基于大數據挖掘的機械手夾持角控制方法研究

程小濤

（1.江西經濟管理干部學院，南昌 330088；2.南昌大學 信息工程學院，南昌 330031）

0 引言

隨著智能技術的廣泛應用，很多領域的生產效率和生產質量均有了較大的提高。智能技術最為典型的具體應用就是機械手[1]。機械手具有很多的優勢，如工作完成度更高，危險性更低，成本更低，但是同樣也存在缺陷，例如它不能像人手那樣可以受到人腦的支配，可以隨時靈活地調整夾持角度。因此，機械手在夾持物體運送過程中容易出現掉落現象，影響了機械手的工作質量[2]。針對上述問題，如何進行機械手夾持角有效控制成為機械手領域升級和改造的重點。

關于機械手相關研究有很多，文獻[3]提出了一種改進ILQR算法的控制柜方法，該方法通過在多個約束限制的條件下求取最優解，最后結合PD方法實現對機械臂的控制。文獻[4]提出了自適應模糊反演算法的雙關節機械手控制方法，該方法首先進行機械手動力學建模，然后基于自適應模糊反演算法設計一種控制器，最后利用Simulink模塊進行控制模擬。文獻[5]提出了基于強化學習的機械臂關節高精度控制方法。該方法首先建立機械臂模型，然后使用強化學習設計控制器，并利用高斯過程回歸算法對控制器進行優化，實現機械臂關節高精度控制。

基于上述研究，提出一種基于大數據挖掘的機械手夾持角控制方法。以期提高機械手控制精度，降低夾持產品的掉落概率。

1 機械手夾持角的數據挖掘控制研究

現代在很多生產領域機械手逐漸取代了人手進行抓取、搬運物件或操作，極大提高了工作效率，但是機械手在使用過程中發現夾持角一旦偏差過大，很容易導致夾持不牢固，發生中途掉落的問題。針對上述問題，研究一種基于大數據挖掘的機械手夾持角控制方法。該方法主要分為四個部分，即機械手夾持活動域建模、機械手實際夾持角實時檢測、最優夾持角計算以及機械手夾持角控制實現。下面針對這四個方面進行具體分析。

1.1 機械手夾持活動域建模

機械手夾持活動域，即機械手運動區域，進行該區域劃分作用是為后期運動控制模型提供限制區域，方便控制實現。機械手夾持活動域建模表達式如下：

式(1)中，Fs代表機械手S的夾持活動域；minx，miny，minz代表機械手在x，y，z三個方向上能夠活動的最小值；maxx，maxy，maxz代表機械手在x，y，z三個方向上能夠活動的最大值；minσx，minσy，minσz代表機械手在目標坐標系中三個方向的最小偏轉角度；maxσx，maxσy，maxσx代表機械手在目標坐標系中三個方向的最大偏轉角度。

1.2 機械手實時夾持角檢測

在夾持角控制中，機械手實時夾持角檢測至關重要，因為這一參數是最后控制模型實現的最關鍵因素之一。機械手實時夾持角主要通過角位置傳感器來檢測，該傳感器檢測流程如下：

步驟1：角位置傳感器選型；

步驟2：傳感器采集模塊采集機械手圖像；

步驟3：圖像預處理；

步驟4：絕對標記形心坐標計算；

1）確定圖像像素的坐標和灰度值；

2）像素點篩選；

3）將篩選出來的像素點坐標及其灰度值轉化為浮點數；

4）絕對標記形心擬合，求出絕對標記的形心坐標。公式如式(2)、式(3)所示:

式(2)、式(3)中，x、y代表絕對標記形心坐標；xi、yi代表像素點的第i個坐標；ai代表第i個像素點的灰度值；n代表像素點的數目。

步驟5：標記點運行軌跡中心坐標；

1）輸入絕對標記形心坐標；

2）絕對標記形心坐標存儲到設定的數量；

3）標記點運行軌跡擬合；

4）通過狀態計數器進行坐標累加運算；

5）標記點運行軌跡中心坐標，記為(x′，y′)；

步驟6：進行如下的運算。

式(4)中，P0、P1分別代表絕對標記形心坐標與記點運行軌跡中心坐標之間的差值。

步驟7：進行浮點數除法運算。

式(5)中，Q0、Q1代表浮點數除法運算結果，取值都在[-1，1]；r代表標記點運行軌跡的半徑。

步驟8：進行浮點數轉定點數的運算，記為Q0′，Q1′；

步驟9：基于定點數計算機械手實時夾持角，計算公式如式(6)所示：

式(6)中，E°代表機械手實時夾持角。

經過上述分析得出機械手實時夾持角E°，為后續研究奠定基礎。

1.3 基于數據挖掘的機械手最優夾持角計算

最后的夾持角控制研究，是以預期值與實際值之間的差值為輸入進行控制的，因此除了上一章節得到的機械手實時夾持角外，還需要計算最優夾持角預期值。在這里采用數據挖掘方法中的回歸算法構建最優夾持角計算模型，如圖1所示。

