應用于機械手的磁致伸縮觸覺傳感器陣列與物體識別

黃 珊 王博文 趙智忠 王 亮 翁 玲

應用于機械手的磁致伸縮觸覺傳感器陣列與物體識別

黃 珊1,2王博文1,2趙智忠1,2王 亮1,2翁 玲1,2

（1. 河北工業(yè)大學省部共建電工裝備可靠性與智能化國家重點實驗室 天津 300130 2. 河北工業(yè)大學河北省電磁場與電器可靠性重點實驗室 天津 300130）

利用磁致伸縮材料鐵鎵合金（Galfenol）設計制作了觸覺傳感單元，并將其集成為陣列，安裝在二指機械手上?；陔姶旁?、逆磁致伸縮效應和歐拉伯努利動力學原理，建立觸覺傳感單元力測量模型。設計的傳感單元測力范圍為0~3N，當壓力小于1.5N時，靈敏度為151mV/N，在1.5~3N區(qū)間，靈敏度約為109mV/N，測量較低的靜態(tài)力時具有更高的靈敏度，在2~4Hz范圍內對動態(tài)力具有動態(tài)響應快、靈敏度高的特點。根據(jù)機械手的測量范圍，選取形狀較為規(guī)則的六種飲料瓶樣品進行了抓取，搭建實驗系統(tǒng)進行數(shù)據(jù)采集與存儲，測試了傳感器陣列的輸出特性，集成的傳感器陣列能很好地辨識所選樣品，對于裝滿水樣品有更高的精度。選擇合適的特征值，應用支持向量機算法，通過選擇不同的特征值數(shù)量和訓練集與分類集的比例，對采集的數(shù)據(jù)進行分類識別。經(jīng)計算可知，選擇三個特征值且訓練集與分類集比例為9:1時識別率最高，為87.5%。

鐵鎵合金 觸覺傳感器陣列 支持向量機 物體識別

0 引言

為了使機械手的操作更為準確，需要在機械手上安裝觸覺傳感器，以獲得觸覺信息，并準確地對物體進行分類。有關觸覺傳感器的研究已做了諸多工作，文獻[1]設計了一種新型結構的壓阻式觸覺傳感器，在室溫、0~5kPa的工作范圍內，靈敏度為4.65mV/ V/kPa，可以測量小于5kPa的絕對微壓力。毛磊東等用炭黑/石墨烯為敏感材料，硅橡膠為基體，聚酰亞胺為柔性電極，設計了一種微圓頂陣列結構的柔性傳感器，構建了三維力傳感器理論數(shù)學模型，該觸覺傳感器能有效地感知三維力[2]。M. Mitsutoshi等用獨特的制造工藝，將電容式觸覺傳感器及通信功能封裝在2.5mm×2.5mm×0.3mm的模具中。其線性靈敏度為57 640Hz/N，波動為10mN[3]。文獻[4]介紹了一種高靈敏度的壓電觸覺傳感器，可以檢測低至300Pa的壓力。但壓阻式觸覺傳感器中的壓阻材料功耗高，易受噪聲影響且易碎[5]。電容式觸覺傳感器的輸出電容較小，信噪比低，易受外界的干擾[6]。壓電式觸覺傳感器靈敏度雖然高，但是空間分辨率低，靜態(tài)力檢測性能較差[7]。

鐵鎵合金（Galfenol）有飽和磁場低、磁滯小、線性度好、力學性能好、應力靈敏度高等優(yōu)點[8]，且制作的傳感器結構簡單、可靠性高、精度高、成本低[9]。當鐵鎵合金受到外加載荷時，內部的磁化狀態(tài)會隨載荷的變化而變化，這種效應即為磁致伸縮逆效應。外加載荷力的大小，可通過測量載荷附近的磁場變化得到，因而鐵鎵材料可以作為傳感器的敏感材料[10]。本文以絲狀鐵鎵合金為敏感材料，利用磁致伸縮材料的逆效應，應用懸臂梁的原理，制作觸覺傳感單元。將制作的觸覺傳感單元集成為觸覺傳感器陣列，并安裝在二指機械手上，對日常生活中的飲料瓶進行抓取實驗，采用支持向量機算法，通過選擇特征值的數(shù)量和訓練集與分類集的比例，對選取的實驗樣品進行了分類識別。

