白巖,,王月

(1.北華大學機械工程學院，吉林吉林 132021；2.公州大學電氣電子控制工程學部，韓國天安 03187)

0 前言

空間桁架結(jié)構(gòu)在軌構(gòu)建的過程具有結(jié)構(gòu)復雜、撓性大等特點，因此空間桁架在軌構(gòu)建的機械機構(gòu)設(shè)計及控制策略成為在軌構(gòu)建研究的重點內(nèi)容。本文作者結(jié)合實際航天科研項目，通過仿真技術(shù)和機器學習技術(shù)，從虛擬和物理層面構(gòu)建了一維桁架在軌建造物理樣機；通過樣機的機械結(jié)構(gòu)和控制系統(tǒng)的優(yōu)化設(shè)計，成功地解決了一維桁架在軌建造精確定位難及桁架工位拓展控制精度低的技術(shù)難題；利用機器學習算法分析桁架構(gòu)建的素材數(shù)據(jù)，提高系統(tǒng)的控制精度和素材表面故障率的識別度。

1 桁架數(shù)字化裝配系統(tǒng)機械結(jié)構(gòu)設(shè)計

一維桁架數(shù)字化裝配控制系統(tǒng)包括桁架素材儲存單元、素材轉(zhuǎn)運單元和桁架拓展單元。整體結(jié)構(gòu)如圖1所示。

圖1 物理樣機整體結(jié)構(gòu)

1.1 桁架系統(tǒng)拓展單元結(jié)構(gòu)設(shè)計

一維桁架結(jié)構(gòu)主體是由12根斜交連桿、12根正交連桿、4個方形截面組合構(gòu)成的長方體。方形截面4個頂點球節(jié)設(shè)計9個定位孔，正交連桿與斜交連桿兩端部分與卡榫頭采用螺紋連接，卡榫頭插入定位孔內(nèi)以保證桁架整體穩(wěn)定性和精確尺寸設(shè)計。

1.2 素材儲存單元結(jié)構(gòu)設(shè)計

桁架素材儲存裝置主要實現(xiàn)對素材桿的推進及固定作用，如圖2所示。

圖2 素材儲存單元

1.3 桁架轉(zhuǎn)運單元結(jié)構(gòu)設(shè)計

素材轉(zhuǎn)運單元主要由機械臂和末端執(zhí)行器兩部分組成，如圖3所示。素材轉(zhuǎn)運單元具有抓取正交連桿和斜交連桿，轉(zhuǎn)運和部分一維桁架裝配的功能。

圖3 素材轉(zhuǎn)運單元

1.4 末端執(zhí)行器單元結(jié)構(gòu)設(shè)計

末端執(zhí)行器由接口板、電磁夾爪、撥叉機構(gòu)和斜交連桿拉伸機構(gòu)組成，如圖4所示。

圖4 末端執(zhí)行器

電磁夾爪通過定位凸臺與桿上定位凹槽相結(jié)合實現(xiàn)夾爪電磁鐵吸附點與桿上電磁鐵吸附點精確對位吸合，抓取正交連桿和斜交連桿。高強度的定位凸臺可拉伸斜交連桿使桿兩端卡榫頭與定位球節(jié)實現(xiàn)精確連接。電磁鐵吸附表面平整、功耗低、升溫低、斷電后無剩磁。

1.5 末端執(zhí)行器受力分析

末端執(zhí)行器在抓握正交連桿時會受到撥叉的反作用力。末端執(zhí)行器上的撥叉與正交連桿的定位銷接觸后，由于末端執(zhí)行器不斷在軸方向推進，導致?lián)懿娼嵌群蛷椈蓧嚎s量不斷變化，所以單個撥叉受到的力也在不斷變化。末端執(zhí)行器完全抓握時受力分析如圖5所示。

圖5 末端執(zhí)行器完全抓握受力分析

(1)

(2)

式中：為彈簧彈力；為彈簧彈力和摩擦力的合力；為撥叉長度；為正交連桿與末端執(zhí)行器剛接觸時末端執(zhí)行器接口板與正交連桿軸心距離；為定位銷圓心與末端執(zhí)行器撥叉轉(zhuǎn)動中心距離；為末端執(zhí)行器推進量；為彈簧壓縮量；為撥叉角度。

聯(lián)立解得：

求出彈簧壓縮量，可根據(jù)胡克定律列出彈簧彈力公式(3)：

=×

(3)

所以，單個撥叉在方向的受力b為

b=×sin

(4)

在末端執(zhí)行器抓握正交連桿時，共有4個撥叉與正交連桿接觸，根據(jù)牛頓第二定律可以列出末端執(zhí)行器受力平衡方程：

=4×b

(5)

