卡扣式裝配廣泛應用于多種產品類型的制造中，在零件未加工的情況下也可以進行零件連接。卡扣裝配是結構性的鎖定機制，不是通過視覺判斷是否成功完成裝配。人們認為這兩部分之間形成的力量或響聲是成功的標志。這在機器人裝配中是很難實現的，通常在產品質量控制階段才能確定工藝的成功與否。近期，IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING發表了一篇“A Machine Learning Framework for Real-Time Identification of Successful Snap-Fit Assemblies”的論文，作者通過一個機器學習框架將人類識別成功快速裝配的能力遷移到自主機器人裝配上。下面我們具體了解相關研究工作。

1、卡扣力信號(hao)分析

在工業上，一(yi)般分為三種主要的(de)(de)卡(ka)(ka)扣(kou)(kou)類(lei)型(xing)，即懸(xuan)(xuan)臂式卡(ka)(ka)扣(kou)(kou)組(zu)件(jian)(jian)、環(huan)(huan)形卡(ka)(ka)扣(kou)(kou)組(zu)件(jian)(jian)和(he)扭(niu)轉式卡(ka)(ka)扣(kou)(kou)組(zu)件(jian)(jian)。它(ta)們影響(xiang)零(ling)件(jian)(jian)設計(ji)和(he)卡(ka)(ka)扣(kou)(kou)機(ji)構(gou)，所有(you)類(lei)型(xing)都是相(xiang)似(si)的(de)(de)，因(yin)為它(ta)們基(ji)于(yu)其中一(yi)個(ge)(ge)(ge)(ge)柔性部(bu)(bu)(bu)件(jian)(jian)和(he)第二(er)個(ge)(ge)(ge)(ge)高剛度(du)的(de)(de)部(bu)(bu)(bu)件(jian)(jian)，后者允許(xu)將兩(liang)個(ge)(ge)(ge)(ge)部(bu)(bu)(bu)件(jian)(jian)插入并鎖定(ding)在一(yi)起(qi)[1]。這(zhe)兩(liang)個(ge)(ge)(ge)(ge)部(bu)(bu)(bu)分相(xiang)互(hu)推動，導(dao)致柔性部(bu)(bu)(bu)件(jian)(jian)發(fa)生(sheng)偏轉，直到(dao)施(shi)加的(de)(de)力超過一(yi)定(ding)限度(du)，從而導(dao)致兩(liang)個(ge)(ge)(ge)(ge)部(bu)(bu)(bu)件(jian)(jian)斷(duan)裂。它(ta)們的(de)(de)區別在于(yu)鎖定(ding)機(ji)構(gou)的(de)(de)形狀和(he)產生(sheng)不同(tong)力特(te)征的(de)(de)材料特(te)性。懸(xuan)(xuan)臂和(he)環(huan)(huan)形兩(liang)種卡(ka)(ka)扣(kou)(kou)組(zu)件(jian)(jian)類(lei)型(xing)卡(ka)(ka)扣(kou)(kou)（圖(tu)(tu)1）在成功裝(zhuang)配過程中產生(sheng)的(de)(de)力特(te)征（圖(tu)(tu)2）如下圖(tu)(tu)所示(shi)。

在(zai)懸臂(bei)(bei)卡(ka)扣裝配過(guo)程中，一旦(dan)咬合成(cheng)功，柔性部(bu)(bu)件(jian)就會(hui)偏轉(zhuan)，回到其(qi)初始位置對(dui)其(qi)進行鎖定，只有拉動柔性部(bu)(bu)件(jian)時才能(neng)將(jiang)這兩(liang)個部(bu)(bu)件(jian)分離。對(dui)環形卡(ka)扣而言(yan)，咬合效果由施(shi)加在(zai)柔性部(bu)(bu)件(jian)上(shang)的(de)恒(heng)定載(zai)荷決定。一旦(dan)載(zai)荷消失，卡(ka)扣就會(hui)松(song)開。扭轉(zhuan)卡(ka)扣在(zai)鎖定運動方面有所不同，兩(liang)個部(bu)(bu)件(jian)之間的(de)鎖定運動是(shi)旋轉(zhuan)的(de)，但產生的(de)力特征與環形和懸臂(bei)(bei)相似。

