基于大数据挖掘的机械手夹持角控制方法研究

程小涛

（1.江西经济管理干部学院，南昌 330088；2.南昌大学 信息工程学院，南昌 330031）

0 引言

随着智能技术的广泛应用，很多领域的生产效率和生产质量均有了较大的提高。智能技术最为典型的具体应用就是机械手[1]。机械手具有很多的优势，如工作完成度更高，危险性更低，成本更低，但是同样也存在缺陷，例如它不能像人手那样可以受到人脑的支配，可以随时灵活地调整夹持角度。因此，机械手在夹持物体运送过程中容易出现掉落现象，影响了机械手的工作质量[2]。针对上述问题，如何进行机械手夹持角有效控制成为机械手领域升级和改造的重点。

关于机械手相关研究有很多，文献[3]提出了一种改进ILQR算法的控制柜方法，该方法通过在多个约束限制的条件下求取最优解，最后结合PD方法实现对机械臂的控制。文献[4]提出了自适应模糊反演算法的双关节机械手控制方法，该方法首先进行机械手动力学建模，然后基于自适应模糊反演算法设计一种控制器，最后利用Simulink模块进行控制模拟。文献[5]提出了基于强化学习的机械臂关节高精度控制方法。该方法首先建立机械臂模型，然后使用强化学习设计控制器，并利用高斯过程回归算法对控制器进行优化，实现机械臂关节高精度控制。

基于上述研究，提出一种基于大数据挖掘的机械手夹持角控制方法。以期提高机械手控制精度，降低夹持产品的掉落概率。

1 机械手夹持角的数据挖掘控制研究

现代在很多生产领域机械手逐渐取代了人手进行抓取、搬运物件或操作，极大提高了工作效率，但是机械手在使用过程中发现夹持角一旦偏差过大，很容易导致夹持不牢固，发生中途掉落的问题。针对上述问题，研究一种基于大数据挖掘的机械手夹持角控制方法。该方法主要分为四个部分，即机械手夹持活动域建模、机械手实际夹持角实时检测、最优夹持角计算以及机械手夹持角控制实现。下面针对这四个方面进行具体分析。

1.1 机械手夹持活动域建模

机械手夹持活动域，即机械手运动区域，进行该区域划分作用是为后期运动控制模型提供限制区域，方便控制实现。机械手夹持活动域建模表达式如下：

式(1)中，Fs代表机械手S的夹持活动域；minx，miny，minz代表机械手在x，y，z三个方向上能够活动的最小值；maxx，maxy，maxz代表机械手在x，y，z三个方向上能够活动的最大值；minσx，minσy，minσz代表机械手在目标坐标系中三个方向的最小偏转角度；maxσx，maxσy，maxσx代表机械手在目标坐标系中三个方向的最大偏转角度。

1.2 机械手实时夹持角检测

在夹持角控制中，机械手实时夹持角检测至关重要，因为这一参数是最后控制模型实现的最关键因素之一。机械手实时夹持角主要通过角位置传感器来检测，该传感器检测流程如下：

步骤1：角位置传感器选型；

步骤2：传感器采集模块采集机械手图像；

步骤3：图像预处理；

步骤4：绝对标记形心坐标计算；

1）确定图像像素的坐标和灰度值；

2）像素点筛选；

3）将筛选出来的像素点坐标及其灰度值转化为浮点数；

4）绝对标记形心拟合，求出绝对标记的形心坐标。公式如式(2)、式(3)所示:

式(2)、式(3)中，x、y代表绝对标记形心坐标；xi、yi代表像素点的第i个坐标；ai代表第i个像素点的灰度值；n代表像素点的数目。

步骤5：标记点运行轨迹中心坐标；

1）输入绝对标记形心坐标；

2）绝对标记形心坐标存储到设定的数量；

3）标记点运行轨迹拟合；

4）通过状态计数器进行坐标累加运算；

5）标记点运行轨迹中心坐标，记为(x′，y′)；

步骤6：进行如下的运算。

式(4)中，P0、P1分别代表绝对标记形心坐标与记点运行轨迹中心坐标之间的差值。

步骤7：进行浮点数除法运算。

式(5)中，Q0、Q1代表浮点数除法运算结果，取值都在[-1，1]；r代表标记点运行轨迹的半径。

步骤8：进行浮点数转定点数的运算，记为Q0′，Q1′；

步骤9：基于定点数计算机械手实时夹持角，计算公式如式(6)所示：

式(6)中，E°代表机械手实时夹持角。

经过上述分析得出机械手实时夹持角E°，为后续研究奠定基础。

1.3 基于数据挖掘的机械手最优夹持角计算

最后的夹持角控制研究，是以预期值与实际值之间的差值为输入进行控制的，因此除了上一章节得到的机械手实时夹持角外，还需要计算最优夹持角预期值。在这里采用数据挖掘方法中的回归算法构建最优夹持角计算模型，如图1所示。