1 觸覺傳感單元的結構及輸出特性

1.1 觸覺傳感單元的結構

圖1為磁致伸縮觸覺傳感單元結構圖。傳感單元主要由霍爾元件、鐵鎵絲、觸頭、永磁體和外殼組成。在3D打印的傳感單元外殼上裝有三根長度為6mm、直徑為0.5mm的鐵鎵絲，永磁體放置在鐵鎵絲的正下方，為傳感器提供偏置磁場，霍爾傳感器（美國新澤西州霍尼韋爾公司，SS491B型）豎直緊貼在鐵鎵絲的后方，觸頭安裝在鐵鎵絲的邊緣上，高于傳感單元的外殼，觸頭的高度為6mm。傳感單元的尺寸為長8mm，寬6mm，高5mm。

圖1 觸覺傳感單元結構圖

1.2 觸覺傳感單元的輸出電壓模型

通過霍爾元件的霍爾效應可以檢測觸覺傳感單元的輸出電壓，霍爾元件的輸出電壓H為[11]

式中，H為霍爾元件傳遞系數(shù)；H為霍爾元件檢測的鐵鎵絲表面的磁感應強度。

而鐵鎵絲表面磁感應強度H的變化與其內部磁感應強度Gal的變化近似呈線性[12]，可以表示為

式中，s為磁感應傳遞系數(shù)。

由磁感應強度公式可知，鐵鎵材料內部磁感應強度Gal可表示為

式中，為永磁體產(chǎn)生的偏置磁場；0為真空磁導率；為磁化強度。

由式（1）~式（3）可以得到，霍爾傳感器的輸出電壓與鐵鎵絲中磁通密度的關系為

由鐵磁性材料疇壁理論建立的磁化滯后模型可知外加磁場強度與磁化強度之間的關系。理想情況下，考慮文獻[12]并應用變形的Langevin方程[13]，可以得到與應力相關的無磁滯磁化強度an。

式中，e為有效磁場的強度；為疇壁相互作用系數(shù)；σ為應力作用下產(chǎn)生的磁場；an為無磁滯磁化強度；s為飽和磁化強度；為無磁滯磁化強度形狀系數(shù)；為應力；為磁致伸縮系數(shù)。

由式（6）可得

并應用泰勒公式展開，取2忽略高次項可得

根據(jù)文獻[14]的結果，可以得到

式中，s為飽和磁致伸縮系數(shù)。

結合式（6）~式（9）得到

當力=0時，輸出電壓的參考電壓為s，則傳感單元的輸出電壓可以表示為

傳感單元輸出電壓模型中的參數(shù)見表1[15]。

表1 模型參數(shù)值

Tab.1 Parameter values of the model

1.3 觸覺傳感單元的輸出特性

通過實驗測得的傳感單元輸出電壓與施加壓力的關系曲線，以及應用式（13）計算得到的輸出電壓與施加壓力的關系曲線如圖2所示?？梢妼嶒灲Y果與計算結果基本吻合。傳感單元的輸出電壓隨著壓力的增大而增大，當壓力增大到3N時，輸出電壓達到380mV。當壓力小于1.5N時，由圖2的實驗結果可以認為輸出電壓隨壓力線性變化，觸覺傳感單元的靈敏度為151mV/N，在1.5~3N區(qū)間，靈敏度約為109mV/N，表明傳感單元測量較低的靜態(tài)力時具有更高的靈敏度。

圖2 觸覺傳感單元輸出電壓與力的關系

為了進一步測試傳感單元的動態(tài)性能，采用線性電機作為振動周期和振幅不同的可調諧動力源，給傳感單元施加動態(tài)信號。人手的觸覺頻率約為2~4Hz，為此研究了傳感單元在此頻率范圍內的輸出特性。在1~4Hz的頻率下，對傳感單元施加幅值為1N的動態(tài)力，測試得到的觸覺傳感單元輸出電壓波形如圖3所示，其靈敏度為160mV/N。圖3還給出了應用壓電傳感器得到的輸出電壓波形，其靈敏度為22mV/N。所制作的磁致伸縮觸覺傳感單元的靈敏度明顯高于壓電傳感器的靈敏度，且力快速施加和釋放時，觸覺傳感單元在不同頻率下均能輸出完整的波形，制作的磁致伸縮觸覺傳感單元可以精確測量動態(tài)壓力。