     

零件(jian)(jian)在(zai)不(bu)同的(de)(de)(de)裝(zhuang)配階段產生(sheng)(sheng)的(de)(de)(de)作用力(li)(li)可(ke)用于(yu)(yu)描述(shu)過(guo)程(cheng)狀態(tai)。圖2所示的(de)(de)(de)兩(liang)種卡扣(kou)的(de)(de)(de)力(li)(li)特征圖具有不(bu)同的(de)(de)(de)形狀，可(ke)用于(yu)(yu)及時識別(bie)裝(zhuang)配過(guo)程(cheng)的(de)(de)(de)完成(cheng)情(qing)(qing)況。在(zai)這(zhe)兩(liang)種情(qing)(qing)況下，物(wu)體的(de)(de)(de)偏轉都會產生(sheng)(sheng)一個(ge)恒定(ding)的(de)(de)(de)力(li)(li)，一旦部(bu)(bu)件(jian)(jian)的(de)(de)(de)力(li)(li)消失(shi)，力(li)(li)就(jiu)會急劇(ju)下降，當兩(liang)部(bu)(bu)分鎖定(ding)在(zai)一起時，力(li)(li)就(jiu)會增大(da)。懸(xuan)臂卡扣(kou)在(zai)鎖定(ding)之前，兩(liang)個(ge)部(bu)(bu)件(jian)(jian)相互滑(hua)動(dong)(dong)，產生(sheng)(sheng)一個(ge)恒定(ding)的(de)(de)(de)摩(mo)擦(ca)力(li)(li)，該摩(mo)擦(ca)力(li)(li)由于(yu)(yu)部(bu)(bu)件(jian)(jian)的(de)(de)(de)材質屬性造成(cheng)的(de)(de)(de)力(li)(li)載(zai)荷不(bu)同而變化。環(huan)形卡扣(kou)則不(bu)存在(zai)滑(hua)動(dong)(dong)。力(li)(li)信號(hao)的(de)(de)(de)確切形狀取(qu)決于(yu)(yu)連接部(bu)(bu)件(jian)(jian)的(de)(de)(de)機械性能(neng)和卡扣(kou)類型(xing)。環(huan)形和懸(xuan)臂是兩(liang)個(ge)極端情(qing)(qing)況，環(huan)形卡扣(kou)是在(zai)恒定(ding)的(de)(de)(de)力(li)(li)載(zai)荷下，而懸(xuan)臂卡扣(kou)在(zai)咬合后載(zai)荷消失(shi)。

2、機器學習框架(jia)

上(shang)述分析(xi)表明，所有類型(xing)的(de)(de)(de)(de)(de)卡扣都(dou)會產生相似(si)但不同(tong)的(de)(de)(de)(de)(de)裝配力特征，以(yi)確(que)認最終的(de)(de)(de)(de)(de)卡扣狀態。目前大多(duo)都(dou)是通過具(ju)體模型(xing)分析(xi)方法，這需要大量的(de)(de)(de)(de)(de)時間和(he)(he)精力，而且可重用性有限(xian)。因此，本文定義了(le)一個機(ji)器(qi)學習框(kuang)架，該框(kuang)架可以(yi)識別(bie)所有類型(xing)的(de)(de)(de)(de)(de)卡扣的(de)(de)(de)(de)(de)力輪廓特征。為(wei)了(le)進一步加速這一進程，該框(kuang)架采用了(le)人機(ji)協作的(de)(de)(de)(de)(de)方式來加速實驗過程，生成具(ju)有高可變性和(he)(he)準確(que)學習結果的(de)(de)(de)(de)(de)數據(ju)集。

     

