基于DenseNet算法的一維桁架數字化裝配控制系統仿真及優化

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

空間桁架結構在軌構建的過程具有結構復雜、撓性大等特點，因此空間桁架在軌構建的機械機構設計及控制策略成為在軌構建研究的重點內容。本文作者結合實際航天科研項目，通過仿真技術和機器學習技術，從虛擬和物理層面構建了一維桁架在軌建造物理樣機；通過樣機的機械結構和控制系統的優化設計，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難題；利用機器學習算法分析桁架構建的素材數據，提高系統的控制精度和素材表面故障率的識別度。

1 桁架數字化裝配系統機械結構設計

一維桁架數字化裝配控制系統包括桁架素材儲存單元、素材轉運單元和桁架拓展單元。整體結構如圖1所示。

圖1 物理樣機整體結構

1.1 桁架系統拓展單元結構設計

一維桁架結構主體是由12根斜交連桿、12根正交連桿、4個方形截面組合構成的長方體。方形截面4個頂點球節設計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以保證桁架整體穩定性和精確尺寸設計。

1.2 素材儲存單元結構設計

桁架素材儲存裝置主要實現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 桁架轉運單元結構設計

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

圖3 素材轉運單元

1.4 末端執行器單元結構設計

末端執行器由接口板、電磁夾爪、撥叉機構和斜交連桿拉伸機構組成，如圖4所示。

圖4 末端執行器

電磁夾爪通過定位凸臺與桿上定位凹槽相結合實現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實現精確連接。電磁鐵吸附表面平整、功耗低、升溫低、斷電后無剩磁。

1.5 末端執行器受力分析

末端執行器在抓握正交連桿時會受到撥叉的反作用力。末端執行器上的撥叉與正交連桿的定位銷接觸后，由于末端執行器不斷在軸方向推進，導致撥叉角度和彈簧壓縮量不斷變化，所以單個撥叉受到的力也在不斷變化。末端執行器完全抓握時受力分析如圖5所示。

圖5 末端執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行器剛接觸時末端執行器接口板與正交連桿軸心距離；為定位銷圓心與末端執行器撥叉轉動中心距離；為末端執行器推進量；為彈簧壓縮量；為撥叉角度。

聯立解得：

求出彈簧壓縮量，可根據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)

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

=4×b

(5)

末端執行器總受力與推進量的函數圖像如圖6所示。

圖6 末端執行器總受力F與ly的關系

1.6 桁架工位拓展單元結構設計

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、桿件裝配機構、桁架工位拓展轉換機構組成，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 桁架數字化裝配系統控制系統設計及優化

2.1 Grafcet算法在控制系統中的應用

所提控制系統由1套三菱Q系列PLC、6套日本A5伺服系統、2臺庫卡機器人、工業相機、圖像傳感器、位置傳感器、AGV、1套數控加工中心等設備組成。根據控制要求，整個一維桁架數字化裝配控制系統時序過程如表1所示。根據表1設計Grafcet算法如圖8所示。

表1 系統時序過程

圖8 Grafcet算法

2.2 機器學習的應用

本文作者仿真大量應用來自物理傳感器的歷史數據，并對這些數據進行特征點提取和分析。

由在末端執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，再根據投影波形進行微分處理。為使邊緣達到穩定狀態，進行調整以使微分絕對值達到100%，使得在照度經常發生變化的一維桁架裝配線上也可以穩定地檢測出邊緣信息。末端執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中的訓練效果

2.3 DenseNet算法應用

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。concatenation是做通道的合并。

根據多種模型的測試，發現利用DenseNet算法，深度在20層左右的神經網絡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據集圖像約為1 400張，故障分為四類，分別為擦花、漏底、無孔、碰凹。

卷積神經網絡數學結構表達如下：

為第層神經元的輸出；為第層神經元的輸入；為從-1層mapping到層的權值矩陣；為與上面參數對應的偏移；為訓練數據的輸入；為訓練數據正確的標簽。

損失函數為

(6)

輸出為

=()=(-1*+)

(7)

把式(2)代入式(1)再求梯度

′()(-1)

(8)

′()

(9)

根據公式(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，與關鍵點檢測合理配合可達到最優檢測和控制效果。主程序部分代碼如圖12所示。

圖12 主程序部分代碼

3 結論

本文作者應用 ECLIPSE軟件，實現素材關鍵點提取、機器訓練及程序編制，并對整個一維桁架數字化裝配控制系統進行全局優化。得到如下結論:

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層左右的神經網絡模型在檢測素材表面缺陷的測試中效果最好。

機器學習的應用有效地提高了一維桁架數字化裝配控制系統的控制精度和故障識別率，可為我國宇航制造企業以及智能制造產品數字化生產線的建設提供參考。