王 博，甘淋玲，沙 川

(重慶醫(yī)科大學(xué)，重慶 400016)

1 引言

目前的產(chǎn)品生產(chǎn)出現(xiàn)了多種制造模式，在全新的工廠生產(chǎn)模式下，設(shè)備在滿足柔性制造的同時，還需要提高靈活的人機協(xié)同分工和組織調(diào)配以保證工作效率[1-2]。而為了模擬在不同分工下和組織下的人工協(xié)同工作效率，運用計算機仿真的方法，對相關(guān)數(shù)據(jù)進(jìn)行模擬仿真，實現(xiàn)組織調(diào)配。在早期的人機協(xié)同模擬中，通常采用數(shù)學(xué)模型來進(jìn)行實現(xiàn)，但實際工作中，往往會出現(xiàn)大量的動態(tài)要素，需要在協(xié)作中保證自治靈活，因此運用單純的數(shù)學(xué)模型難以實現(xiàn)表達(dá)。而后相關(guān)學(xué)者選擇使用計算機仿真技術(shù)來進(jìn)行，利用仿真軟件模擬在人機協(xié)同工作中，人機的運動模式和運動因素，以及協(xié)同工作模式。文獻(xiàn)[3]提出提出一種面向遙操作手眼協(xié)調(diào)的虛擬仿真場景交互控制。通過遙操作將指令映射到遙操作系統(tǒng)中，當(dāng)觀察角度發(fā)生變化時，控制交互裝置與遙操作對象在虛擬顯示場景中的運動協(xié)調(diào)一致。文獻(xiàn)[4]提出基于虛擬現(xiàn)實人機協(xié)作的焊接系統(tǒng)運動控制策略。遠(yuǎn)程協(xié)同焊接過程可以將空間六自由度控制器的輸入信號轉(zhuǎn)換為目標(biāo)焊槍的位置和姿態(tài)變化、速度變化或加速度變化。并設(shè)置靜態(tài)位置型、動態(tài)位置型、速度型和加速度型四種控制策略。文獻(xiàn)[5]提出復(fù)雜零件人機協(xié)同裝配系統(tǒng)，分別設(shè)計快速更換夾持器、柔性氣囊夾持器和真空吸附夾持器，結(jié)合高精度調(diào)整技術(shù)和合理的檢測技術(shù)，設(shè)計了復(fù)雜零件的高精度人機協(xié)同裝配系統(tǒng)。

但在目前對人機協(xié)同的計算機仿真中，對人機工作中的運動場景模擬不足，確定的運動參數(shù)不夠準(zhǔn)確，影響仿真結(jié)果的準(zhǔn)確性。為此提出基于MS-CNN算法的虛擬運動場景人機協(xié)同仿真。

2 基于MS-CNN算法的虛擬運動場景人機協(xié)同仿真方法設(shè)計

2.1 虛擬運動場景模型

(1)

而坐標(biāo)系內(nèi)向量方向通過方向角α，β，γ給出，并在向量上，和坐標(biāo)軸之間形成角，并使方向角為正，得出的角度計算為

(2)

可以將式(2)中的cosα、cosβ、cosγ作為坐標(biāo)系向量的方向余弦，其關(guān)系為cos2α+cos2β+cos2γ=1，而向量之間的夾角則可以通過計算向量的標(biāo)量積來得出

V1·V2=|V1||V2|cosθ，0≤θ≤π

(3)

其中，θ代表著向量夾角，而兩個向量之間的向量叉積則為

V1×V2=u|V1||V2|sinθ

(4)

在式(4)中，u代表和V1以及V2垂直的單位向量。u的方向通過右手定則來進(jìn)行確定，在本文建立的虛擬運動場景模型中，運用向量來表達(dá)運動方向特征、運動力的大小等運動數(shù)據(jù)。在本文中，在模型中建立剛體動力學(xué)關(guān)系，來體現(xiàn)運動相關(guān)數(shù)據(jù)[11]。而當(dāng)剛體的力不經(jīng)過質(zhì)心時，產(chǎn)生的力矩使剛體加速轉(zhuǎn)動。同時剛體的慣量和質(zhì)量均作為描述運動剛體關(guān)系的量值。而在運動中，剛體的轉(zhuǎn)動需要的力矩和剛體的轉(zhuǎn)動慣量有關(guān)。而轉(zhuǎn)動慣量是對剛體轉(zhuǎn)動慣性的度量，如下公式所示