只有(you)構建一(yi)(yi)個(ge)好的(de)(de)訓練(lian)和(he)測試(shi)集(ji)(ji)，才能建立一(yi)(yi)個(ge)好的(de)(de)分(fen)類(lei)器(qi)[2]。一(yi)(yi)個(ge)具有(you)統計獨(du)立樣本(ben)特(te)征的(de)(de)訓練(lian)集(ji)(ji)并不(bu)容易建立，特(te)別是當需要通過機器(qi)人實驗產生時。一(yi)(yi)方(fang)面，生成這(zhe)兩個(ge)程序集(ji)(ji)類(lei)示(shi)例可能無法達到使用基(ji)于數據(ju)的(de)(de)方(fang)法的(de)(de)目的(de)(de)，最終的(de)(de)樣本(ben)也不(bu)可能涵蓋所(suo)(suo)有(you)情(qing)況。另一(yi)(yi)方(fang)面，人類(lei)專家雖然擁有(you)設計和(he)交付大(da)量(liang)變化的(de)(de)實驗的(de)(de)知識(shi)，但是沒有(you)充分(fen)的(de)(de)準備時間。人類(lei)有(you)一(yi)(yi)種與生俱來的(de)(de)可變性，允許構建一(yi)(yi)個(ge)豐富的(de)(de)信息數據(ju)集(ji)(ji)，從而改善機器(qi)學習的(de)(de)效果。這(zhe)一(yi)(yi)點，加上人參與裝配(pei)過程所(suo)(suo)節(jie)省的(de)(de)大(da)量(liang)時間，都(dou)顯(xian)示(shi)了人機協作的(de)(de)優勢。上述內容包(bao)含在圖(tu)3所(suo)(suo)示(shi)的(de)(de)擬(ni)議的(de)(de)框架中，其(qi)中定義了兩個(ge)離散階(jie)段(duan)：訓練(lian)和(he)操作階(jie)段(duan)。

訓(xun)練階(jie)段的(de)(de)目的(de)(de)是生成一個能夠實時準確表(biao)征力(li)信(xin)號的(de)(de)分類器(qi)。在這一階(jie)段，裝(zhuang)配是協作完成的(de)(de)，其(qi)中(zhong)機(ji)器(qi)人(ren)拿著兩個零件中(zhong)的(de)(de)一個充當智能傳(chuan)感器(qi)，而(er)人(ren)類則(ze)作為專家(jia)進行手動裝(zhuang)配。在人(ren)機(ji)協作中(zhong)，需(xu)要一個可以估計或測(ce)量的(de)(de)力(li)，而(er)不需(xu)要機(ji)器(qi)人(ren)的(de)(de)力(li)傳(chuan)感器(qi)或外部(bu)的(de)(de)視(shi)覺系(xi)統，從而(er)降低(di)了成本和復(fu)雜性。論文展示了許多成功和失敗的(de)(de)裝(zhuang)配例子，在各種(zhong)不同的(de)(de)條(tiao)件下以不同的(de)(de)速度進行了演示。

3、特征選擇

如(ru)圖2所示(shi)，卡扣(kou)裝(zhuang)配可以(yi)概(gai)括為在(zai)時間序列上力(li)特(te)征(zheng)(zheng)(zheng)的(de)(de)(de)(de)(de)獨(du)特(te)表(biao)示(shi)。相(xiang)比之下，不(bu)成功(gong)的(de)(de)(de)(de)(de)情況可能會有(you)(you)(you)很大的(de)(de)(de)(de)(de)不(bu)同，因(yin)力(li)不(bu)足導(dao)致部件(jian)(jian)錯位產生噪聲(sheng)信(xin)號(hao)(hao)(hao)，導(dao)致力(li)上升而不(bu)出現明(ming)顯(xian)(xian)的(de)(de)(de)(de)(de)下降(jiang)(jiang)。卡扣(kou)組件(jian)(jian)的(de)(de)(de)(de)(de)力(li)信(xin)號(hao)(hao)(hao)與零件(jian)(jian)的(de)(de)(de)(de)(de)材(cai)料(liao)和鎖(suo)定(ding)機構有(you)(you)(you)關。由(you)于低頻(pin)力(li)信(xin)號(hao)(hao)(hao)在(zai)其頻(pin)譜中顯(xian)(xian)示(shi)的(de)(de)(de)(de)(de)信(xin)息(xi)很少，因(yin)此基于頻(pin)率的(de)(de)(de)(de)(de)特(te)征(zheng)(zheng)(zheng)不(bu)被考(kao)慮。首先選擇(ze)(ze)了(le)(le)24個特(te)征(zheng)(zheng)(zheng)并進行計(ji)(ji)算，以(yi)進一步評估(gu)其識(shi)別卡扣(kou)裝(zhuang)配的(de)(de)(de)(de)(de)能力(li)。統計(ji)(ji)的(de)(de)(de)(de)(de)信(xin)號(hao)(hao)(hao)特(te)征(zheng)(zheng)(zheng)包括信(xin)號(hao)(hao)(hao)能量(liang)、偏(pian)差度、方差、對數(shu)變換、峰(feng)度和Willison振幅(fu)等。為了(le)(le)避免過(guo)度擬合，降(jiang)(jiang)低分類器的(de)(de)(de)(de)(de)復(fu)雜度，降(jiang)(jiang)低對大型訓練集的(de)(de)(de)(de)(de)要求(qiu)，降(jiang)(jiang)低算法(fa)的(de)(de)(de)(de)(de)復(fu)雜度。由(you)于特(te)征(zheng)(zheng)(zheng)向量(liang)的(de)(de)(de)(de)(de)初始尺寸較(jiao)(jiao)小(xiao)，采(cai)用了(le)(le)一種窮舉(ju)搜索子集的(de)(de)(de)(de)(de)選擇(ze)(ze)方法(fa)，具有(you)(you)(you)較(jiao)(jiao)高的(de)(de)(de)(de)(de)性能（精(jing)度>0.95）[3]。對于最終(zhong)的(de)(de)(de)(de)(de)特(te)征(zheng)(zheng)(zheng)選擇(ze)(ze)，考(kao)慮了(le)(le)每個特(te)征(zheng)(zheng)(zheng)的(de)(de)(de)(de)(de)計(ji)(ji)算復(fu)雜度。 

