基于大數據聚類的智能探測機器人運動控制系統設計

丁 璇

(陜西警官職業學院 信息技術系，西安 710021)

0 引言

機器人技術作為一種眾多學科交叉性較強的新興技術，為人類的生活帶來較大的便利。智能探測機器人憑借其操作簡便、結構簡單等優勢，被廣泛應用于各領域的探測中，能夠有效降低人工探測的風險程度，具有較高的應用價值。智能探測機器人的出現推動了社會化發展，加快了生產力速率，有效解決了人工探測方面的弊端[1-2]。但目前關于智能探測機器人的運動控制方面存在控制精準度低、控制軌跡偏移等問題，該領域大量研究學者針對運動軌跡數據進行控制系統設計。

文獻[3]設計了基于滑膜控制的巡檢機器人運動控制系統，采用STM32F429IGT6控制芯片，完成電機驅動系統電路設計，利用滑膜控制算法，實現機器人運動控制，該系統具有較好的控制性能，但運動控制時間較長。文獻[4]設計了基于STM32+FPGA的機器人運動控制系統，利用STM32結合FPGA雙CPU架構，完成機器人運動控制器的設計，利用以太網、STM32和FPGA通信，實現機器人運動控制，該系統具有較高的運動控制效率，但存在控制精準度較低的問題。

針對上述問題，設計了基于大數據聚類的智能探測機器人運動控制系統。在數據收集的初始階段調整整體系統硬件結構，同時加強對硬件系統的模式化管理程度，并不斷優化內部硬件結構與軟件平臺結構，加大軟件控制平臺的調整力度。本文設計系統具有較強的控制性能，能夠在不同的環境下進行智能探測機器人的運動控制，獲取精準的機器人運動軌跡，并模擬軌跡方向，進行數據預測，具有較為廣闊的發展空間。

1 基于大數據聚類的智能探測機器人運動控制系統硬件設計

在大數據聚類技術的支持下，擬合運動控制發射信號，調整系統硬件模塊，按照驅動器、光電耦合器、控制器的設計流程，實現智能探測機器人運動控制系統硬件平臺的搭建。基于大數據聚類的智能探測機器人運動控制系統硬件結構如圖1所示。

圖1 系統硬件結構

根據圖1可知，智能探測機器人運動控制系統硬件結構主要由控制器、驅動器和光電耦合器構成。通過運動控制計算機，采用控制器控制機器人運動軌跡，結合A、B、C、D、E、F軸轉動驅動裝置，整合運動數據信息進行存儲。設置光電耦合器，處理控制信號發射，調整控制電路內部電流關系。由伺服電機接收脈沖，并旋轉脈沖對應角度實現位移，驅動器調整轉子轉動角度，精確控制電機轉動，完成高精度定位。通過傳動機構將動力傳遞至智能探測機器人，使智能探測機器人運動，實現智能探測機器人控制。該系統硬件結構控制方式主要有位置、速度以及力矩控制。可支持4 Mpps的高速脈沖陣列用于位置控制模式[5-7]。此外，速度/位置切換控制、速度/轉矩切換控制、轉矩/位置切換控制也是可用的，能夠實現多場景驅動操作，便于設計研究。具有高精度定位、平滑速度控制、線形控制、張力控制等功能，支持單鍵調節，并能即時自動調節，可根據機器要求進行簡單自動調節。

1.1 驅動器

該驅動器配備了USB通信接口，用于對機器進行維護和檢查。在連接到安裝了MRConfigurator2的PC之后，可設置數據進行調試和增益調整，具體方法是通過Tough Drive、驅動記錄器和預防性保護支持，及時將獲取的智能探測機器人運動數據收集至驅動系統中執行驅動指令。增量編碼器，具有131072 pulses/rev分辨率[8-9]，能夠進行高精度的定位，時刻反映機器人的運動狀態，并固定運動位置，管理主控芯片內部數據，設置主控芯片結構如圖2所示。

圖2 主控芯片結構圖

控制系統選用TMS320LF2407A主控芯片，能夠工作于電感電流間歇模式，適合全范圍輸入電壓，內裝650 V功率開關，利用原邊反饋方式，不需次級反饋電路，變壓器輔助繞組檢測及供電，僅需少量外圍元件就可實現恒流，有效節約系統成本，減小系統體積，便于系統設計研究。內部集成650 V功率管，具有極低的工作電流，無需變壓器輔助繞組檢測和供電，能夠在最大程度上為系統硬件內部提供充足的驅動能量。

1.2 光電耦合器

在內部直流電機運行的過程中，將產生相應的上升電壓，此時的電壓值將迅速升高，且電機的旋轉速度將隨之提升，泵升電壓處于較高的峰值中，設置此時的復位電路如圖3所示。

圖3 復位電路圖

若持續此種現象，則將產生較高的瞬時電壓，這些電壓將進入控制電網中，造成邏輯電路短路，影響電路內部的電流工作關系，甚至導致電路被燒毀[10-12]。為有效防止該種現象的產生，本文在硬件系統中設置光電耦合器有效處理控制信號的發射，進而調整控制電路內部的電流關系，保證電路處于平穩的運作狀態。

