[发明专利]一种基于GWA-SVM的机器人装配的接触状态识别方法

摘要

一种基于GWA‑SVM的机器人装配的接触状态识别方法，包括以下步骤：步骤1：使用工业机器人装配零件，采集装配过程中的力数据；步骤2：设定初始参数；步骤3：将数据集进行标准化处理；步骤4：利用混沌逻辑映射策略初始化SVM参数的种群；步骤5：利用改进的反向学习策略优化SVM参数的种群；步骤6：使用GWA算子更新种群；步骤7：计算种群个体的适应度，并更新最优个体；步骤8：若当前迭代达到最大允许迭代次数，则执行步骤9；否则，t＝t+1并返回步骤6；步骤9：结束SVM参数优化过程，将最优SVM参数C和γ和训练数据集代入SVM，建立基于GWA‑SVM的接触状态识别模型；步骤10：利用接触状态模型去识别测试数据集，绘制分类结果图。本发明分类精度较高。

主权项

1.一种基于GWA‑SVM的机器人装配的接触状态识别方法，其特征在于，所述方法包括以下步骤：步骤1：使用工业机器人装配零件，采集多组装配过程中的力数据，建立训练数据集{X₁,L₁}与测试数据集{X₂,L₂}，其中X₁,X₂为装配过程中采集的六维力数据X＝(f_x,f_y,f_z,m_x,m_y,m_z)，f_x,f_y,f_z分别为沿x,y,z轴方向的力数据，m_x,m_y,m_z分别为绕x,y,z轴的力矩数据，L₁,L₂为分别与X₁,X₂对应的接触状态，即数据所属的类别，训练数据X₁共分为Y类；步骤2：设定初始参数，包括种群大小M，SVM的惩罚参数C的搜索范围[C_min,C_max]，SVM的核参数γ的搜索范围[γ_min,γ_max]，当前迭代次数t＝0，种群优化最大允许迭代次数t_m；步骤3：将训练数据集{X₁,L₁}与测试数据集{X₂,L₂}进行标准化处理：式中，x_i,j代表六维力数据集X的第i个样本的第j个特征，代表六维力数据集X的第j个特征的最小值，代表六维力数据集X的第j个特征的最大值，x’_i,j代表标准化后的六维力数据集X的第i个样本的第j个特征，将X₁,X₂的所有样本的特征都按公式(1)进行处理；步骤4：利用混沌逻辑映射策略生成初始的SVM参数的种群，设向量S_k＝(p_k,1,p_k,2)是初始的SVM参数的种群中的第k个体，其中p_k,1和p_k,2分别是对应于SVM的惩罚参数C和核参数γ的一个候选解，混沌逻辑映射策略生成的初始种群描述为：式中，r_1,h是介于0到1之间的随机数且h＝1,2，当h＝1时，和分别为C_min和C_max；当h＝2时，和分别为γ_min和γ_max；步骤5：利用改进的反向学习策略优化初始的SVM参数的种群：式中，P_k,h是对应于混沌逻辑映射策略生成的个体特征p_k,h的反向特征，P_k是对应于种群个体p_k的反向个体，其中适应度函数V(p)分别以种群个体和标准化后的训练数据集为函数变量和输入常量，函数值为根据K折交叉验证得到的SVM的分类误差；根据个体的适应度函数值，如果反向个体P_k比原始个体p_k好，则初始种群中的原始个体被反向个体所取代；否则，保留原始个体；步骤6：使用GWA算子更新SVM参数的种群，设定r为[0,1]范围内的一个随机向量，S(t)是当代种群，S_r(t)是当代种群中的一个随机个体，S_m(t)是当代最优个体，且初始种群S(0)＝{S₁,S₂,…,S_M}，GWA算子的变量设置如下：A＝(2‑2t/t_m).r                (6)W_r(t)＝A.|S(t)‑S_r(t)|             (7)W_m(t)＝1.5A.|S_m(t)‑S(t)|                  (8)根据公式(9)来更新种群：式中，h是介于[‑1,1]之间的随机数，q是介于[0,1]之间的随机数，Q是介于[0,2]之间的随机向量；步骤7：计算种群个体的适应度函数值，更新最优个体的位置向量；步骤8：若当前迭代达到最大允许迭代次数，则执行步骤9；否则，t＝t+1并返回步骤6；步骤9：结束SVM参数优化过程，输出最优参数C和γ，将最优SVM参数和标准化后的训练数据集代入SVM里面，建立基于GWA‑SVM的接触状态识别模型；步骤10：利用建立好的接触状态模型去识别标准化后的测试数据集，将预测类别L_p和实际类别L₂对比，绘制分类结果图。