4、實驗結(jie)果(guo)

作者進(jin)行了大量(liang)的(de)(de)(de)實(shi)驗來分析所提出(chu)的(de)(de)(de)框架，并對其在兩個階(jie)段的(de)(de)(de)效率進(jin)行了評(ping)估(gu)。首先介(jie)紹實(shi)驗裝(zhuang)置，然后介(jie)紹數據采集過程和實(shi)驗結果。將7自由度(du)的(de)(de)(de)KUKA LWR4+機械手與(yu)三指夾持(chi)器Barret BH-8連接，并使用特制夾持(chi)器進(jin)行評(ping)估(gu)。選擇了兩組(zu)不(bu)同的(de)(de)(de)部件（圖4），代表懸臂和環形(xing)卡扣組(zu)件。在不(bu)使用外力(li)傳(chuan)感(gan)器的(de)(de)(de)情況下(xia)，通過KUKA力(li)估(gu)算機制測量(liang)兩個部件之間產(chan)生的(de)(de)(de)裝(zhuang)配力(li)。

對(dui)于懸臂(bei)卡扣，插頭的外接部分(fen)安(an)裝在定制的夾鉗上（圖5）。然(ran)后母零件被固(gu)定在一個(ge)穩定的基(ji)座上，由(you)機(ji)器(qi)人(ren)進行(xing)自(zi)主裝配(pei)。針(zhen)對(dui)懸臂(bei)和環(huan)(huan)形卡扣裝配(pei)都進行(xing)了分(fen)析，以評估(gu)懸臂(bei)和環(huan)(huan)形卡扣裝配(pei)的選擇特征。首先，根據(ju)訓練(lian)階段收集到的數據(ju)集，評估(gu)所(suo)提出的特征和訓練(lian)分(fen)類器(qi)的效果。然(ran)后，應用(yong)整個(ge)框架以提高其(qi)整體效率(lv)。

收(shou)(shou)集了四(si)個(ge)不(bu)(bu)同的(de)(de)(de)數據集，其(qi)中兩(liang)個(ge)是(shi)通(tong)過人(ren)(ren)機(ji)協作(zuo)收(shou)(shou)集的(de)(de)(de)，另外兩(liang)個(ge)是(shi)在(zai)機(ji)器人(ren)(ren)自主操作(zuo)時(shi)收(shou)(shou)集的(de)(de)(de)。在(zai)每種情(qing)況下，都有一半(ban)的(de)(de)(de)程(cheng)序集成功(gong)完(wan)成裝配(pei)，另一半(ban)則未(wei)(wei)能完(wan)成裝配(pei)。由(you)于零件未(wei)(wei)對準或(huo)所(suo)需力不(bu)(bu)足，會產生兩(liang)種不(bu)(bu)同類型的(de)(de)(de)不(bu)(bu)成功(gong)卡扣裝配(pei)的(de)(de)(de)情(qing)況。最后，為了測(ce)試效果，機(ji)器人(ren)(ren)裝配(pei)是(shi)在(zai)四(si)種不(bu)(bu)同的(de)(de)(de)平(ping)均速度下完(wan)成的(de)(de)(de)。

