基于遗传算法的机器人焊接训练辅助系统研究

李盼盼，赵 浩

（福建农林大学金山学院，福建福州 350002）

全自动焊接机器人在工业中应用广泛[1-3]，但在一些特殊焊接环境中人工焊接仍然不可或缺，但是具有丰富经验、可以熟练焊接的焊工越来越缺乏，雇佣成本也越来越高，所以开发一套快速有效的方法来训练和辅助不熟练的焊工迫在眉睫[4-5]。焊接时，焊枪不受控制的振动和不适当的运动行为对熟练工人和非熟练工人是有差异的，通过焊枪位置和速度等参数比较，确定一些阈值来判定焊工的熟练程度，从而控制辅助焊接机器人协助不熟练的工人实现焊接操作。

1 实验装置设置和数据收集

实验装置主要包括标记系统和红外照相机系统。在焊接工人身上和焊枪上进行标记，通过红外照相机系统捕捉工人手臂和身体以及焊枪的运动。将采集到的数据进行分析，确定如何区分熟练和非熟练焊工的焊接行为。

1.1 标记设置

应用红外照相机系统记录焊接期间焊枪的运动。红外线相机发射红外光，并检测标记的反射。数据采集使用了11 个标记，在焊接工人身上有8个，在焊枪上有3个，见图1。试验中，对焊接工人的手臂和身体运动未反映出显著的熟练工人和非熟练工人之间的区别，因此主要分析在焊枪上的三个标记数据。

图1 标记对焊机和焊枪的身体位置

1.2 相机设置

相机记录数据的频率是250 Hz，共使用了6 台相机，像素分辨率是1280×1024。自动校准之后，计算机系统就会得到参考坐标系的框架和相机的相对位置与取向。计算机系统利用每个相机图像中的标记物来计算其在三维坐标中的位置。相机对红外光十分敏感，而焊接期间焊枪尖端也会发射出红外光，所以相机摄像范围要避开焊枪尖端位置，可用一个矩形框隔开,见图2。

图2 摄像系统和焊接环境

1.3 数据收集

钨极惰性气体保护焊需要熟练的焊接技能，十分适合用于识别工人焊接熟练程度的研究。没有焊接经验的人使用钨极惰性气体保护焊不会发生金属颗粒的飞溅，产生的气体和烟量少，并且可以在没有外部供给金属情况下焊接，便于照相观察。

实验采用的焊接材料是两块坯料钢ST-37，尺寸为300 mm×50 mm×4 mm。两块焊件被焊接在一起，沿纵向尺寸没有间隙，没有填充材料。系统坐标系的轴线与焊件的边缘对齐，见图3。实验有两组样本数据，分别通过4个熟练焊工和14个非熟练焊工采集分析，他们的焊接任务，见表1。熟练的焊工拥有焊接证书并且每周都会进行焊接；不熟练的焊工是由一些学生和工作人员组成，这些人员从未进行过实际焊接工作或者是仅仅接受过简单的课程培训。由于熟练焊工数量少于不熟练焊工，所以在实验过程中熟练焊工进行多次焊接。最终收集到了15个熟练焊工焊接行为样本和14个非熟练焊工焊接行为样本。计算机三维运动捕捉系统收集到的数据导出到Matlab中，并通过相应的工具箱进行分析。

图3 焊管的尺寸和轴坐标测量框架

表1 熟练和非熟练焊工和样本数目

2 数据处理

因为有四个因素干扰其时域的连续性，所以从三维运动捕捉系统获得的原始数据（见图4）需要进行预处理后才能进行分析。这些因素包括：（1）所有标记被遮挡；（2）从焊枪发出的红外光的影响；（3）部分标记被遮挡；（4）噪点影响。前两个因素会导致采集到一些没有意义的位置数据。所有标记被遮挡是由于标记的一侧被人体遮挡另一侧被矩形箱遮挡，导致没有足够的相机采集到标记信息来确定位置。红外光的影响来自焊枪，尽管在焊枪处放置了矩形箱，但难免还会存在高密度的红外光线，有时会影响到一些标记的检测。部分标记被遮挡时，相机得到的位置信息就会变少，这时处理得到的结果就会不准确。此外，测量噪点会在采集信息中产生轻微的峰值。