圖1 基于回歸算法的最優夾持角計算模型

回歸算法是一種自變量和因變量之間映射關系模型。在這里自變量是指影響機械手夾持角的因素，而因變量為最優夾持角，二者之間建立起回歸模型如下：

式(7)中，Y為因變量（最優夾持角）；X1，X2，..，Xk為自變量（機械手夾持角影響因素）；p0，p1，p2，...pk為回歸系數。

在此基礎上，將學習樣本輸入到上述的基本回歸模型中，并將其與最小二乘法相結合，得到了回歸系數p0，p1，p2，...pk。接著進入回歸模型的檢驗環節，即R2檢驗、F檢驗以及t檢驗。

1.4 基于數據挖掘改進PID的機械手夾持角控制實現

基于1.2節和1.3節研究得出的機械手實時夾持角檢測和最優夾持角，本章節利用改進PID控制機械手夾持角。控制模型如圖2所示。

圖2 改進PID的機械手夾持角控制模型

PID，即比例、積分和微分。原理是通過計算預期值（最優夾持角）與實際輸出值（實時夾持角）之間的偏差值的比例、積分和微分得到的控制量。比例、積分和微分的計算公式如式(8)所示：

式(8)中，P(t)代表比例運算；I(t)代表積分運算；運算代表微分運算；KP代表比例系數；r(t)代表機械手實時夾持角檢測和最優夾持角之間的誤差；Ki代表積分系數；Kd代表微分系數。

由此得出機械手夾持角控制模型，該模型表達式如下：

所以式(9)可以轉換為如下形式。

式(12)中，y(t)代表機械手夾持角控制量；Ti代表積分時間常數；Td代表微分時間常數。

PID控制的關鍵是比例、積分和微分，它與PID的精確度有直接的關系。為此，在這里利用數據挖掘算法中的神經網絡算法對這三個參數進行優化，優化過程如下：

步驟1：輸入比例、積分和微分到BP神經網絡；

步驟2：經過三層處理，得出輸出量；

步驟3：判斷預期輸出與實際輸出是否符合反向傳播條件？若符合，進行反向傳播，調整神經網絡參數；否則輸出結果；

步驟4：輸出的結果即為最優比例、積分和微分參數。

經過上述分析，完成基于大數據挖掘的機械手夾持角控制方法研究。

2 實驗測試

2.1 測試對象

為了驗證研究的基于大數據挖掘的機械手夾持角控制方法的有效性，將如圖3所示的機械手作為實驗對象，驗證所研究方法的精度。

2.2 機械手夾持活動域

針對圖3中的機械手，結合1.1節研究，建立機械手夾持活動域，具體如下：

圖3 機械手示意圖

2.3 角位置傳感器選型

為獲取機械手實時夾持角，選擇AR125S角位置傳感器來實時獲取，該傳感器工作參數如表1所示。

表1 AR125S角位置傳感器工作參數

2.4 機械手夾持角影響因素

基于灰度關聯分析法選出的機械手夾持角影響因素如表2所示。

表2 機械手夾持角影響因素

基于上述表2選出的機械手夾持角影響因素采集對應的具體數值，作為學習樣本，然后代入到式(7)當中，計算p0，p1，p2，...pk為回歸系數，最后再代回到式(7)當中，得出機械手最優夾持角計算公式如式(14)所示：

2.5 PID參數優化結果

利用神經網絡算法對PID三個參數進行優化，優化后的結果如表3所示。

表3 PID三個參數優化前后對比

2.6 機械手實時夾持角和最優夾持角

利用AR125S角位置傳感器獲取10s這一時間段的機械手實時夾持角以及對應的機械手最優夾持角，結果如圖4所示。

圖4 機械手實時夾持角和最優夾持角

從圖4中可以看出，機械手實時夾持角與最優夾持角存在較大的誤差，因此需要進行機械手夾持角控制。

2.7 控制方法評價指標

以均方根誤差為評價指標，其計算公式如式(15)所示：

式(15)中，G代表均方根誤差；yi代表最優夾持角；yi′代表方法控制后輸出的機械夾持角；m代表結果數量。

2.8 方法控制效果分析

利用所研究方法對機械手夾持角進行控制，然后計算控制結果與最優夾持角之間的均方根誤差。結果如圖5所示。

圖5 控制結果與最優夾持角之間的均方根誤差

從圖5中可以看出，所研究方法應用后，控制結果與最優夾持角之間的均方根誤差均小于2°，說明所研究方法的精度較高，能夠有效減小機械手夾持角偏差。

3 結語

本研究提出了基于大數據挖掘的機械手夾持角控制方法。該研究中主要應用了兩種大數據挖掘算法，即回歸方法以及神經網絡算法。利用前者求取機械手最優夾持角，利用后者優化PID控制方法，提高夾持角控制精度。最后通過測試，證明了所研究控制方法的精度，控制結果與最優夾持角之間的均方根誤差較小。