結(jie)果表明，在訓(xun)練(lian)集(ji)(ji)相對較(jiao)小(xiao)的(de)(de)(de)(de)情(qing)況下，通過人(ren)機(ji)協(xie)作(zuo)提取的(de)(de)(de)(de)分(fen)(fen)類(lei)器(qi)能夠獲得很好的(de)(de)(de)(de)識別效果。需要(yao)注意的(de)(de)(de)(de)是，當整個訓(xun)練(lian)集(ji)(ji)用于分(fen)(fen)類(lei)器(qi)的(de)(de)(de)(de)訓(xun)練(lian)時，懸臂和環形卡扣的(de)(de)(de)(de)精度(du)分(fen)(fen)別達(da)到(dao)0.96和0.98。即(ji)使是訓(xun)練(lian)集(ji)(ji)的(de)(de)(de)(de)一小(xiao)部(bu)分(fen)(fen)，分(fen)(fen)類(lei)器(qi)的(de)(de)(de)(de)性(xing)能也非常好，在只(zhi)有N=20和N=22個樣本時，分(fen)(fen)類(lei)器(qi)的(de)(de)(de)(de)中(zhong)值達(da)到(dao)了0.9。另一個重要(yao)的(de)(de)(de)(de)觀察結(jie)果是，當訓(xun)練(lian)集(ji)(ji)規模增大時，精度(du)異常值幾乎為零，方(fang)差顯著下降(jiang)，顯示了結(jie)果統(tong)計的(de)(de)(de)(de)顯著性(xing)。

運行(xing)評估。評估了所提出的(de)框架的(de)整體效能(neng)，以(yi)實時接收組件裝配信號。結(jie)果(guo)(guo)(guo)表明，該(gai)方法具有良好(hao)的(de)識別(bie)(bie)性能(neng)，與全訓(xun)(xun)練(lian)集相似，準確度、特異性和靈敏度均衡，平均值分(fen)別(bie)(bie)為(wei)0.92、0.981和0.86。這些(xie)結(jie)果(guo)(guo)(guo)表明與整個(ge)數據集（N=60）訓(xun)(xun)練(lian)的(de)分(fen)類(lei)(lei)器性能(neng)相比，該(gai)分(fen)類(lei)(lei)器性能(neng)的(de)相對(dui)變(bian)(bian)化(hua)較小，分(fen)別(bie)(bie)為(wei)7%、0.08%和0.14%。然而(er)，結(jie)果(guo)(guo)(guo)會隨(sui)著(zhu)訓(xun)(xun)練(lian)集規模的(de)不(bu)同(tong)而(er)變(bian)(bian)化(hua)，該(gai)訓(xun)(xun)練(lian)集包含很多(duo)異常值，類(lei)(lei)似于(yu)圖6所示(shi)的(de)分(fen)類(lei)(lei)器的(de)結(jie)果(guo)(guo)(guo)。因此，為(wei)了克服此類(lei)(lei)問題，應仔細挑選訓(xun)(xun)練(lian)集，以(yi)便在成(cheng)功和失敗(bai)的(de)情況下包含所有信號變(bian)(bian)化(hua)。

轉(zhuan)換評估。這兩種分(fen)類(lei)(lei)(lei)器(qi)對(dui)成(cheng)(cheng)功(gong)的(de)卡(ka)扣裝(zhuang)配信號具有(you)很高的(de)分(fen)類(lei)(lei)(lei)精(jing)度。對(dui)不(bu)成(cheng)(cheng)功(gong)信號的(de)分(fen)類(lei)(lei)(lei)精(jing)度較(jiao)低，特征值(zhi)分(fen)別(bie)下降到0.673和(he)0.715。該分(fen)類(lei)(lei)(lei)器(qi)的(de)總體(ti)性能用平衡精(jing)度來(lai)表示(shi)(shi)，兩種情況下分(fen)別(bie)為0.836和(he)0.857。盡(jin)管(guan)分(fen)類(lei)(lei)(lei)器(qi)具有(you)相(xiang)對(dui)較(jiao)好(hao)的(de)平衡精(jing)度，但其特異度非常低，這表示(shi)(shi)不(bu)成(cheng)(cheng)功(gong)的(de)裝(zhuang)配很容易被(bei)識別(bie)為成(cheng)(cheng)功(gong)裝(zhuang)配。