1.3 控制器

設置內部控制模塊，選用6ES7214-1AG40-0XB0控制器，該控制器的板載輸入數字 I/O是14點，輸出數字10點；板載模擬輸入數字 I/O是2路；信號模塊擴展：包括8個信號模塊；通信模塊擴展：包括1個信號模塊、3個通信模塊和1個以太網口，為繼電器輸出模式[13-14]。根據該控制器的中心控制模塊進行機器人運動軌跡的最終控制，提升硬件控制的有效性，同時結合內部驅動裝置整合運動數據信息，將數據存儲于硬件系統結構空間中，等待后續系統軟件操作，實現整體系統硬件設計操作。

2 基于大數據聚類的智能探測機器人運動控制系統軟件設計

根據系統硬件獲取的系統數據進行系統軟件的構建，本文將系統軟件部分劃分為相應的處理模塊，通過初始化終端程序，建立軟件平臺管理模塊，采用大數據聚類技術，構建控制系統大數據分布結構模型，模擬非線性時變的LFM控制信號，完成機器人運動軌跡數值模擬，實現基于大數據聚類的智能探測機器人運動控制系統軟件設計。系統軟件設計程序流程如圖4所示。

圖4 系統軟件流程

首先初始化終端程序，并調整程序的開始數據，構建內部脈沖數據，將探測機器人實際運動軌跡脈沖數據與模擬數值進行對比，同時調節電機的響應速度，在實現以上步驟操作后，更新參數值信息，并退出中斷服務系統。然后設置初始數值，并輸出相應軟件平臺參數信號，減緩內部電機的運作速率，構建軟件平臺管理模塊，將控制指令全部傳輸至管理模塊中，中斷內部函數脈沖數值，并引起信號變化，獲取相應的機器人運動軌跡數據。當定時器為近似數值時，控制系統處于急速控制狀態中，此時能夠精準獲取機器人的運動軌跡數據信息。

采用大數據聚類技術，構建控制系統大數據分布結構模型。設置樣本集合為Q=(q1,q2,...,qm)，在樣本集合中選取w個對象，將其定義為e個簇中心，計算w個對象距e個簇中心的相似度為：

D(w,e)=f(w,e)→R

(1)

式(1)中，f(w,e)表示為映射函數，R表示為實數域。根據相似度計算結果，劃分w個對象至相似度最小簇中心。然后通過聚類結果，計算e個簇中心中w個對象維度均值為：

(2)

式(2)中，ej為第e個對象，wj為簇相應的中心。按照上述公式，對樣本集合進行聚類，當聚類結果不變時，輸出聚類結果。根據模糊控制的概念，研究了控制系統大數據的模糊控制問題，建立了控制系統大數據分布結構中的有限數據集，并提出了一種模糊控制迭代函數，該函數能使大量控制數據集中于控制系統大數據分布結構中。在聚類中心初始值未知的情況下，控制系統中的大數據分布結構可以模擬非線性時變的LFM控制信號，為基礎特征提取和數據聚類提供幫助。

將大數據聚類技術與探測機器人控制系統相結合，同時將控制系統內部的機器人運動軌跡數據流的線性模式調節為線性發射信號并進行信號發射處理，并構建機器人控制系統結構如圖5所示。

圖5 機器人控制系統結構

管理數據聚類算法，在系統軟件平臺中控制運動軌跡數據的計算模式，有效提升整體計算的精準程度[15-17]。在實現基礎軟件平臺管理的基礎上，執行軟件平臺控制指令，并將探測機器人的核心運動軌跡與控制軟件平臺的中心控制原則相匹配，同時提高機器人的作業效率。根據機器人運動模式分析控制軟件系統的編程語言以及控制語句，同時標記控制程序中的輸出信息，對應輸出信息設置相關程度較高的控制指令執行參數。選取不同的控制編程語言作為機器人運動控制的軟件中心機制，轉化機器人控制程序，設置控制框如圖6所示。

圖6 機器人控制框圖

根據機器人運動角度以及運動軌跡的相關因素調節控制語言及控制程序的中心控制性能，利用協調類控制語言[18]，構建機器人運動控制作業軌跡模型，并利用軌跡參數自動生成數據運動程序，執行控制平臺操作。管控系統軟件平臺內部的機器人運動控制模式，并將運動行為轉化為指定的指令參數，分析不同指令對機器人的控制效果，及時掌控與機器人運動相關程度較高的軌跡數據，并將此些數據錄入運動信息收集系統中，添加運動軌跡分析運算程序進行軌跡運算，獲取可靠性較高的機器人運動數據，集合運動控制指令，簡化內部控制平臺的控制步驟，有效提升控制的有效程度，利用較為簡單的控制信號進行系統內部的控制操作，在精準化處理軟件收錄平臺數據后，實現對機器人運動軌跡的數值模擬操作，并將模擬后的數據用曲線的形式表現出來，實現最終的機器人控制系統軟件設計。

