基于Chernoff face的機器人焊鉗性能評估

劉 鋒，高忠林，郭錦華，翟寶亮，徐 昊

（中船重工第七零七研究所，天津 300131）

0 引 言

眾所周知，機器人焊鉗設備性能評估是一個多因素的復雜過程，設備性能可由設備參數(shù)及運行狀態(tài)檢測，為了更好地評估設備性能，首先應該盡可能多的檢測那些與機器人焊鉗性能有關的參數(shù)，其次是找到這些參數(shù)與焊鉗性能的關系，即提取對象特征信息。多參數(shù)特征信息需要運用信息融合方法對多傳感器數(shù)據(jù)進行高精度融合[1]，最終獲得設備性能的有效描述。

目前多傳感器數(shù)據(jù)融合算法在實際應用中已經(jīng)日漸成熟，璩晶磊等[2]運用模糊證據(jù)理論進行多傳感器數(shù)據(jù)融合，提高了多傳感器實時測量值的融合精度；俞昆等[3]利用DS證據(jù)理論實現(xiàn)了不同傳感器故障信息的有效融合，極大提高了滾動軸承故障診斷的可信度；任子強等[4]建立了多傳感器數(shù)據(jù)的符合健康指標，利用數(shù)據(jù)融合算法提高了發(fā)動機剩余壽命在線預測的準確性；周衛(wèi)琪等[5]建立了一種自適應無跡卡爾曼濾波的信息融合算法，利用加速度和轉向盤轉角等傳感器信號準確的估計出了汽車的行駛狀態(tài)；任子強等[6]構建了復合健康指標與非線性退化模型，結合設備歷史數(shù)據(jù)運用多源數(shù)據(jù)融合算法實現(xiàn)了設備的剩余壽命在線預測；王寬等[7]運用3種不同類型的分類模型處理多個特征指標進行故障預診斷，采用D-S理論對預診斷結果進行加權融合決策，提高了故障診斷的準確性。

本文將多傳感器數(shù)據(jù)融合算法應用到機器人焊鉗性能評估過程中，運用Chernoff face臉譜法作為數(shù)據(jù)融合算法，并基于最小風險的貝葉斯決策設計分類器進行分類性能驗證。

1 機器人焊鉗設備性能評估指標體系的建立

機器人焊鉗設備的性能是由多方面決定的，性能參數(shù)的完整性和合理性決定了最終的評估結果，這就要求在評估機器人焊鉗設備的性能時，必須對多個性能參數(shù)進行全面評估。本文利用機器人焊鉗設備運行過程中提取的保護電阻、恒流線圈電阻、焊接壓力、焊接電流、密閉性等9個參數(shù)建立性能評估指標體系。

1.1 多傳感器檢測模塊

采用高精度、高穩(wěn)定性的AT516直流電阻測試儀進行變壓器處恒流線圈電阻檢測，其測量范圍為1 μΩ～20 MΩ，基本準確度為0.05%，測試速度最高140次/s，同時用于變壓器接地測試、保護電路測試和次級電阻測試，使用AT688測試儀進行變壓器絕緣耐壓測試，六量程測試范圍可達100 kΩ～10 TΩ，本文測試值為15 MΩ以上，量程內準確度為1%，計算機遠程控制指令兼容SCPI（可程控儀器標準命令集），通過RS232C接口，實現(xiàn)遠程控制和數(shù)據(jù)采集與分析，使用壓力傳感器MA-522測試電極壓力，測定準確度為全量程的±3%，使用MB-400M感應線圈測試焊接電流，測定準確度為全量程的±1%，測得的模擬量數(shù)據(jù)通過RS-485寫入PLC中，電參數(shù)檢測過程如圖1所示。

圖1 電參數(shù)檢測過程

焊接過程中冷卻水由水氣單元中的冷水機提供，在水氣單元進回水路上總共包括4個測量準確度0.5%的SV4200水流量計和2個測量準確度0.1%的PN7594水壓力計，分別進行進回水壓值、進回水總流量值、固定臂流量、活動臂流量、變壓器流量及各路水溫的測量。采用西門子S7-1516PLC作為控制器，調節(jié)閥門開度、變頻器頻率分別控制水路流量和壓力[8]，PLC通過IOLink對整個裝置中流量計和壓力計的數(shù)據(jù)進行采集處理，水流量壓力檢測流程如圖2所示。

