區域。表2顯示了非熟練和熟練的焊工的參數的方差比的CI置信區間。

表2 熟練和非熟練焊工置信區間和偽方差比

圖9 分析所有樣本焊槍尖端的x(t)單邊振幅譜

濾波后的方差值σ2與置信區間的關系如下：

為了使結果更直觀，參數的偽方差比計算如下：

4 確定區分熟練和不熟練行為的閾值

通過分析可以看出，熟練焊工與非熟練焊工相比有如下優勢：（1）控制焊槍在垂直于焊接線方向的運動偏差更少；（2）控制焊槍到焊接材料的高度變化更小；（3）控制焊槍的速度和方向變化更小。將這些結果應用在機器人輔助人焊接，要避免機器人對x、y、z 三個方向運動的過度反應。理論上的最佳結果是熟練焊工受到的影響最小，且非熟練焊工通過限制能獲得更多的經驗[8]。

4.1 高通濾波

輔助機器人要對非熟練的行為作出反應或者是抑制，并且對焊接路徑沒有影響，即焊縫可以是任意形狀的，焊工可以隨意適應。為了實現這一目標，機器人應當對行為進行區分。

和焊槍尖端振動相比，焊縫的形狀變化具有很低的頻率，焊接速度變化頻率也是很低的。低頻振動和慢動作濾波結果，見圖10。可以明顯觀察到，非熟練焊工的變化大于熟練焊工的，找出一組分割線（圖10 中的黑線）將其分為兩組，稱之為閾值線。閾值線外側大多是非熟練焊工的信號。將這一數值作為判別標準。過濾所有的位置和速度信號可以得到類似圖10 的圖，然后確定六個信號的閾值線。

圖10 x方向變化數據高通濾波后的結果

4.2 用遺傳算法確定閾值線

通過視覺檢查確定閾值的最佳值是不容易的。此外，為了檢驗該方法的通用性，有必要對樣本和測試性能進行驗證。為此在熟練和非熟練的樣本中隨機各抽取7 個，剩下的8 個熟練的和7 個非熟練的樣本作為驗證。

對六個信號的閾值和和報警值進行計算，見圖11。信號首先通過濾波器；10 Hz 的低通濾波消除噪聲，0.1 Hz的高通濾波消除了焊工控制的慢速運動。對濾波后的信號確定閾值，并取其絕對值。最后除以模擬時間得到平均警報水平。熟練焊工的警報水平應該是最小的，非熟練焊工的是最大的。遺傳算法確定樣本閾值的主要步驟，見表3[9-10]。圖11 中，最初由視覺檢測得到的閾值范圍是0.5～2.5 和-2.5～-0.5。用遺傳算法優化后的結果是0.830 4～-0.738 5。

圖11 報警水平確定

表3 遺傳算法步驟

4.3 確定基于報警水平的熟練程度

將確定閾值的所有樣本進行圖11 中警報級別的處理，得到x方向警報級別，見表4。由于報警級別額邊界設置是確定的，所以能很好的區分熟練與非熟練焊工。

表4 x方向警報級別

利用雙正切函數對報警水平進行轉換，見式（3）。技能水平的值在-1～1之間。熟練焊工樣本低于閾值，對警報水平轉換得到的值大于0，而非熟練得到的值小于0。

樣本的處理結果，見表5和表6。結果表明，基于x 和z 方向運動作為標準，能夠成功區分熟練和非熟練工人。實驗樣本中，100 %符合這個標準，驗證組中79%符合這個標準。

表5 實驗集所有樣本的熟練程度值

表5 和表6 表明，x和z的標準比其他標準更能區分熟練和非熟練的行為。表2 表明，在y 方向的運動變化更能體現熟練和非熟練工人表現的差異，但是很難通過y方向運動變化制定更好的區分標準，原因有兩個：一是表5 和表6 的標準閾值是基于一個隨機選擇的樣本集構造，表2方差是基于所有樣本進行計算；二是可能出現的情況是，有一些行為在有限時間內變化大，基于信號的平方計算就會更大，但可能不會造成這么大的警報。警報級別基于閾值信號的絕對值，而不是平方。結果表明，雖然利用方差水平指標制定分離熟練和非熟練工人行為的標準良好，但這些標準與產生報警水平可能沒有一一對應關系。

5 結論

利用紅外線相機動作捕捉系統采集焊槍尖端的運動數據，并對這些數據進行分析表明，焊槍尖端的速度和位置變化較大，可以用來判定焊接行為熟練與否。基于這一結論對速度和位置變化進行遺傳算法處理得到閾值。把這些閾值構建一個預警級別，表示焊接行為的熟練程度，其中0～1 表示熟練，-1～0 表示不熟練。該程序根據三個位置數據和三個速度數據得到6 個判定標準。通過對樣本的分析和驗證，表明6 個標準是合理的。在x 方向（沿焊縫）的變化和z 方向（焊槍尖端到金屬的高度）的尺寸是區分熟練和非熟練行為的最佳標準。這種基于位置和速度信號變化的標準，能夠成功區分熟練和非熟練行為，在焊工培訓和焊接機器人控制領域都有很好的應用前景。