圖3 頻率為1~4Hz、動態(tài)力幅值為1N時的觸覺傳感單元的輸出電壓波形

2 抓取物體時觸覺傳感器陣列的輸出電壓特性

設計的磁致伸縮觸覺傳感器陣列如圖4所示。設1、2號傳感單元中心距為，1、3號傳感單元中心距為。通過COMSOL仿真軟件計算1號傳感單元受力且2號和3號單元未受力時的輸出電壓值，以確定相鄰傳感單元的位置，且盡量減小傳感器陣列的尺寸。分析結果表明，當=9mm、=16mm、施加力大小為1N時，1號單元輸出電壓為160mV，其他單元的輸出電壓約為1號單元的1.5%。因此可取=9mm、=16mm。

圖4 觸覺傳感器陣列

將設計的觸覺傳感單元集成為2×2觸覺傳感器陣列，焊接在長32mm、寬17mm的印制電路板（Printed Circuit Board, PCB）上，如圖5a所示。兩個傳感單元的觸頭側相對放置。圖5b為一個傳感器陣列封裝外殼示意圖，將觸覺傳感器陣列放置在外殼內，模仿人的一個指節(jié)，如圖5c所示。因所使用的機械手為二指機械手，且每個手指有兩個指節(jié)，因此制作了四個觸覺傳感器陣列。

圖5 磁致伸縮觸覺傳感器陣列

實驗選取了生活中常見且形狀規(guī)則的六種飲料瓶為測試樣品，編號為1、2、3、4、5、6，如圖6所示。測試樣品截面形狀分為圓形和圓角方形，樣品屬性列于表2。

圖6 測試樣品

表2 測試樣品屬性

Tab.2 Properties of test samples

（續(xù)）

所搭建的測試系統(tǒng)由機械手、磁致伸縮觸覺傳感器陣列、數(shù)據(jù)采集卡、直流穩(wěn)壓電源、計算機和支撐物體平臺組成，如圖7所示。實驗中所使用的機械手是中國武漢COBOT公司制造的，型號為COHAND201型，機械手通過法蘭固定在桌子上。機械手具有兩個手指，每個手指包括兩個指節(jié)，四個指節(jié)共安裝四個觸覺傳感器陣列，共計16個觸點。通過計算機控制機械手的電機，使用開環(huán)或者閉環(huán)的控制方式控制機械手的張開和閉合來抓取物體。

圖7 裝備磁致伸縮觸覺傳感器陣列的機械手抓取物體測試系統(tǒng)

將實驗樣品固定在支撐平臺上，保持機械手以恒定的速度閉合，采用無反饋的開環(huán)方式，對其進行抓取。抓取過程中記錄垂直樣品的法向力。當機械手剛與樣品接觸時，用計算機記下此時機械手的位置，此即為觸覺傳感器陣列的初始位置，如圖8a中時間為=0s對應的位置500（所使用的機械手采用的控制方式中每個手指變化范圍為0~1 000，對應直角坐標系中的0~90°。當輸入0時，機械手處于張開狀態(tài)，輸入1 000時，機械手處于閉合狀態(tài)）?？刂茩C械手的手指再向內抓取3mm，機械手抓取穩(wěn)定后，記錄此時觸覺傳感器陣列每個觸點的輸出電壓和觸覺傳感器陣列接觸實驗樣品時的觸點數(shù)目。

圖8b所示為抓取3號樣品時的觸覺傳感器陣列接觸樣品的觸點數(shù)目。在0~0.5s時間內，機械手從位置500開始以不變的速度向3號樣品靠近，在0.5s時，機械手剛接觸到樣品，磁致伸縮觸覺傳感器陣列與樣品接觸的觸點電壓開始發(fā)生變化，與樣品接觸的觸點數(shù)目也開始發(fā)生變化，機械手左手的觸點由0個變?yōu)?個，右手的觸點由0個變?yōu)?個，此時觸覺傳感器陣列對應的位置為610。在1.0s時，左手的觸點由2個變?yōu)?個，右手的觸點由3個變?yōu)?個，觸覺傳感器陣列對應740的位置。圖8c和圖8d分別示出了左手和右手在抓取3號樣品過程中觸覺傳感器陣列輸出電壓的變化。當＜1.0s時，傳感器陣列的輸出電壓變化很小，當＞1.0s時，與樣品接觸的12個觸點輸出電壓發(fā)生變化，后趨于穩(wěn)定，最高輸出電壓為85mV。機械手的左、右手指上的觸覺傳感器均有2個觸點未接觸到樣品，此4個觸點輸出電壓為0。對于形狀相同的樣品，測試也得到了類似的結果，但機械手的初始位置和觸覺傳感器陣列的輸出電壓不同。對于形狀不同的樣品，機械手的初始位置、接觸的觸點數(shù)目和陣列單元的輸出電壓都將發(fā)生變化。

