一种用于工业装配机器人特征生成策略的评价方法

技术领域

本发明涉及特征生成技术领域，尤其涉及一种用于工业装配机器人特征生成策略的评价方法。

背景技术

工业装配机器人在执行任务过程中，可提供机械臂在x，y，z三个方向的受力和扭矩特征，但仅仅基于这两类特征难以实现整机状态诊断。但对于工业装配机器人具体故障类型，并不是采用的特征数目越多，越有利于机器人故障状态准确识别。目前，工业装配机器人特征生成策略评价方法，必须经过数据驱动模型设计、数据驱动模型训练和测试3个阶段，数据驱动模型设计过程由于缺乏统一的准则指导，易混入评价人员主管因素。此外，数据驱动模型训练将耗费大量的计算资源，耗时耗力，不利于工业装配机器人特征生成策略快速评价。

发明内容

有鉴于此，本发明的目的在于提出一种用于工业装配机器人特征生成策略的评价方法，以解决现有技术不利于工业装配机器人特征生成策略快速评价的技术问题。

一种用于工业装配机器人特征生成策略的评价方法，包括：

首先令m＝1,i＝1,j＝2,k＝1,g＝1，并且已知工业装配机器人故障类别数目H，其中i和j表示不同故障类别，m用于区分不同的特征生成策略，已知特征生成策略类别总数为M，k和g表示在同一个数据集i类和j类故障数据样本集合对应的样本序号；

步骤1：采用待评价的特征生成策略生成新的工业装配机器人数据集；

步骤2：选择核函数，可选择核函数包括线性核、高斯核、多项式核和sigmoid核；

步骤3：设置邻近点Q及阈值θ；

步骤4：计算映射空间下的欧式距离并保存数据点集合结果；

步骤5：令k＝k+1,如果k≤|C

步骤6：计算

步骤7：令g＝g+1,如果g≤|C

步骤8：计算R(C

步骤9：令m＝m+1,如果m≤M,则令k＝1,g＝1，返回步骤4；否则执行步骤10；

步骤10：对R(C

步骤11：令i＝i+1,j＝i+1,若j≤H，则令m＝1,k＝1，g＝1，返回步骤4；否则结束整个特征生成策略评价过程；

若特征生成策略S

作为本申请的进一步改进，所述采用待评价的特征生成策略生成新的工业装配机器人数据集，包括

选择不同的特征生成策略S

作为本申请的进一步改进，所述设置邻近点Q及阈值θ，包括

阈值θ取值应小于样本数目的10％，本方法中设置Q为最小数据集合样本数目的8％，

Q＝[min(|C

作为本申请的进一步改进，所述计算映射空间下的欧式距离并保存数据点集合结果，包括

映射空间下的欧式距离为

数据点集合结果为

作为本申请的进一步改进，所述计算R(C

|·|表示数据样本数目；θ为阈值，取值范围为[0,Q/2]；λ(·)为计数器，

基于上述目的，本发明提出核映射下基于欧式距离的工业装配机器人特征生成策略评价方法，引入核函数，基于核内积形式，推导得到核映射高维线性可分空间下，工业装配机器人数据集内不同故障数据样本之间的欧式距离数学表达式；在典型核映射空间下，以核内积形式的欧式距离数学表达式为理论前提，基于传统R-Value方法理论框架，实现工业装配机器人特征生成策略下的故障数据样本集合可分性计算；通过比较不同特征生成策略下故障数据样本集合可分性计算结果，实现工业装配机器人特征生成策略优劣评价。本发明提出的工业装配机器人特征生成策略评价方法，

不依赖于任一具体的分类算法，评价结果具有一般性，且该方法计算量相较于采用具体分类算法评价过程，避免了模型设计、模型训练和模型测试三个阶段，具有计算量小，耗时短，效率高等优点。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一种用于工业装配机器人特征生成策略的评价方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

如图1所示，1.一种用于工业装配机器人特征生成策略的评价方法，包括：

首先令m＝1,i＝1,j＝2,k＝1,g＝1，并且已知工业装配机器人故障类别数目H，其中i和j表示不同故障类别，m用于区分不同的特征生成策略，已知特征生成策略类别总数为M，k和g表示在同一个数据集i类和j类故障数据样本集合对应的样本序号；

步骤1：采用待评价的特征生成策略生成新的工业装配机器人数据集；包括

选择不同的特征生成策略S

步骤2：选择核函数，可选择核函数包括线性核、高斯核、多项式核和sigmoid核等；

步骤3：设置邻近点Q及阈值θ；阈值θ取值应小于样本数目的10％，本方法中设置Q为最小数据集合样本数目的8％，

Q＝[min(|C

步骤4：计算映射空间下的欧式距离并保存数据点集合结果；

映射空间下的欧式距离为

数据点集合结果为

假设由特征生成策略S

其中，

N表示数据样本的特征维数，<·,·>表示内积，上标T表示转置。

假设将特征向量x

根据核方法原理，总是存在某一核函数满足下式，

其中，K(·,·)表示核函数。

因此可以用核函数代替式中映射内积，则有，

上式即为工业装配机器人数据样本在核映射高维线性可分空间下的欧式距离数学表达式，通过上式可以直接计算工业装配机器人数据集在任意核函数映射高维空间下，不同故障数据样本之间的欧式距离，是后续将传统R-Value方法用于工业装配机器人特征生成策略评价的理论基础和技术前提。

对于数据集Dm中某两类故障数据样本集合C

其中，

对

其中，KNN(x

步骤5：令k＝k+1,如果k≤|C

步骤6：计算

步骤7：令g＝g+1,如果g≤|C

步骤8：计算R(C

|·|表示数据样本数目；θ为阈值，取值范围为[0,Q/2]；λ(·)为计数器，

步骤9：令m＝m+1,如果m≤M,则令k＝1,g＝1，返回步骤4；否则执行步骤10；

步骤10：对R(C

步骤11：令i＝i+1,j＝i+1,若j≤H，则令m＝1,k＝1，g＝1，返回步骤4；否则结束整个特征生成策略评价过程；

若特征生成策略S

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

本发明旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。