圖2 水流量壓力檢測流程

為避免傳感器誤差對測試結果的影響，對特征數(shù)據(jù)進行了歸一化預處理，利用多傳感器信息融合算法提高了評估系統(tǒng)的可靠性[9]。

1.2 Chernoff face臉譜法

圖3 Chernoff face屬性

表1 面部特征描述

1）臉部輪廓

如圖3所示，臉部輪廓由上下橢圓組成，這兩個橢圓分別代表前額和下頜，它們相交于A和A′兩點，A與原點O之間的距離由屬性Fr和Fα確定。

因此，

根據(jù)解析幾何的知識，上橢圓的軌跡方程可表示為：

其中au表示上橢圓的水平半軸，同理，下橢圓的軌跡方程為：

其中ad是下橢圓的水平半軸，如果垂直軸和水平軸的長度比定義為：

可以據(jù)此推導上下橢圓的軌跡方程為：

其中，

2）眼睛和瞳孔

面部的兩只眼睛也被描繪成兩個橢圓，一些重要的屬性定義如下：

人們經(jīng)常通過眼睛的運動來表達自己的情感，因此，橢圓的旋轉特性受到格外關注，橢圓的旋轉方程可寫為：

其中，

視線是面部信息的重要組成部分，本文中瞳孔的位置由屬性Ph和Ps決定，瞳孔的高度Ph等于Eh，瞳孔的方向由Ps決定：

3）眉毛和鼻子

眉毛和鼻子簡單的畫成線條，眉毛的一些屬性如下：

眉毛的線性方程為：

鼻子的長度由下式?jīng)Q定：

4）嘴巴

嘴巴在表達情感方面起著重要的作用，本文用圓弧表示，其長度由圓心角和圓半徑確定，嘴巴的圓弧方程為：

其中Mc是圓心縱坐標Mr和Mα分別是圓的半徑和圓心角：

1.3 相關分析和特征選擇

信號特征提取已經(jīng)在前文中完成了，得到的這些特征包括保護電阻（D1）、絕緣耐壓電阻（D2）、恒流線圈電阻（D3）、二次回路電阻（D4）、焊接壓力（D5）、水流量（D6）、密閉保壓比（D7）、焊接電流（D8）和大開尺寸（D9）。這9個信號特征包含了機器人焊鉗性能相關的絕大多數(shù)重要指標，能夠全面反映機器人焊鉗狀態(tài)性能，如果將提取的一些特征視為面部變量，則可以繪制Chernoff face圖像[11]。對機器人焊鉗設備的性能來說，每一項指標的重要性是不同的，因此給每一項指標科學地賦予權重，是綜合評估的先決條件[12]。特征選擇是繪制切諾夫面的一個重要過程。特征選擇一般有兩種方法：一種是相關分析，另一種是主成分分析。本研究進行了相關分析，克服了多特征非線性、強耦合的缺點，降低了因各特征量之間的耦合作用而產(chǎn)生的檢測誤差，因此能夠較好地識別機器人焊鉗的狀態(tài)。提取的特征與焊鉗性能的相關系數(shù)如表2所示，只有特征D9與焊鉗性能相關性較低。將相關系數(shù)較高的9個特征作為面部變量，繪制Chernoff face圖像，替代結果如表2所示。如前所述，繪制Chernoff face需要17個面部變量，因此，未被所選特征替代的面部變量初始化默認值為0.5。通過將所有的面變量歸一化到0.05～0.9之間，即可繪制出對應的Chernoff face圖像。

表2 相關分析和特征選擇

1.4 性能評估分級

保護電阻是機器人焊鉗重要屬性，對應瞳孔位置，瞳孔位置能夠明顯表達人物情緒，保護電阻值過大或過小，瞳孔位置就會距離過近或過遠，類似的絕緣電阻、恒流線圈電阻和焊接電流會影響眉毛偏移的角度、眉毛長度和眉毛高度，二次回路電阻和密閉保壓比會影響嘴角弧度和嘴角半徑，焊接壓力、水流量和大開尺寸會影響眼睛角度、位置和寬度。面部表情相應的就會表現(xiàn)出難過或糟糕或高興或冷靜的情緒，滿足對機器人焊鉗設備性能的綜合評估客觀且實用的要求。將最理想的機器人焊鉗設備性能指標定為標準樣本，級別評價集可分為優(yōu)、良、合格、較差、很差5個等級，分別對應Chernoff face圖像的5種經(jīng)典表情，如圖4所示。

圖4 不同性能等級的Chernoff face

2 機器人焊鉗特征提取

為了使計算機能夠準確地識別人臉表情，設計了一種原始的模式特征提取方法。首先根據(jù)提取的機器人焊鉗特征繪制Chernoff face圖像，如圖5（a）所示。然后提取圖像邊界，進行網(wǎng)格劃分，將整個圖像分割成50×40個小正方形區(qū)域，如圖5（b）所示，然后將Chernoff face輪廓所交叉的正方形區(qū)域涂成黑色，從而將Chernoff face圖像轉換為二值圖像（圖5（c））。如果用數(shù)據(jù)“0”代替黑色正方形區(qū)域，用數(shù)據(jù)“1”代替白色正方形區(qū)域，將得到一個二進制矩陣。該二值矩陣命名為模式特征矩陣，保留原Chernoff face圖像的主要表情信息。

圖5 模式特征獲取

3 貝葉斯決策分類

貝葉斯決策的本質是基于判別結果的錯誤率或風險值的分類識別技術，假設樣本總量為N，類別數(shù)為M，類別ωi,i=1,2,···,M中含有Ni個樣本，此時抽中ωi類的概率P（ωi）為：