圖8 機械手抓取3號樣品時觸覺傳感器陣列的輸出特性

根據(jù)圖8a的抓取方式，對圖6中的樣品進行抓取，選取觸覺傳感器陣列中輸出電壓最高的一個觸點，其輸出電壓波形如圖9所示。從圖9a可見，對于三個圓形樣品（1~3號），對應的最高輸出電壓分別為166mV、181mV、86mV，最小輸出電壓差值為80mV，對應的抓取力為1.1N、1.25N、0.57N。對于三個圓角方形樣品（4~6號），對應的最高輸出電壓分別為53mV、70mV、78mV，最小輸出電壓差值為8mV，對應的抓取力為0.35N、0.46N、0.52N。對于六個選取樣品（1~6號），最小輸出電壓差值也為8mV，結果表明檢測的六個樣品對應的最高輸出電壓具有一定的區(qū)分度。

圖9 抓取樣品時觸覺傳感器陣列接觸觸點的輸出電壓

為了進一步檢測磁致伸縮觸覺傳感器陣列輸出電壓對于生活中常見樣品的區(qū)分度，應用機械手抓取1~6號裝滿水樣品，選取觸覺傳感器陣列中輸出電壓最高的一個觸點，如圖9b所示。從圖9b可見，1~6號裝滿水樣品對應的最高輸出電壓明顯增加，分別為195mV、215mV、108mV，133mV、121mV和148mV，最小輸出電壓差值為12mV，高于無水樣品對應的最小輸出電壓差值8mV，對應的抓取力為1.29N、1.43N、0.71N、0.89N、0.81N、0.99N。表明裝滿水樣品對應的輸出電壓具有更大的區(qū)分度。因此，將研制的磁致伸縮觸覺傳感器陣列安裝于機械手，根據(jù)觸覺傳感器陣列的輸出電壓及接觸的觸點數(shù)目，可以抓取識別生活中常見的飲料樣品。

3 應用支持向量機算法的物體識別

支持向量機（Support Vector Machine, SVM）是一類按監(jiān)督學習方式對數(shù)據(jù)進行二元分類的廣義線性分類器，使用鉸鏈損失函數(shù)計算經(jīng)驗風險并在求解系統(tǒng)中加入了正則化項以優(yōu)化結構風險，是一個具有稀疏性和穩(wěn)健性的分類器[16]。其具有算法簡單、較好的魯棒性[17]等特點，并且擁有嚴謹?shù)睦碚摶A，目前已經(jīng)應用于計算機學習、人臉識別[18]等領域。在電氣領域中，應用于弓網(wǎng)電弧識別[19]、高壓斷路器故障診斷[20]、短路故障診斷[21]、電力系統(tǒng)暫態(tài)穩(wěn)定評估[22]、電池容量預測[23]等方面，受到國內外的廣泛關注。

選取圖8中觸覺傳感器陣列的輸出特性，對上述選擇的每個樣品抓取40次，采集數(shù)據(jù)，將數(shù)據(jù)應用于支持向量機算法，進行物體識別。設觸覺傳感器陣列的觸頭剛接觸物體的時刻為1（圖8b中的0.5s）。在1時刻，通過控制機械手的計算機可以提取機械手接觸物體時的位置（圖8a所示），位置即為觸覺傳感器陣列接觸物體的初始位置，其可反映物體的直徑或邊長，將其作為第一個特征值。第二個特征值為2（圖8b中的1.0s）時刻觸覺傳感器陣列與實驗樣本接觸的觸點數(shù)目，此特征值可以反映樣本的形狀（圓角方形或圓形）。觸覺傳感器陣列的輸出電壓值與樣品自身屬性及其內有無水密切相關，因此第三個特征值為抓取穩(wěn)定時傳感器陣列每個觸點的輸出電壓值。