末端執(zhí)行器總受力與推進量的函數(shù)圖像如圖6所示。

圖6 末端執(zhí)行器總受力F與ly的關(guān)系

1.6 桁架工位拓展單元結(jié)構(gòu)設(shè)計

一維桁架在軌建造桁架拓展單元針對多個方形單元體的在軌精確組合對接，主要由方形截面裝配機構(gòu)、桿件裝配機構(gòu)、桁架工位拓展轉(zhuǎn)換機構(gòu)組成，用于多個方形桁架單元體的精確對接、組合拓展。整體裝置如圖7所示。

圖7 桁架拓展單元整體

2 桁架數(shù)字化裝配系統(tǒng)控制系統(tǒng)設(shè)計及優(yōu)化

2.1 Grafcet算法在控制系統(tǒng)中的應(yīng)用

所提控制系統(tǒng)由1套三菱Q系列PLC、6套日本A5伺服系統(tǒng)、2臺庫卡機器人、工業(yè)相機、圖像傳感器、位置傳感器、AGV、1套數(shù)控加工中心等設(shè)備組成。根據(jù)控制要求，整個一維桁架數(shù)字化裝配控制系統(tǒng)時序過程如表1所示。根據(jù)表1設(shè)計Grafcet算法如圖8所示。

表1 系統(tǒng)時序過程

圖8 Grafcet算法

2.2 機器學習的應(yīng)用

本文作者仿真大量應(yīng)用來自物理傳感器的歷史數(shù)據(jù)，并對這些數(shù)據(jù)進行特征點提取和分析。

由在末端執(zhí)行器上安裝的圖像傳感器進行邊緣檢測，獲取測算位置、寬度、長度、角度、孔距等信息。通過圖像內(nèi)明亮部位與陰暗部分的邊緣計算各投影線的平均濃度，再根據(jù)投影波形進行微分處理。為使邊緣達到穩(wěn)定狀態(tài)，進行調(diào)整以使微分絕對值達到100%，使得在照度經(jīng)常發(fā)生變化的一維桁架裝配線上也可以穩(wěn)定地檢測出邊緣信息。末端執(zhí)行器抓取連桿過程的解耦性實驗驗證過程如圖9所示。檢測過程如圖10所示。采用ECLIPSE軟件對關(guān)鍵點和信息進行特征提取，對素材信息進行機器訓練，提取效果如圖11所示。

圖9 末端執(zhí)行器抓取連桿過程的解耦性實驗驗證

圖10 素材邊緣點信息提取

圖11 機器學習在桁架系統(tǒng)中的訓練效果

2.3 DenseNet算法應(yīng)用

DenseNet核心思想是建立不同層之間的連接，充分利用feature，減輕梯度消失問題，加強feature的傳遞，如[,,…,-1]表示將0到-1層的卷積層的輸出做級聯(lián)。concatenation是做通道的合并。

根據(jù)多種模型的測試，發(fā)現(xiàn)利用DenseNet算法，深度在20層左右的神經(jīng)網(wǎng)絡(luò)模型在檢測素材表面缺陷的測試中效果最好。

文中項目所制作的數(shù)據(jù)集圖像約為1 400張，故障分為四類，分別為擦花、漏底、無孔、碰凹。

卷積神經(jīng)網(wǎng)絡(luò)數(shù)學結(jié)構(gòu)表達如下：

為第層神經(jīng)元的輸出；為第層神經(jīng)元的輸入；為從-1層mapping到層的權(quán)值矩陣；為與上面參數(shù)對應(yīng)的偏移；為訓練數(shù)據(jù)的輸入；為訓練數(shù)據(jù)正確的標簽。

損失函數(shù)為

(6)

輸出為

=()=(-1*+)

(7)

把式(2)代入式(1)再求梯度

′()(-1)

(8)

′()

(9)

根據(jù)公式(3)和公式(4)的特征提取公共部分并簡寫得到公式(10)和公式(11)。

(10)

(11)

(12)

根據(jù)公式(12)即可求卷積層梯度。

最后一步求池化層梯度，如公式(13)所示：

(13)

根據(jù)公式編寫代碼，進行訓練和分析，可有效識別4種故障特征，與關(guān)鍵點檢測合理配合可達到最優(yōu)檢測和控制效果。主程序部分代碼如圖12所示。

圖12 主程序部分代碼

3 結(jié)論

本文作者應(yīng)用 ECLIPSE軟件，實現(xiàn)素材關(guān)鍵點提取、機器訓練及程序編制，并對整個一維桁架數(shù)字化裝配控制系統(tǒng)進行全局優(yōu)化。得到如下結(jié)論:

利用DenseNet算法可以很好地識別檢測素材的表面故障，深度在20層左右的神經(jīng)網(wǎng)絡(luò)模型在檢測素材表面缺陷的測試中效果最好。

機器學習的應(yīng)用有效地提高了一維桁架數(shù)字化裝配控制系統(tǒng)的控制精度和故障識別率，可為我國宇航制造企業(yè)以及智能制造產(chǎn)品數(shù)字化生產(chǎn)線的建設(shè)提供參考。