图1 基于回归算法的最优夹持角计算模型

回归算法是一种自变量和因变量之间映射关系模型。在这里自变量是指影响机械手夹持角的因素，而因变量为最优夹持角，二者之间建立起回归模型如下：

式(7)中，Y为因变量（最优夹持角）；X1，X2，..，Xk为自变量（机械手夹持角影响因素）；p0，p1，p2，...pk为回归系数。

在此基础上，将学习样本输入到上述的基本回归模型中，并将其与最小二乘法相结合，得到了回归系数p0，p1，p2，...pk。接着进入回归模型的检验环节，即R2检验、F检验以及t检验。

1.4 基于数据挖掘改进PID的机械手夹持角控制实现

基于1.2节和1.3节研究得出的机械手实时夹持角检测和最优夹持角，本章节利用改进PID控制机械手夹持角。控制模型如图2所示。

图2 改进PID的机械手夹持角控制模型

PID，即比例、积分和微分。原理是通过计算预期值（最优夹持角）与实际输出值（实时夹持角）之间的偏差值的比例、积分和微分得到的控制量。比例、积分和微分的计算公式如式(8)所示：

式(8)中，P(t)代表比例运算；I(t)代表积分运算；运算代表微分运算；KP代表比例系数；r(t)代表机械手实时夹持角检测和最优夹持角之间的误差；Ki代表积分系数；Kd代表微分系数。

由此得出机械手夹持角控制模型，该模型表达式如下：

所以式(9)可以转换为如下形式。

式(12)中，y(t)代表机械手夹持角控制量；Ti代表积分时间常数；Td代表微分时间常数。

PID控制的关键是比例、积分和微分，它与PID的精确度有直接的关系。为此，在这里利用数据挖掘算法中的神经网络算法对这三个参数进行优化，优化过程如下：

步骤1：输入比例、积分和微分到BP神经网络；

步骤2：经过三层处理，得出输出量；

步骤3：判断预期输出与实际输出是否符合反向传播条件？若符合，进行反向传播，调整神经网络参数；否则输出结果；

步骤4：输出的结果即为最优比例、积分和微分参数。

经过上述分析，完成基于大数据挖掘的机械手夹持角控制方法研究。

2 实验测试

2.1 测试对象

为了验证研究的基于大数据挖掘的机械手夹持角控制方法的有效性，将如图3所示的机械手作为实验对象，验证所研究方法的精度。

2.2 机械手夹持活动域

针对图3中的机械手，结合1.1节研究，建立机械手夹持活动域，具体如下：

图3 机械手示意图

2.3 角位置传感器选型

为获取机械手实时夹持角，选择AR125S角位置传感器来实时获取，该传感器工作参数如表1所示。

表1 AR125S角位置传感器工作参数

2.4 机械手夹持角影响因素

基于灰度关联分析法选出的机械手夹持角影响因素如表2所示。

表2 机械手夹持角影响因素

基于上述表2选出的机械手夹持角影响因素采集对应的具体数值，作为学习样本，然后代入到式(7)当中，计算p0，p1，p2，...pk为回归系数，最后再代回到式(7)当中，得出机械手最优夹持角计算公式如式(14)所示：

2.5 PID参数优化结果

利用神经网络算法对PID三个参数进行优化，优化后的结果如表3所示。

表3 PID三个参数优化前后对比

2.6 机械手实时夹持角和最优夹持角

利用AR125S角位置传感器获取10s这一时间段的机械手实时夹持角以及对应的机械手最优夹持角，结果如图4所示。

图4 机械手实时夹持角和最优夹持角

从图4中可以看出，机械手实时夹持角与最优夹持角存在较大的误差，因此需要进行机械手夹持角控制。

2.7 控制方法评价指标

以均方根误差为评价指标，其计算公式如式(15)所示：

式(15)中，G代表均方根误差；yi代表最优夹持角；yi′代表方法控制后输出的机械夹持角；m代表结果数量。

2.8 方法控制效果分析

利用所研究方法对机械手夹持角进行控制，然后计算控制结果与最优夹持角之间的均方根误差。结果如图5所示。

图5 控制结果与最优夹持角之间的均方根误差

从图5中可以看出，所研究方法应用后，控制结果与最优夹持角之间的均方根误差均小于2°，说明所研究方法的精度较高，能够有效减小机械手夹持角偏差。

3 结语

本研究提出了基于大数据挖掘的机械手夹持角控制方法。该研究中主要应用了两种大数据挖掘算法，即回归方法以及神经网络算法。利用前者求取机械手最优夹持角，利用后者优化PID控制方法，提高夹持角控制精度。最后通过测试，证明了所研究控制方法的精度，控制结果与最优夹持角之间的均方根误差较小。