將數(shù)據(jù)按3:1的比例分訓練集和測試集，經(jīng)計算可知懲罰參數(shù)= 0.5且核函數(shù)參數(shù)= 5.656 85時，分類識別準確率最佳，為86.666 7%。確定支持向量機最優(yōu)參數(shù)后，在此參數(shù)下對比不同比例訓練集、測試集和不同數(shù)量特征值識別準確率。在機器學習中訓練集的數(shù)量通常比測試集的數(shù)量多，才能保證較好的分類識別效果，且為了保持訓練集和測試集的數(shù)量都為整數(shù)，選擇不同的訓練集和測試集比例，實驗結果如圖10所示。

通過圖10可知支持向量機在訓練集和測試集比例為9:1時，分類識別的效果最好，此時準確率為87.5%。理論上分析，訓練集所占比例越高，支持向量機訓練的模型越好，分類識別準確率越高，實驗結果與理論上相同。此時分類準確率的混淆矩陣如圖11所示。

圖10 不同特征值數(shù)量和不同訓練集分類集比例的識別率

圖11 分類結果混淆矩陣

磁致伸縮觸覺傳感器陣列能檢測到關于測試樣本的信息較多，通過提取特征值，應用于支持向量機算法，可以對選取的測試樣本進行識別，獲得較高的識別率，說明制作的磁致伸縮觸覺傳感器陣列性能較好，所選擇的特征量能反映樣本的特點。因此本文研制的傳感器陣列可為機械手抓取物體進行識別提供必要的感知信息。

4 結論

設計制作了一種新型的磁致伸縮2×2觸覺傳感器陣列，應用電磁學理論、逆磁致伸縮效應和歐拉伯努利動力學原理，建立了觸覺傳感單元的輸出特性模型。測試了觸覺傳感單元的靜態(tài)性能和動態(tài)性能，傳感單元測力范圍為0~3N。當壓力小于1.5N時，靈敏度為151mV/N；在1.5~3N區(qū)間，靈敏度約為109mV/N。在2~4Hz范圍內對動態(tài)力具有動態(tài)響應快、靈敏度高的特點。將觸覺傳感器陣列裝備在機械手上，應用實驗測試系統(tǒng)，測試了觸覺傳感器陣列的輸出特性。結果表明，根據(jù)觸覺傳感器陣列的輸出電壓及接觸的觸點數(shù)目，可以識別抓取的飲料樣品，且對所選取的樣品有很好的區(qū)分度。為進一步證明，對裝滿水的樣品進行測試，獲得了更高的識別精度。選擇了機械手在抓取過程中能夠提取的特征值，應用支持向量機算法，分別對不同特征值個數(shù)和不同訓練集與測試集比例進行分類識別。實驗結果表明，當訓練集與分類集比例為9:1且選擇三個特征值時，分類識別準確率越高，為87.5%。

[1]José L Oca?a, Li Chuang, Francisco Cordovilla,. Design optimization and fabrication of a novel structural piezoresistive pressure sensor for micro-pressure measurement[J]. Solid-State Electronics, 2018, 139(1): 39-47.

[2]毛磊東, 黃英, 郭小輝, 等. 一種可感知三維力的新型柔性觸覺傳感器及滑覺識別算法研究[J]. 傳感技術學報, 2018, 31(6):891-897. Mao Leidong, Huang Ying, Guo Xiaohui, et al. Research on a novel flexible 3-axis tactile sensor and slip recognition algorithm[J]. Chinese Journal of Sensors and Actuators, 2018, 31(6): 891-897.

[3]Mitsutoshi M, Masanori M, Shuji T , et al. Design and fabrication technology of low profile tactile sensor with digital interface for whole body robot skin[J]. Sensors, 2018, 18(7):2374.

[4]Spanu A , Pinna L, Viola F , et al. A high-sensitivity tactile sensor based on piezoelectric polymer PVDF coupled to an ultra-low voltage organic transistor[J]. Organic Electronics, 2016, 36: 57-60.

[5]Liang Zou, Chang Ge, Wang Z J, et al. Novel tactile sensor technology and smart tactile sensing systems: a review[J]. Sensors, 2017, 17(11): 2653.

