[发明专利]基于可穿戴设备的手工装配任务绩效识别系统及方法

权利要求书

1.一种基于可穿戴设备的手工装配任务绩效识别系统，包括显示终端、可穿戴设备和计算终端，其中

所述显示终端包括交互装置，用于接受操作输入，以及反馈评估结果；

所述计算终端用于对反映操作者装配操作状态的信号数据进行过滤与统计特征提取，以及监测评估；所述监测评估的过程使用至少一种机器学习方法和网络学习模型；

所述可穿戴设备用于在进行装配操作时穿戴在操作者身上，其与所述显示终端和计算终端建立数据连接，能够采集所述信号数据，并发送给所述计算终端，以及接收所述计算终端的检测评估结果，并通过所述显示终端反馈给操作者。

2.根据权利要求1所述的一种基于可穿戴设备的手工装配任务绩效识别系统，其特征在于，所述可穿戴设备采集的所述信号数据包括所述操作者的手臂肌肉表面肌电信号。

3.根据权利要求2所述的一种基于可穿戴设备的手工装配任务绩效识别系统，其特征在于，所述信号数据还包括手臂运动加速度信号、手臂运动角速度信号、手臂转角信号。

4.一种采用根据权利要求1-3中任一项所述的手工装配任务绩效识别系统的绩效评估方法，其特征在于，包括如下步骤：

步骤S1，通过显示终端的交互装置输入操作者信息和评估算法类型，并且通过可穿戴设备采集反映操作者装配操作状态的信号数据；

步骤S2，将所述信号数据发送到计算终端；

步骤S3，对所述信号数据进行过滤与统计特征提取，以及监测评估，并且将评估结果发送给显示终端；所述监测评估的过程按照输入的评估算法类型使用至少一种机器学习方法和网络学习模型；

步骤S4，通过交互装置根据所述评估结果显示相应的绩效指标。

5.根据权利要求4所述的绩效评估方法，其特征在于，所述步骤S3中对所述信号数据进行过滤与统计特征提取的过程包括以下步骤：

步骤S3.1，按照每次装配任务的开始和结束时间将特定装配任务的信号数据提取出来；

步骤S3.2，利用第一滤波器对手臂肌肉表面肌电信号进行降噪平滑处理，利用第二滤波器对手臂运动加速度信号和手臂角速度信号进行降噪平滑处理；

步骤S3.3，利用滑动时间窗对处理后的手臂肌肉表面肌电信号进行划分，在每个时间窗内计算信号的均值与均方根，由此获得手臂肌肉表面肌电信号均值时间序列、手臂肌肉表面肌电信号均方根时间序列；

步骤S3.4，利用滑动时间窗对处理后的手臂运动加速度信号、手臂角速度信号、手臂转角信号进行划分，在每个时间窗内计算信号的均值与均方根，由此对每种信号获得两组时间序列，手臂运动加速度信号均值时间序列、手臂运动加速度信号均方根时间序列、手臂角速度信号均值时间序列、手臂角速度信号均方根时间序列、手臂转角信号均值时间序列、手臂转角信号均方根时间序列；

步骤S3.5，提取每个时间序列的描述统计量描述周期内的参数分布。

6.根据权利要求5所述的绩效评估方法，其特征在于，所述步骤S3.2中的第一滤波器是30Hz的四阶Butterworth滤波器，第二滤波器是三阶中值滤波器。

7.根据权利要求5所述的绩效评估方法，其特征在于，所述步骤S3.3中的滑动时间窗长度为0.25s，重叠长度为0.075s。

8.根据权利要求5所述的绩效评估方法，其特征在于，所述步骤S3.4中的滑动时间窗长度为0.3s，重叠长度为0.1s。

9.根据权利要求5所述的绩效评估方法，其特征在于，所述步骤S3.5中的描述统计量包括：均值、方差、中位数、众数、峰度以及偏度。

10.用于权利要求1-3任一项所述的一种基于可穿戴设备的手工装配任务绩效识别系统中的网络模型的训练方法，包括以下步骤：

步骤S01，使用步骤S1中操作者信息和可穿戴设备采集的数据构造数据集ASSEMBLY；

步骤S02，对数据集ASSEMBLY的所有数据进行部分标注形成人工判定绩效的数据集ASSEMBLY_Output；同时形成可穿戴设备采集生理信号特征的数据集ASSEMBLY_Input；

步骤S03，将数据集ASSEMBLY中的数据随机拆分，将其中70％组成训练数据集Train_Set，另外的30％组成测试数据集Test_Set；

步骤S04，使用两种机器学习方法GBDT、LDA和一种RNN深度学习的网络模型通过训练数据集Train_Set训练，得到模型GBDT_trained、LDA_trained、RNN_trained；

步骤S05，使用训练数据集Train_Set中的ASSEMBLY_Input输入和GBDT_trained、LDA_trained、RNN_trained模型进行分类后得到绩效评估数据输出集ASSEMBLY_Trained_Output；

步骤S06，使用绩效评估数据输出集ASSEMBLY_Trained_Output和训练数据集Train_Set中的ASSEMBLY_Output的误差对GBDT_trained、LDA_trained、RNN_trained进行增强，得到增强后的机器学习模型GBDT_improved、LDA_improved、RNN_improved；

步骤S07，使用测试数据集Test_Set测试所述增强后的机器学习模型GBDT_improved、LDA_improved、RNN_improved的性能，若测试结果合格则结束训练；若不合格，则调整三种网络模型的参数，重新从步骤S03执行。