(5)

在式(5)中，mi代表體內(nèi)的各質(zhì)點，ri代表轉(zhuǎn)軸距離。對機械運動來說，當(dāng)質(zhì)量分離越大時，剛體中產(chǎn)生的慣量也就越大，連續(xù)分布的剛體可以通過上式來變?yōu)橄鹿?/p>

(6)

其中M，代表剛體的外力距之和，a代表轉(zhuǎn)動的加速度。而在剛體的轉(zhuǎn)動中，定軸轉(zhuǎn)動為單一自由度，即M=Iza，通過運動場景模型中的運動參數(shù)，來作為仿真中的對運動場景的描述。

2.2 MS-CNN算法運動識別

本文在進(jìn)行運動場景特征識別中，采用MS-CNN算法來進(jìn)行學(xué)習(xí)和識別。MS-CNN算法可以通過卷積核將輸入至圖像中的特征信息進(jìn)行學(xué)習(xí)，同時為了降低數(shù)據(jù)量，采取局部連接以及權(quán)值共享，并通過對非線性激活函數(shù)，獲取到新的特征映射值[12]。并使用卷積核參數(shù)作為權(quán)重，同時假設(shè)輸入的圖像X的大小為m×n，權(quán)重W的大小為u×v，利用上述參數(shù)可以得出

(7)

Z(l)=W(l)?X(l-1)+b(l)

(8)

同時通過在公式中應(yīng)用非線性函數(shù)，并將其應(yīng)用在卷積神經(jīng)網(wǎng)中，利用式(6)進(jìn)行非線性化操作，其卷積過程如圖1所示。

圖1 卷積示意圖

為了得到更豐富的特征，采用多個卷積核進(jìn)行卷積，生成卷積和個數(shù)相同的特征圖組。并在算法的第l層第k組上進(jìn)行特征映射，如下所示

(9)

在式(7)中，S代表在算法l-1層的特征映射個數(shù)，W(l，k，s)則代表第l-1層中的第s組特征下的卷積運算權(quán)值。b(l，k)代表在第l層中第k組的卷積操作所對應(yīng)的偏置項。同時需要對獲取的運動圖像進(jìn)行池化，通過運算操作，獲取到采樣的卷積和所對應(yīng)位置下的最大值以及平均值。通過卷積特征圖上的某一位置像素點值，在卷積中上一層內(nèi)的三個連續(xù)幀位置，以及其局部感受得到像素值，并進(jìn)行池化，獲取到圖像在算法第l層內(nèi)的第k特征映射位置(x，y，Ξ)，計算如下所示

(10)

2.3 人機協(xié)同因素單元

在進(jìn)行仿真前，需要確定人機協(xié)同下相關(guān)因素。人接協(xié)同影響因素如表1所示。

表1 人機協(xié)同影響因素

在進(jìn)行仿真時，需要將上述因素進(jìn)行一定的數(shù)據(jù)化或作為潛在因素進(jìn)行預(yù)測。

2.4 人機協(xié)同仿真構(gòu)建

在確定影響因素，并建立運動場景模型后，本文通過考慮各軟件的優(yōu)缺點后，選用Flexsim、Matlab和VC集成軟件來進(jìn)行仿真的開發(fā)。通過使用C++進(jìn)行編程，并將主體作為描述類，并對其定義為函數(shù)結(jié)構(gòu)，并將上述中設(shè)計的模型和因素等作為動態(tài)鏈接庫DLL來進(jìn)行封裝，以供仿真進(jìn)行的調(diào)用，調(diào)用過程如圖2所示。

圖2 仿真調(diào)用DLL智能主體過程

在仿真中，首先將仿真運行到調(diào)用主體上，并生成人機協(xié)同動作的作業(yè)任務(wù)，而后將程序暫停，在主體上加載DLL，然后在執(zhí)行運動作業(yè)任務(wù)，并得出相關(guān)數(shù)據(jù)。而在仿真中，需要考慮到仿真隨機性的實現(xiàn)，并且模擬在人機協(xié)同過程中產(chǎn)生的不確定時間，計算其中的機器維修度分布M(t)以及可靠度分布R(t)，并使用偏度分度來進(jìn)行檢驗，兩種分布的計算如下

(11)

(12)