[6]Denei S, Maiolino P, Baglini E, et al. Development of an integrated tactile sensor system for clothes manipulation and classification using industrial grippers[J]. IEEE Sensors Journal, 2017, 17(19): 6385-6396.

[7]Wang Rongrong, Dong Chunfeng, Zhao Ruomeng, et al. Flexible and controllable Piezo-Phototronic pressure mapping sensor matrix by ZnO NW/p-Polymer LED array[J]. Advanced Functional Materials, 2015, 25(19): 2884-2891.

[8]翁玲, 呂稼先, 王躍虎, 等. 應力對 Galfenol 合金感應強度的影響[J]. 磁性材料及器件, 2016, 47(1): 1-4. Weng Ling, Lü Jiaxian, Wang Yuehu, et al. Effect of stress on the magnetic induction of Galfenol alloy[J]. Magnetic Materials and Devices, 2016, 47 (1): 1-4.

[9]Li Yunkai, Wang Bowen, Li Yuanyuan, et al. Design and output characteristics of magnetostrictive tactile sensor for detecting force and stiffness of manipulated objects[J]. IEEE Transactions on Industrial Informatics, 2018, 15(2): 1219-1225.

[10]Zhang Ru, Duan Yuanfeng, Wing O S, et al. Smart Elasto-Magneto-Electric (EME) sensors for stress monitoring of steel cables: design theory and experimental validation[J]. Sensors, 2014, 14(8): 13644.

[11]萬麗麗, 王博文, 索峰, 等. 基于磁致伸縮逆效應的紋理觸覺傳感器研究[J], 河北工業(yè)大學學報, 2019, 48(5): 1-6. Wan Lili, Wang Bowen, Suo Feng, et al. Research on texture tactile sensor based on inverse magnetos-trictive effect[J]. Journal of Hebei University of Technology, 2019, 48 (5): 1-6.

[12]王博文, 謝新良, 周露露, 等. Fe-Ga磁特性測試裝置改進與動態(tài)磁致伸縮實驗[J]. 光學精密工程, 2017(9): 143-151. Wang Bowen, Xie Xinliang, Zhou Lulu, et al. Improvement of testing device for Fe-Ga magnetic properties and dynamic magnetostrictive experiment[J]. Optics and Precesion Engineering, 2017(9): 143-151.

[13]Stoppels D. Developments in soft magnetic power ferrites[J]. Journal of Magnetism and Magnetic Materials, 1996, 160: 323-328.

[14]Zheng Xiaojing, Liu X E . A nonlinear constitutive model for Terfenol-D rods[J]. Journal of Applied Physics, 2005, 97(5): 61.

[15]王博文．超磁致伸縮材料制備與器件設計[M]．北京: 冶金工業(yè)出版社, 2003.

[16]楊秋玉, 阮江軍, 黃道春, 等. 基于振動信號時頻圖像識別的高壓斷路器分閘緩沖器狀態(tài)評估[J]. 電工技術學報, 2019, 34(19): 4048-4057. Yang Qiuyu, Ruan Jiangjun, Huang Daochun, et al. Opening damper condition evaluation based on vibration time-frequency images for high-voltage circuit breakers[J]. Transaction of China Electrotechnical Society, 2019, 34(19): 4048-4057.

[17]郭鳳儀, 陳明陽, 陳忠華, 等. 弓網(wǎng)滑動電接觸摩擦力特性與建模研究[J]. 電工技術學報, 2018, 33(13): 2982-2990. Guo Fengyi, Chen Mingyang, Chen Zhonghua, et al. Research on friction characteristics and modeling of Pantograph-Catenary sliding electrical contact[J]. Transaction of China Electrotechnical Society, 2018, 33(13): 2982-2990.

[18]徐靜妹, 李雷. 基于稀疏表示和支持向量機的人臉識別算法[J]. 計算機技術與發(fā)展, 2018, 28(2): 59-63. Xu Jingmei, Li Lei. A face recognition algorithm based on sparse representation and support vector machine[J]. Computer Technology and Development, 2018, 28(2): 59-63.

[19]王智勇, 郭鳳儀, 馮曉麗, 等. 基于電流信號特征的弓網(wǎng)電弧識別方法[J]. 電工技術學報, 2018, 33(1): 82-91. Wang Zhiyong, Guo Fengyi, Feng Xiaoli, et al. Recognition method of pantograph arc based on current signal characteristics[J]. Transaction of China Electrotechnical Society, 2018, 33(1):82-91.

