实时识别卡扣成功装配的机器学习框架

卡扣式装配广泛应用于多种产品类型的制造中，在零件未加工的情况下也可以进行零件连接。卡扣装配是结构性的锁定机制，不是通过视觉判断是否成功完成装配。人们认为这两部分之间形成的力量或响声是成功的标志。这在机器人装配中是很难实现的，通常在产品质量控制阶段才能确定工艺的成功与否。近期，IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING发表了一篇“A Machine Learning Framework for Real-Time Identification of Successful Snap-Fit Assemblies”的论文，作者通过一个机器学习框架将人类识别成功快速装配的能力迁移到自主机器人装配上。下面我们具体了解相关研究工作。

1、卡扣力信号分析

在工业上，一般分为三种主要的卡扣类型，即悬臂式卡扣组件、环形卡扣组件和扭转式卡扣组件。它们影响零件设计和卡扣机构，所有类型都是相似的，因为它们基于其中一个柔性部件和第二个高刚度的部件，后者允许将两个部件插入并锁定在一起[1]。这两个部分相互推动，导致柔性部件发生偏转，直到施加的力超过一定限度，从而导致两个部件断裂。它们的区别在于锁定机构的形状和产生不同力特征的材料特性。悬臂和环形两种卡扣组件类型卡扣（图1）在成功装配过程中产生的力特征（图2）如下图所示。

在悬臂卡扣装配过程中，一旦咬合成功，柔性部件就会偏转，回到其初始位置对其进行锁定，只有拉动柔性部件时才能将这两个部件分离。对环形卡扣而言，咬合效果由施加在柔性部件上的恒定载荷决定。一旦载荷消失，卡扣就会松开。扭转卡扣在锁定运动方面有所不同，两个部件之间的锁定运动是旋转的，但产生的力特征与环形和悬臂相似。

     

零件在不同的装配阶段产生的作用力可用于描述过程状态。图2所示的两种卡扣的力特征图具有不同的形状，可用于及时识别装配过程的完成情况。在这两种情况下，物体的偏转都会产生一个恒定的力，一旦部件的力消失，力就会急剧下降，当两部分锁定在一起时，力就会增大。悬臂卡扣在锁定之前，两个部件相互滑动，产生一个恒定的摩擦力，该摩擦力由于部件的材质属性造成的力载荷不同而变化。环形卡扣则不存在滑动。力信号的确切形状取决于连接部件的机械性能和卡扣类型。环形和悬臂是两个极端情况，环形卡扣是在恒定的力载荷下，而悬臂卡扣在咬合后载荷消失。

2、机器学习框架

上述分析表明，所有类型的卡扣都会产生相似但不同的装配力特征，以确认最终的卡扣状态。目前大多都是通过具体模型分析方法，这需要大量的时间和精力，而且可重用性有限。因此，本文定义了一个机器学习框架，该框架可以识别所有类型的卡扣的力轮廓特征。为了进一步加速这一进程，该框架采用了人机协作的方式来加速实验过程，生成具有高可变性和准确学习结果的数据集。

     

只有构建一个好的训练和测试集，才能建立一个好的分类器[2]。一个具有统计独立样本特征的训练集并不容易建立，特别是当需要通过机器人实验产生时。一方面，生成这两个程序集类示例可能无法达到使用基于数据的方法的目的，最终的样本也不可能涵盖所有情况。另一方面，人类专家虽然拥有设计和交付大量变化的实验的知识，但是没有充分的准备时间。人类有一种与生俱来的可变性，允许构建一个丰富的信息数据集，从而改善机器学习的效果。这一点，加上人参与装配过程所节省的大量时间，都显示了人机协作的优势。上述内容包含在图3所示的拟议的框架中，其中定义了两个离散阶段：训练和操作阶段。

训练阶段的目的是生成一个能够实时准确表征力信号的分类器。在这一阶段，装配是协作完成的，其中机器人拿着两个零件中的一个充当智能传感器，而人类则作为专家进行手动装配。在人机协作中，需要一个可以估计或测量的力，而不需要机器人的力传感器或外部的视觉系统，从而降低了成本和复杂性。论文展示了许多成功和失败的装配例子，在各种不同的条件下以不同的速度进行了演示。

3、特征选择

如图2所示，卡扣装配可以概括为在时间序列上力特征的独特表示。相比之下，不成功的情况可能会有很大的不同，因力不足导致部件错位产生噪声信号，导致力上升而不出现明显的下降。卡扣组件的力信号与零件的材料和锁定机构有关。由于低频力信号在其频谱中显示的信息很少，因此基于频率的特征不被考虑。首先选择了24个特征并进行计算，以进一步评估其识别卡扣装配的能力。统计的信号特征包括信号能量、偏差度、方差、对数变换、峰度和Willison振幅等。为了避免过度拟合，降低分类器的复杂度，降低对大型训练集的要求，降低算法的复杂度。由于特征向量的初始尺寸较小，采用了一种穷举搜索子集的选择方法，具有较高的性能（精度>0.95）[3]。对于最终的特征选择，考虑了每个特征的计算复杂度。 

4、实验结果

作者进行了大量的实验来分析所提出的框架，并对其在两个阶段的效率进行了评估。首先介绍实验装置，然后介绍数据采集过程和实验结果。将7自由度的KUKA LWR4+机械手与三指夹持器Barret BH-8连接，并使用特制夹持器进行评估。选择了两组不同的部件（图4），代表悬臂和环形卡扣组件。在不使用外力传感器的情况下，通过KUKA力估算机制测量两个部件之间产生的装配力。