不可見對(dui)(dui)(dui)象(xiang)的(de)(de)(de)(de)綜(zong)合評(ping)價。在(zai)(zai)這(zhe)一部(bu)分中(zhong)(zhong)，對(dui)(dui)(dui)所(suo)(suo)提(ti)出的(de)(de)(de)(de)方(fang)法(fa)用于概括不同(tong)對(dui)(dui)(dui)象(xiang)的(de)(de)(de)(de)整體(ti)能力(li)進(jin)(jin)(jin)行了(le)評(ping)估。環(huan)形(xing)卡(ka)扣(kou)(kou)(kou)(kou)通過人機(ji)(ji)協作(zuo)在(zai)(zai)數據集(ji)上訓練產生(sheng)的(de)(de)(de)(de)分類(lei)器，用于識別另一種環(huan)形(xing)卡(ka)扣(kou)(kou)(kou)(kou)類(lei)型(xing)的(de)(de)(de)(de)卡(ka)扣(kou)(kou)(kou)(kou)組件，在(zai)(zai)機(ji)(ji)器人自主操作(zuo)下進(jin)(jin)(jin)行裝(zhuang)配(pei)（圖7）。盡管(guan)這(zhe)兩個(ge)對(dui)(dui)(dui)象(xiang)不同(tong)，但它們有(you)(you)相似(si)的(de)(de)(de)(de)咬(yao)(yao)合機(ji)(ji)制并生(sheng)成相似(si)的(de)(de)(de)(de)力(li)配(pei)置文(wen)件。然而，不可見的(de)(de)(de)(de)物(wu)體(ti)有(you)(you)更(geng)嚴格的(de)(de)(de)(de)力(li)學(xue)機(ji)(ji)制，并且咬(yao)(yao)合發生(sheng)在(zai)(zai)較(jiao)大的(de)(de)(de)(de)力(li)振幅中(zhong)(zhong)，平均(jun)咬(yao)(yao)合值為45 N。在(zai)(zai)評(ping)估過程中(zhong)(zhong)，收集(ji)了(le)30次咬(yao)(yao)合力(li)剖面，每個(ge)部(bu)件有(you)(you)15個(ge)信(xin)號(hao)（成功和失敗）。該分類(lei)器以實時(shi)方(fang)式(shi)對(dui)(dui)(dui)信(xin)號(hao)進(jin)(jin)(jin)行處理，同(tong)時(shi)信(xin)號(hao)在(zai)(zai)訓練集(ji)的(de)(de)(de)(de)管(guan)理單元級別上擴展并在(zai)(zai)200ms時(shi)間窗口中(zhong)(zhong)采樣(yang)。結(jie)果(guo)表明，對(dui)(dui)(dui)所(suo)(suo)有(you)(you)成功的(de)(de)(de)(de)裝(zhuang)配(pei)部(bu)件和265個(ge)不成功的(de)(de)(de)(de)卡(ka)扣(kou)(kou)(kou)(kou)裝(zhuang)配(pei)部(bu)件中(zhong)(zhong)的(de)(de)(de)(de)191個(ge)部(bu)件進(jin)(jin)(jin)行了(le)正確的(de)(de)(de)(de)分類(lei)，平均(jun)精度達到0.8604（72.08%特異(yi)性）。同(tong)時(shi)對(dui)(dui)(dui)離線情況（全信(xin)號(hao)分類(lei)）也進(jin)(jin)(jin)行了(le)評(ping)估。整體(ti)準(zhun)確度為0.9， 15個(ge)裝(zhuang)配(pei)失敗信(xin)號(hao)中(zhong)(zhong)的(de)(de)(de)(de)12個(ge)（80%特異(yi)性）被(bei)識別出，所(suo)(suo)有(you)(you)成功卡(ka)扣(kou)(kou)(kou)(kou)裝(zhuang)配(pei)部(bu)件信(xin)號(hao)都被(bei)識別出來。結(jie)果(guo)表明，該方(fang)法(fa)無需(xu)重新(xin)訓練，可以很好(hao)地推(tui)廣。