其中t代表潛在的不確定性系數(shù)。在確定信息后即可利用本文方法進(jìn)行仿真。

3 仿真分析

為了驗證設(shè)計的虛擬運動場景的人機協(xié)同仿真方法的使用性和可靠性。以某廠的人機協(xié)同工作車間的歷史數(shù)據(jù)以及工作時的換線過程數(shù)據(jù)導(dǎo)入至本文方法中進(jìn)行驗證。并使用文獻(xiàn)[3]、文獻(xiàn)[4]、文獻(xiàn)[5]中的仿真方法進(jìn)行對比實驗。

3.1 仿真搭載環(huán)境

為了對相關(guān)數(shù)據(jù)進(jìn)行計算并搭載仿真軟件，在本文實驗中，使用PC主機進(jìn)行仿真。使用的PC主機硬件如下：Intel i5-10400，接口為intel LGA 1200，主頻為2.9GHz。內(nèi)存選擇兩個型號為BLS8G4D240FSC型號的內(nèi)存條，單一內(nèi)存條的容量為8GB，內(nèi)存赫茲為3000MHz，傳輸類型為DDR4。顯卡選用GTX 1050 Ti 4GV1型號的顯卡，顯存容量為4GB，顯存位寬為128bit，類型為GDDR5。硬盤型號為HDWD120AZSTA，硬盤容量為2TB，接口類型為SATA，硬盤轉(zhuǎn)速為7200轉(zhuǎn)，緩存容量為64MB。主板型號為B360M MORTAR。PC機搭載 Windows 7操作系統(tǒng)，以及Flexsim、Matlab和VC軟件，同時仿真程序采用C++機器語言進(jìn)行編寫。

3.2 換線總時間仿真結(jié)果

選擇了2個月的13個訂單作為數(shù)據(jù)周期，以歷史的數(shù)據(jù)為作為訓(xùn)練數(shù)據(jù)，從而獲得到該人機協(xié)同車間中換線總時間并與歷史實際數(shù)據(jù)對比的結(jié)果如表2所示。

表2 換線總時間仿真結(jié)果

根據(jù)歷史實際記錄和四種仿真方法仿真結(jié)果對比，所提方法的結(jié)果更接近歷史實際數(shù)據(jù)，說明所提方法的換線總時間與真實值相仿，虛擬運動場景人機協(xié)同的效率較高。

3.3 訂單準(zhǔn)時率仿真結(jié)果

在對上述中數(shù)據(jù)進(jìn)行訂單準(zhǔn)時率仿真，獲得的仿真結(jié)果如歷史實際結(jié)果的對比如表3。

表3 訂單準(zhǔn)時率仿真結(jié)果

在表3數(shù)據(jù)中，所提方法的仿真數(shù)據(jù)仍然更接近實際數(shù)據(jù)，說明應(yīng)用所提方法進(jìn)行虛擬運動場景人機協(xié)同仿真，得到的訂單準(zhǔn)時率較高，人機協(xié)同仿真的準(zhǔn)確度較好。

3.4 換線技能指數(shù)

換線技能指數(shù)代表人機協(xié)作的換線過程中的工作評價指標(biāo)，該指數(shù)越接近1，代表人機協(xié)同效果越好。而對其指數(shù)的仿真結(jié)果如表4。

表4 換線技能指數(shù)仿真結(jié)果

觀察表4中的仿真結(jié)果可知，不同方法之間差異值不大，這是由于換線技能指數(shù)數(shù)據(jù)不受運動場景的影響。但四種仿真結(jié)果對實際的換線技能指數(shù)仿真結(jié)果誤差均較小，證明對換線技能指數(shù)的仿真結(jié)果的可靠性。同時結(jié)合表2和表3結(jié)果，可以證明本文設(shè)計的虛擬運動場景人機協(xié)同仿真方法的準(zhǔn)確率和效率更好，具有一定的可行性。

4 結(jié)束語

本文通過運用選用Flexsim、Matlab和VC集成軟件來進(jìn)行仿真的開發(fā)，同時在其中建立了虛擬運動場景模型，提高了人機協(xié)同仿真的準(zhǔn)確性。但在本文設(shè)計的人機協(xié)同仿真中。在當(dāng)前技術(shù)下，僅能實現(xiàn)單機下的多人仿真，容易出現(xiàn)時差性限制，以此在未來研究中，將會考慮通過其它技術(shù)來實現(xiàn)多人多機仿真，降低時差性限制帶來的誤差。