一般來說，條件概率密度函數(shù)P（X|ωi）可用正態(tài)密度函數(shù)來近似，即：

式中：X——樣本特征向量；

X（ωi）——ωi類的均值向量；

Si——n維協(xié)方差矩陣，定義為：

其中Si為ωi類中第j個樣本特征向量。基于式（32）可以計算出樣本屬于每個類別的概率為：

圖像的分類識別中，錯誤是不可避免的，貝葉斯決策分類原理主要有最小錯誤率決策和最小風險值決策，為了適用機器人焊鉗的性能評估，本文選用基于最小風險值的貝葉斯決策。

假設待測樣本特征向量為X，其實際類別為ωi，樣本屬于該類的概率為P（ωi|X），若決策αi的條件風險R（αi|X）為：

可以得出最小風險貝葉斯決策規(guī)則為：

4 機器人焊鉗性能評估分析

本文針對機器人手工一體化焊鉗設備，在線實時監(jiān)測設備運行狀態(tài)，采集設備正常運行階段的性能指標，從不同維度的設備性能特征綜合評估其性能等級，與以往單參數(shù)指標判定方式相比，多指標綜合評估減少了設備狀態(tài)評估的不確定性和復雜性[12]，保證了評估的完整性和正確性，對機器人焊鉗設備的整體評估提供了有效實踐。

采用交叉檢驗方法測試機器人焊鉗性能分類器的有效性，過程如下：首先每個性能等級選取3種典型特征模式矩陣作為樣本訓練，即將15個模式特征矩陣作為穩(wěn)定狀態(tài)存儲，圖6為各等級代表性模式特征矩陣。通過待檢樣本的特征值得到Chernoff face圖像進而得到模式特征矩陣，并運用最小風險貝葉斯分類決策進行樣本分類，最終完成機器人焊鉗性能評估。

圖6 各等級代表性模式特征矩陣

為了檢驗Chernoff face圖像法的性能，選取了100個不同性能等級的機器人焊鉗樣本進行分類性能測試，其中各項指標都接近標準的樣本28份；保護電阻、絕緣電阻、恒流線圈電阻、焊接電流稍小，二次回路電阻、密閉保壓比、焊接壓力、水流量、大開尺寸稍大的樣本6份；保護電阻、絕緣電阻、密閉保壓比、焊接壓力稍小，恒流線圈電阻、焊接電流、二次回路電阻、水流量、大開尺寸稍大樣本4份；絕緣電阻、焊接電流、二次回路電阻、密閉保壓比、焊接壓力、大開尺寸較小，保護電阻、恒流線圈電阻、水流量較大樣本11份；絕緣電阻、焊接電流、焊接壓力、水流量、大開尺寸較小，保護電阻、二次回路電阻、恒流線圈電阻、密閉保壓比較大樣本8份；保護電阻、絕緣電阻、焊接電流偏小，二次回路電阻、密閉保壓比、焊接壓力、大開尺寸、恒流線圈電阻、水流量偏大樣本21份；絕緣電阻、二次回路電阻、密閉保壓比、焊接壓力、大開尺寸偏小，保護電阻、恒流線圈電阻、焊接電流、水流量偏大樣本14份；絕緣電阻、二次回路電阻、密閉保壓比、焊接壓力過小，保護電阻、恒流線圈電阻、焊接電流、水流量、大開尺寸過大樣本5份；保護電阻、絕緣電阻、焊接電流、焊接壓力、大開尺寸過小，恒流線圈電阻、二次回路電阻、密閉保壓比、水流量過大樣本3份；分類結果如圖7所示，分級性能測試結果能夠反映機器人焊鉗整體性能狀態(tài)，所有性能指標均合格整體性能才會合格，根據(jù)性能等級可直觀反映出測試設備的性能狀態(tài)，提升性能評估效率。從試驗結果來看，所有試驗樣品均可正確分類，并且從不同性能等級的樣品生成Chernoff face圖像表情中可以得到該樣品的不合格屬性，廠家可以針對性的進行設備檢修，提升維修效率?？傊珻hernoff face可以很好地幫助我們判斷機器人焊鉗性能。

圖7 分級性能測試結果

5 結束語

本文提出了一種新穎有趣的焊鉗性能評估方法，對機器人焊鉗特征信號進行測量和分析，將提取的特征作為面元，繪制Chernoff face圖像。通過Chernoff face面部表情，可以快速、準確、形象的了解機器人焊鉗性能狀態(tài)。利用貝葉斯決策對應于不同面部表情和不同設備性能水平的模式特征矩陣，設計了設備性能分類器。最后，對所研制的分類器的分類性能進行了測試和討論。

該方法能對機器人焊鉗設備性能參數(shù)進行合理的量化處理，較好的解決了機器人焊鉗設備性能評估問題，通過計算實例驗證了方法的正確性和實用性；與復雜的特征與質量指標之間的相關性揭示算法相比，Chernoff face方法更快、更簡單、更高效；Chernoff face面部表情可以通過不同的面部表情反映設備性能水平，特別是其視覺特性使性能評估程序易于理解和解釋。