該方(fang)法與通過具體模型分析方(fang)法進行(xing)了(le)進一(yi)步的(de)比較(jiao)(jiao)[4]。該框架是與另(ling)一(yi)框架在(zai)同一(yi)個(ge)數(shu)(shu)據(ju)集(ji)(ji)中(zhong)完成(cheng)的(de)。這個(ge)數(shu)(shu)據(ju)集(ji)(ji)由33個(ge)裝配電連接器的(de)力信號組成(cheng)，其中(zhong)9個(ge)屬于成(cheng)功(gong)裝配的(de)部(bu)件，而其余的(de)屬于不(bu)同類(lei)型的(de)錯誤裝配部(bu)件。為(wei)了(le)評估(gu)該框架，將不(bu)同類(lei)別的(de)不(bu)成(cheng)功(gong)的(de)數(shu)(shu)據(ju)合并在(zai)一(yi)起，將數(shu)(shu)據(ju)集(ji)(ji)拆(chai)分為(wei)一(yi)個(ge)訓練集(ji)(ji)（60%）和一(yi)個(ge)測試(shi)集(ji)(ji)（40%）。用(yong)基(ji)于模型的(de)方(fang)法得出四種不(bu)同類(lei)別的(de)精度，結果(guo)(guo)平均精度為(wei)0.945。因為(wei)原始數(shu)(shu)據(ju)集(ji)(ji)的(de)40%被(bei)用(yong)于驗證(zheng)該方(fang)法，所以無法進行(xing)絕對(dui)公平的(de)比較(jiao)(jiao)，但結果(guo)(guo)顯(xian)示效果(guo)(guo)相對(dui)較(jiao)(jiao)好(hao)。

5、結論

本(ben)文提出(chu)了一(yi)種(zhong)基(ji)于機(ji)(ji)器學習(xi)的(de)(de)(de)快速裝(zhuang)配(pei)(pei)的(de)(de)(de)框(kuang)架。該框(kuang)架在兩(liang)種(zhong)不同(tong)(tong)的(de)(de)(de)卡(ka)扣裝(zhuang)配(pei)(pei)下進行了測試(shi)，顯示出(chu)較(jiao)高的(de)(de)(de)識別(bie)精度(du)（高達(da)0.99）。通過人機(ji)(ji)協作訓(xun)練(lian)產生了良好的(de)(de)(de)學習(xi)數據(ju)集(ji)，成功和失敗案例的(de)(de)(de)可變性(xing)都很高。該特征(zheng)集(ji)對(dui)(dui)不同(tong)(tong)的(de)(de)(de)對(dui)(dui)象中進行了測試(shi)，顯示它在不同(tong)(tong)的(de)(de)(de)卡(ka)扣裝(zhuang)配(pei)(pei)類(lei)(lei)型(xing)中的(de)(de)(de)能力(li)。只(zhi)要對(dui)(dui)數據(ju)集(ji)進行仔細(xi)的(de)(de)(de)采樣(yang)，即使是很小的(de)(de)(de)N=20個樣(yang)本(ben)的(de)(de)(de)訓(xun)練(lian)集(ji)，分(fen)類(lei)(lei)器的(de)(de)(de)性(xing)能也能表現出(chu)良好的(de)(de)(de)效(xiao)果，可達(da)精度(du)>0.9。同(tong)(tong)時與(yu)基(ji)于模型(xing)的(de)(de)(de)方(fang)(fang)法(fa)(fa)進行了比較(jiao)，結(jie)果表明(ming)了該方(fang)(fang)法(fa)(fa)的(de)(de)(de)顯著優異性(xing)。該框(kuang)架未來將在更多類(lei)(lei)型(xing)的(de)(de)(de)卡(ka)扣裝(zhuang)配(pei)(pei)中進一(yi)步(bu)驗證。

參考文獻

[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/