图4 遮挡和噪点对样本数据的影响

为了消除这些干扰的影响，对得到的位置数据进行如下处理：（1）时间段缺失的部分（因素1 和2影响）之间通过插值（Matlab 的interp1 功能）进行连接；（2）偏移的时间段（3影响）通过剪切和粘贴到数据轨迹合适的位置，这个处理的阀值设为标记的运动速度100 mm/s；（3）一些大峰值（因素3影响）和一些小峰值（因素4 影响）采用阈值和插值进行消除；（4）小峰值（因素4影响）通过对频率大于10 Hz的信号进行滤波消除（因为人类手臂的运动是0～10 Hz）。

3 分析

对收集的数据进行分析是为了确定熟练和非熟练的焊工活性之间的差异。一个熟练焊工和非熟练焊工的焊接样本，见图5。很明显，熟练焊工的焊缝是直的且厚度均匀，而不熟练的焊工焊缝非常弯曲且厚度不均。本研究主要分析并确定这些差异的来源。标记的位置数据用来构建焊枪尖端的三维位置。在本文中这三个维度的距离用x、y、z表示，在这三个维度的焊枪尖端的速度是位置数据的导数，用vx、vy和vz表示。

图5 熟练和非熟练焊工焊缝结果

图6 给出两个典型的熟练和非熟练焊工的x、y、z、vx、vy 和vz 轨迹。y、z、vy 和vz 轨迹表明，熟练和非熟练焊工的焊枪尖端运动在y 和z 方向有相当大的差异。y和vy 表明，熟练的焊工能够按照焊缝焊接且没有太大的偏差，非熟练焊工则无法维持焊枪尖端稳定工作。不熟练的焊工y方向变化大是因为其将焊枪尖端在垂直于焊缝的方向来回很多次。可以类似的去比较的z和vz。熟练焊工的焊枪到焊接材料的距离几乎保持恒定，非熟练焊工的焊枪高度总是不可控制的变化，这会导致焊缝中熔融金属的量不受控制，降低了焊缝的焊接质量[6]。

4.在旅游服务的感知上，游客对星级酒店、高档餐厅、旅行中巴、购物中心的风险感知更小，更偏好选择该类旅游要素。

图6 熟练和非熟练焊接样本数据

焊枪尖端在x方向的运动轨迹并没有明显的差异。然而在vx速度图可以看出，不熟练的焊工在焊缝方向上焊接会前后运动。具体的vx放大图，见图7。非熟练的焊工偏差较大，可能是因为其意识到，在刚刚焊接过的地方焊接材料不够，重复进行多次焊接。

图7 焊枪尖端x方向速度图的放大

运动频率分析能够用来揭示不同频率分量的大小，甚至能够在频谱中观察到焊工的呼吸。熟练焊工和非熟练焊工焊接的x 方向运动的频率，见图8。对信号进行快速傅里叶变换得到频谱。0.3～0.4 Hz 之间的波段对应焊工的呼吸。控制呼吸是焊工应掌握的重要技能。但是频率分析并没有明显反应出熟练和非熟练焊工的差异，所以不能用控制呼吸作为熟练与否的判据[7]。

图8 熟练和非熟练焊接样本的x(t)单边振幅谱

熟练和非熟练焊接频率分析（x方向的运动）结果，见图9。可以看出非熟练焊工在x 方向振动的频率更大，由此可知非熟练焊工在x 方向的运动幅度更大。类似的分析y和z方向运动规律。

时域分析是基于典型的熟练和非熟练焊工的焊接行为。用F 测试（matlab，vartest2）对这些样本进行检测。对检测后的信号进行高通滤波以消除部分平滑区域。表2显示了非熟练和熟练的焊工的参数的方差比的CI置信区间。

表2 熟练和非熟练焊工置信区间和伪方差比

图9 分析所有样本焊枪尖端的x(t)单边振幅谱

滤波后的方差值σ2与置信区间的关系如下：

为了使结果更直观，参数的伪方差比计算如下：

4 确定区分熟练和不熟练行为的阈值

通过分析可以看出，熟练焊工与非熟练焊工相比有如下优势：（1）控制焊枪在垂直于焊接线方向的运动偏差更少；（2）控制焊枪到焊接材料的高度变化更小；（3）控制焊枪的速度和方向变化更小。将这些结果应用在机器人辅助人焊接，要避免机器人对x、y、z 三个方向运动的过度反应。理论上的最佳结果是熟练焊工受到的影响最小，且非熟练焊工通过限制能获得更多的经验[8]。