3 實驗分析

為了驗證基于大數據聚類的智能探測機器人運動控制系統的有效性，利用系統設計獲取的數據進行實現研究，選用軌跡數學方程，構建相應的運動軌跡位置坐標，并進行如下步驟的實驗操作：

1)調整運動軌跡方程內部參數，同時獲取相關的運動軌跡坐標數據，其機器人坐標系如圖7所示。

圖7 機器人坐標系

2)根據系統運動機制獲取運動計算結果，同時標記運動軌跡坐標點數據，并調整運動轉換角度，獲取探測機器人插補點關節位置，計算不同角度的插補點數據。

3)計算不同探測機器人之間的增量數值，同時將增量數值錄入系統控制文件中，執行控制指令。

4)判斷控制指令是否終止，若未終止控制指令，則將操作返回至步驟2)中；若終止控制指令，則將系統控制文件中的控制增量數值傳輸至機器人運動軌跡判定系統中存儲，同時發射相應的控制信號，實現探測機器人運動控制實驗操作。

選擇實驗仿真軟件進行實驗參數的設定，并獲取完全相同的實驗環境模型，選取整體狀態相同的探測機器人進行實驗研究。分別采用基于STM32+FPGA的運動控制系統、基于滑膜控制的運動控制系統和本文研究的基于大數據聚類的運動控制系統進行對比分析，在確保實驗對象的實驗裝置處于正常運作的情況下，進行系統仿真實驗。分別設置不同的運動軌跡，并通過不同系統沿實驗設置軌跡進行圓周運動，機器人運動軌跡如圖8所示。

圖8 機器人運動軌跡

根據以上數據獲取不同系統的控制結果數據，并分析結果。將基于大數據聚類的運動控制系統與基于滑膜控制的運動控制系統和基于STM32+FPGA的運動控制系統進行實驗對比，分析不同系統的運動控制效果。并將實驗所得數據進行對比，得到不同系統的運動軌跡誤差對比結果如表1所示。

表1 不同系統的運動軌跡誤差對比結果

根據表1中的數據可知，當實驗次數為10次時，基于大數據聚類的運動控制系統的平均運動軌跡誤差為0.099 m，而基于滑膜控制的運動控制系統的平均運動軌跡誤差為0.705 m，基于STM32+FPGA的運動控制系統的平均運動軌跡誤差為1.683 m。由此可知，與基于滑膜控制的運動控制系統和基于STM32+FPGA的運動控制系統相比，基于大數據聚類的運動控制系統的運動軌跡誤差較小，運動控制效果較好。因為本文研究的運動控制系統及時劃分控制階段的控制形式，加強對控制系統的中心結構劃分操作，不斷調整運動控制準則，時刻更新不同的控制標準，并管理控制標準數據，由此獲取精準程度較高的控制系統，縮減機器人運動控制的軌跡誤差。

在此基礎上，進一步驗證本文研究的基于大數據聚類的智能探測機器人運動控制系統的控制時間，分別采用基于滑膜控制的運動控制系統與基于STM32+FPGA的運動控制系統進行對比，不同系統的運動控制時間對比結果如表2所示。

根據表2中的數據可知，隨著實驗次數的增加，不同系統的運動控制時間隨之增大。當實驗次數為10次時，基于大數據聚類的運動控制系統的運動控制時間為16.8 s，而基于滑膜控制的運動控制系統的運動控制時間為28.6 s，基于STM32+FPGA的運動控制系統的運動控制時間為24.5 s。由此可知，與基于滑膜控制的運動控制系統和基于STM32+FPGA的運動控制系統相比，基于大數據聚類的運動控制系統的運動控制時間較短，運動控制效率較高。因為本文研究的運動控制系統強化了內部控制硬件系統性能，加強對中心硬件的管理程度，同時有效緩解硬件系統與軟件程序之間的關系，調整軟件控制平臺內部的控制算法，隱藏無關控制程序，擴展操作空間，減少內部系統的數據信息占用量，從而提高系統運動控制效率。

表2 不同系統的運動控制時間對比結果

綜上所述，本文研究的基于大數據聚類的智能探測機器人運動控制系統具有較強的運動控制性能，提升整體控制精準程度，實現系統控制操作，能夠有效減小運動軌跡誤差，提高系統運動控制效率。

4 結束語

為減小探測機器人運動軌跡誤差，提高運動控制效率，設計基于大數據聚類的智能探測機器人運動控制系統。通過設計運動控制系統軟、硬件結構設計，采用大數據聚類技術，獲取精準運動軌跡數據，實現智能探測機器人運動控制。本文設計的控制系統的控制精準程度較高，運動軌跡誤差較小，能夠有效提高運動控制效率。