对于悬臂卡扣，插头的外接部分安装在定制的夹钳上（图5）。然后母零件被固定在一个稳定的基座上，由机器人进行自主装配。针对悬臂和环形卡扣装配都进行了分析，以评估悬臂和环形卡扣装配的选择特征。首先，根据训练阶段收集到的数据集，评估所提出的特征和训练分类器的效果。然后，应用整个框架以提高其整体效率。

收集了四个不同的数据集，其中两个是通过人机协作收集的，另外两个是在机器人自主操作时收集的。在每种情况下，都有一半的程序集成功完成装配，另一半则未能完成装配。由于零件未对准或所需力不足，会产生两种不同类型的不成功卡扣装配的情况。最后，为了测试效果，机器人装配是在四种不同的平均速度下完成的。

结果表明，在训练集相对较小的情况下，通过人机协作提取的分类器能够获得很好的识别效果。需要注意的是，当整个训练集用于分类器的训练时，悬臂和环形卡扣的精度分别达到0.96和0.98。即使是训练集的一小部分，分类器的性能也非常好，在只有N=20和N=22个样本时，分类器的中值达到了0.9。另一个重要的观察结果是，当训练集规模增大时，精度异常值几乎为零，方差显著下降，显示了结果统计的显著性。

运行评估。评估了所提出的框架的整体效能，以实时接收组件装配信号。结果表明，该方法具有良好的识别性能，与全训练集相似，准确度、特异性和灵敏度均衡，平均值分别为0.92、0.981和0.86。这些结果表明与整个数据集（N=60）训练的分类器性能相比，该分类器性能的相对变化较小，分别为7%、0.08%和0.14%。然而，结果会随着训练集规模的不同而变化，该训练集包含很多异常值，类似于图6所示的分类器的结果。因此，为了克服此类问题，应仔细挑选训练集，以便在成功和失败的情况下包含所有信号变化。

转换评估。这两种分类器对成功的卡扣装配信号具有很高的分类精度。对不成功信号的分类精度较低，特征值分别下降到0.673和0.715。该分类器的总体性能用平衡精度来表示，两种情况下分别为0.836和0.857。尽管分类器具有相对较好的平衡精度，但其特异度非常低，这表示不成功的装配很容易被识别为成功装配。

不可见对象的综合评价。在这一部分中，对所提出的方法用于概括不同对象的整体能力进行了评估。环形卡扣通过人机协作在数据集上训练产生的分类器，用于识别另一种环形卡扣类型的卡扣组件，在机器人自主操作下进行装配（图7）。尽管这两个对象不同，但它们有相似的咬合机制并生成相似的力配置文件。然而，不可见的物体有更严格的力学机制，并且咬合发生在较大的力振幅中，平均咬合值为45 N。在评估过程中，收集了30次咬合力剖面，每个部件有15个信号（成功和失败）。该分类器以实时方式对信号进行处理，同时信号在训练集的管理单元级别上扩展并在200ms时间窗口中采样。结果表明，对所有成功的装配部件和265个不成功的卡扣装配部件中的191个部件进行了正确的分类，平均精度达到0.8604（72.08%特异性）。同时对离线情况（全信号分类）也进行了评估。整体准确度为0.9， 15个装配失败信号中的12个（80%特异性）被识别出，所有成功卡扣装配部件信号都被识别出来。结果表明，该方法无需重新训练，可以很好地推广。

该方法与通过具体模型分析方法进行了进一步的比较[4]。该框架是与另一框架在同一个数据集中完成的。这个数据集由33个装配电连接器的力信号组成，其中9个属于成功装配的部件，而其余的属于不同类型的错误装配部件。为了评估该框架，将不同类别的不成功的数据合并在一起，将数据集拆分为一个训练集（60%）和一个测试集（40%）。用基于模型的方法得出四种不同类别的精度，结果平均精度为0.945。因为原始数据集的40%被用于验证该方法，所以无法进行绝对公平的比较，但结果显示效果相对较好。

5、结论

本文提出了一种基于机器学习的快速装配的框架。该框架在两种不同的卡扣装配下进行了测试，显示出较高的识别精度（高达0.99）。通过人机协作训练产生了良好的学习数据集，成功和失败案例的可变性都很高。该特征集对不同的对象中进行了测试，显示它在不同的卡扣装配类型中的能力。只要对数据集进行仔细的采样，即使是很小的N=20个样本的训练集，分类器的性能也能表现出良好的效果，可达精度>0.9。同时与基于模型的方法进行了比较，结果表明了该方法的显著优异性。该框架未来将在更多类型的卡扣装配中进一步验证。

参考文献

[1] J. Ji, K.-M. Lee,and S. Zhang, “Cantilever snap-fit performance analysis for haptic evaluation,”J. Mech. Des., vol. 133, no. 12, 2011, Art. no. 121004.

[2] C. Beleites, U.Neugebauer, T. Bocklitz, C. Krafft, and J. Popp, “Sample size planning forclassification models,” Anal. Chim. Acta, vol. 760, pp. 25–33, Jan.2013.

[3] I. Guyon and A.Elisseeff, “An introduction to variable and feature selection,” J. Mach.Learn. Res., vol. 3, pp. 1157–1182, Jan. 2003.

[4] J. Huang, Y.Wang, and T. Fukuda, “Set-membership-based fault detection and isolation forrobotic assembly of electrical connectors,” IEEE Trans. Autom. Sci. Eng., vol.15, no. 1, pp. 160–171, Jan. 2018. [Online]. Available: //ieeexplore.ieee.org/document/7572012/