4.1 高通滤波

辅助机器人要对非熟练的行为作出反应或者是抑制，并且对焊接路径没有影响，即焊缝可以是任意形状的，焊工可以随意适应。为了实现这一目标，机器人应当对行为进行区分。

和焊枪尖端振动相比，焊缝的形状变化具有很低的频率，焊接速度变化频率也是很低的。低频振动和慢动作滤波结果，见图10。可以明显观察到，非熟练焊工的变化大于熟练焊工的，找出一组分割线（图10 中的黑线）将其分为两组，称之为阈值线。阈值线外侧大多是非熟练焊工的信号。将这一数值作为判别标准。过滤所有的位置和速度信号可以得到类似图10 的图，然后确定六个信号的阈值线。

图10 x方向变化数据高通滤波后的结果

4.2 用遗传算法确定阈值线

通过视觉检查确定阈值的最佳值是不容易的。此外，为了检验该方法的通用性，有必要对样本和测试性能进行验证。为此在熟练和非熟练的样本中随机各抽取7 个，剩下的8 个熟练的和7 个非熟练的样本作为验证。

对六个信号的阈值和和报警值进行计算，见图11。信号首先通过滤波器；10 Hz 的低通滤波消除噪声，0.1 Hz的高通滤波消除了焊工控制的慢速运动。对滤波后的信号确定阈值，并取其绝对值。最后除以模拟时间得到平均警报水平。熟练焊工的警报水平应该是最小的，非熟练焊工的是最大的。遗传算法确定样本阈值的主要步骤，见表3[9-10]。图11 中，最初由视觉检测得到的阈值范围是0.5～2.5 和-2.5～-0.5。用遗传算法优化后的结果是0.830 4～-0.738 5。

图11 报警水平确定

表3 遗传算法步骤

4.3 确定基于报警水平的熟练程度

将确定阈值的所有样本进行图11 中警报级别的处理，得到x方向警报级别，见表4。由于报警级别额边界设置是确定的，所以能很好的区分熟练与非熟练焊工。

表4 x方向警报级别

利用双正切函数对报警水平进行转换，见式（3）。技能水平的值在-1～1之间。熟练焊工样本低于阈值，对警报水平转换得到的值大于0，而非熟练得到的值小于0。

样本的处理结果，见表5和表6。结果表明，基于x 和z 方向运动作为标准，能够成功区分熟练和非熟练工人。实验样本中，100 %符合这个标准，验证组中79%符合这个标准。

表5 实验集所有样本的熟练程度值

表5 和表6 表明，x和z的标准比其他标准更能区分熟练和非熟练的行为。表2 表明，在y 方向的运动变化更能体现熟练和非熟练工人表现的差异，但是很难通过y方向运动变化制定更好的区分标准，原因有两个：一是表5 和表6 的标准阈值是基于一个随机选择的样本集构造，表2方差是基于所有样本进行计算；二是可能出现的情况是，有一些行为在有限时间内变化大，基于信号的平方计算就会更大，但可能不会造成这么大的警报。警报级别基于阈值信号的绝对值，而不是平方。结果表明，虽然利用方差水平指标制定分离熟练和非熟练工人行为的标准良好，但这些标准与产生报警水平可能没有一一对应关系。

5 结论

利用红外线相机动作捕捉系统采集焊枪尖端的运动数据，并对这些数据进行分析表明，焊枪尖端的速度和位置变化较大，可以用来判定焊接行为熟练与否。基于这一结论对速度和位置变化进行遗传算法处理得到阈值。把这些阈值构建一个预警级别，表示焊接行为的熟练程度，其中0～1 表示熟练，-1～0 表示不熟练。该程序根据三个位置数据和三个速度数据得到6 个判定标准。通过对样本的分析和验证，表明6 个标准是合理的。在x 方向（沿焊缝）的变化和z 方向（焊枪尖端到金属的高度）的尺寸是区分熟练和非熟练行为的最佳标准。这种基于位置和速度信号变化的标准，能够成功区分熟练和非熟练行为，在焊工培训和焊接机器人控制领域都有很好的应用前景。