[20]楊秋玉, 阮江軍, 黃道春, 等. 基于振動信號時頻圖像識別的高壓斷路器分閘緩沖器狀態(tài)評估[J]. 電工技術學報, 2019, 34(19): 4048-4057. Yang Qiuyu, Ruan Jiangjun, Huang Daochun, et al. Opening damper condition evaluation based on vibration time-frequency images for high-voltage circuit breakers[J]. Transaction of China Electrotechnical Society, 2019, 34(19): 4048-4057.

[21]王棟悅, 谷懷廣, 魏書榮, 等. 基于機電信號融合的DFIG定子繞組匝間短路故障診斷[J]. 電力系統(tǒng)自動化, 2020, 44(9): 171-180. Wang Dongyue, Gu Huaiguang, Wei Shurong, et al. Diagnosis of inter-turn short-circuit fault in stator windings of DFIG based on mechanical and electrical signal fusion[J]. Automation of Electric Power Systems, 2020, 44(9):171-180.

[22]姜濤, 王長江, 陳厚合, 等. 基于正則化投影孿生支持向量機的電力系統(tǒng)暫態(tài)穩(wěn)定評估[J]. 電力系統(tǒng)自動化, 2019, 43(1): 141-151. Jiang Tao, Wang Changjiang, Chen Houhe, et al. Transient stability assessment of power system based on projection twin support vector machine with regularization[J]. Automation of Electric Power Systems, 2019, 43(1): 141-151.

[23]張婷婷, 于明, 李賓, 等. 基于Wavelet降噪和支持向量機的鋰離子電池容量預測研究[J]. 電工技術學報, 2020, 35(14): 3126-3136. Zhang Tingting, Yu Ming, Li Bin, et al. Capacity prediction of lithium-ion batteries based on wavelet noise reduction and support vector machine[J]. Transaction of China Electrotechnical Society, 2020, 35(14): 3126-3136.

Object Recognition of Magnetostrictive Tactile Sensor Array Applied to Manipulator

Huang Shan1,2Wang Bowen1,2Zhao Zhizhong1,2Wang Liang1,2Weng Ling1,2

（1. State Key Laboratory of Reliability and Intelligentization of Electrical Equipment Hebei University of Technology Tianjin 300130 China 2. Key Laboratory of Electromagnetic Field and Electrical Apparatus Reliability of Hebei Province Hebei University of Technology Tianjin 300130 China）

The tactile sensor unit was designed and manufactured using the magnetostrictive material Galfenol, which was integrated into an array and installed on the two-finger manipulator. The tactile sensor unit force measurement model was established based on the electromagnetic principle, the inverse magnetostrictive effect and the Euler Bernoulli dynamics principle. The measuring range of the sensor unit is 0~3N. When the pressure is less than 1.5N, the sensitivity is 150mV/N. In the range of 1.5~3N, the sensitivity is about 103mV/N. It has higher sensitivity when measures lower static force, and has the characteristics of fast dynamic response and high sensitivity to dynamic force in the range of 2~4Hz. According to the measurement range of the manipulator, six kinds of beverage bottles with regular shapes were selected. The experimental system was built for collecting and saving data and testing the output characteristics of the sensor. The integrated sensor array can identify the selected sample well, and has higher accuracy for the sample filled with water. By selecting appropriate eigenvalues and applying support vector machine algorithm, the collected datas are classified by selecting different eigenvalues and the proportion of training sets and classification sets. According to the calculation, when three eigenvalues are selected and the ratio between training sets and classification sets is 9:1, the recognition rate is the highest, which is 87.5%.

Galfenol, tactile sensor array, support vector machine, object recognition

TP212

10.19595/j.cnki.1000-6753.tces.200556

國家自然科學基金（51777053, 51801053）和河北省自然科學基金（重點項目E2017202035, 青年項目E2019202315）資助項目。

2020-05-28

2020-07-07

黃 珊 女，1995年生，碩士，研究方向為觸覺傳感器和新型磁性材料與器件。E-mail：912103050@qq.com

王博文 男，1956年生，教授，博士生導師，研究方向為新型磁性材料與器件。E-mail：bwwang@hebut.edu.cn（通信作者）

（編輯 郭麗軍）