本發(fā)明屬于焊接自動(dòng)化控制設(shè)備技術(shù)領(lǐng)域，具體涉及一種大梁障礙物動(dòng)態(tài)聚類識(shí)別方法。

背景技術(shù)：

對(duì)于大梁等重型裝備的焊接生產(chǎn)線，我國(guó)還處在手動(dòng)或半自動(dòng)焊階段。大部分由人目進(jìn)行障礙物的識(shí)別和手動(dòng)控制避障動(dòng)作，普遍存在焊接效率低或因人工誤差及手動(dòng)控制而導(dǎo)致的障礙物識(shí)別效率低、識(shí)別精度不高的問(wèn)題。通常情況下，大梁焊件上的障礙物具有種類多，位置隨機(jī)性大，尺寸多變等特點(diǎn)，導(dǎo)致其焊縫軌跡復(fù)雜多樣?，F(xiàn)有的常規(guī)視覺(jué)傳感器模擬視覺(jué)功能來(lái)獲取焊縫及各類障礙物的特征信息，但具有一定局限性，采集三維圖像的面陣視覺(jué)系統(tǒng)成本高，受大梁工件的工裝夾具和障礙物類型影響較大，不適用于實(shí)際生產(chǎn)制造；而較低成本的線陣視覺(jué)系統(tǒng)僅適用于檢測(cè)直線或簡(jiǎn)單圓弧曲線焊縫軌跡上的簡(jiǎn)易障礙物，一旦出現(xiàn)復(fù)雜焊縫軌跡及障礙物，傳統(tǒng)障礙物識(shí)別算法無(wú)法滿足實(shí)時(shí)性和高精度的要求。

在基于目標(biāo)函數(shù)的聚類算法中，模糊C均值聚類(Fuzzy C-means)算法的理論最為完善、應(yīng)用最為廣泛。而傳統(tǒng)FCM算法存在以下不足：聚類趨勢(shì)及有效性分析是隔斷的，實(shí)時(shí)聚類受到限制；受采集的樣本點(diǎn)中噪聲點(diǎn)影響較大，可實(shí)現(xiàn)的聚類結(jié)構(gòu)單一，不適用于高維特征的空間復(fù)雜度；對(duì)參數(shù)設(shè)置敏感，目標(biāo)函數(shù)是非凸的，通過(guò)迭代爬山法實(shí)現(xiàn)，很容易陷入局部極小值，得不到全局最優(yōu)解。為順應(yīng)當(dāng)代智能制造潮流和經(jīng)濟(jì)發(fā)展需求，焊接任務(wù)中各類障礙物的精準(zhǔn)識(shí)別與自動(dòng)避開是實(shí)現(xiàn)焊接自動(dòng)化和智能化的必然要求。目前，大梁等復(fù)雜焊縫軌跡工件全自動(dòng)化焊接仍面臨嚴(yán)峻考驗(yàn)，進(jìn)行視覺(jué)系統(tǒng)及障礙物識(shí)別算法的研究對(duì)實(shí)現(xiàn)大型裝備制造的自動(dòng)化焊接具有重大意義。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述問(wèn)題，本發(fā)明旨在解決大梁工件焊接自動(dòng)化過(guò)程中障礙物的實(shí)時(shí)動(dòng)態(tài)識(shí)別問(wèn)題。目前面陣視覺(jué)系統(tǒng)成本高及線陣視覺(jué)系統(tǒng)適用面窄，以及傳統(tǒng)障礙物識(shí)別算法無(wú)法滿足實(shí)時(shí)性和高精度的局限性，在現(xiàn)有的視覺(jué)傳感技術(shù)的基礎(chǔ)上，利用十字激光中心光斑對(duì)特征位置峰值信號(hào)提取的優(yōu)勢(shì)，發(fā)明了一種焊件特征位置動(dòng)態(tài)采樣控制器，與基于傳統(tǒng)FCM優(yōu)化的大梁障礙物動(dòng)態(tài)聚類識(shí)別的算法進(jìn)行有機(jī)結(jié)合，其技術(shù)方案是：利用焊件特征位置動(dòng)態(tài)采樣控制器實(shí)時(shí)采集3維特征位置峰值信號(hào)，該采樣控制器由十字激光器、高頻變幅掃描裝置、視覺(jué)接收模塊、動(dòng)態(tài)聚類識(shí)別控制器組成；高頻變幅掃描裝置控制十字激光器同步掃描焊件，每個(gè)掃描周期內(nèi)記錄三次中心光斑的峰值信號(hào)，形成數(shù)據(jù)矩陣，每實(shí)時(shí)采集固定容量數(shù)據(jù)集，動(dòng)態(tài)增補(bǔ)到末端形成等差維數(shù)矩陣，完成一次FCM聚類。尋找使得緊密性和分割性之比最佳的聚類數(shù)，采用核化距離函數(shù)代替?zhèn)鹘y(tǒng)距離函數(shù)的聚類方法尋找聚類中心來(lái)優(yōu)化目標(biāo)函數(shù)，同時(shí)以FCM作全局快速優(yōu)化，實(shí)現(xiàn)障礙物實(shí)時(shí)動(dòng)態(tài)聚類識(shí)別。

本發(fā)明所述焊件特征位置動(dòng)態(tài)采樣控制器，其特征是：該采樣控制器由十字激光器、高頻變幅掃描裝置、視覺(jué)接收模塊、動(dòng)態(tài)聚類識(shí)別控制器組成；高頻變幅掃描裝置與十字激光器固聯(lián)，十字激光器的擺動(dòng)掃描截面垂直于大梁焊件的平板平面和立板平面。初始情況下，高頻變幅掃描裝置按照固定頻率和擺幅控制十字激光的中心光斑在平板和立板的適當(dāng)位置往復(fù)掃描，當(dāng)十字激光的中心光斑掃描到平板和立板的極限位置及焊縫位置時(shí)，視覺(jué)接收模塊瞬時(shí)曝光，記錄三次中心光斑的峰值信號(hào)，形成一個(gè)周期的三維數(shù)據(jù)矩陣。當(dāng)數(shù)據(jù)矩陣容量達(dá)到初始設(shè)定值時(shí)，動(dòng)態(tài)聚類識(shí)別控制器完成一次FCM聚類；之后每實(shí)時(shí)采集固定容量數(shù)據(jù)集，動(dòng)態(tài)增補(bǔ)到末端形成動(dòng)態(tài)等差維數(shù)數(shù)據(jù)矩陣，完成一次新的FCM實(shí)時(shí)動(dòng)態(tài)聚類。同時(shí)，每個(gè)掃描周期內(nèi)通過(guò)改變掃描幅度調(diào)節(jié)中心光斑采樣位置，而改變掃描頻率調(diào)整實(shí)時(shí)聚類的精度。

本發(fā)明所述基于傳統(tǒng)FCM優(yōu)化的大梁障礙物動(dòng)態(tài)聚類識(shí)別的算法，旨在實(shí)現(xiàn)動(dòng)態(tài)聚類的實(shí)時(shí)特性、距離函數(shù)核化特性及全局優(yōu)化特性，其具體過(guò)程在于：(a)實(shí)時(shí)動(dòng)態(tài)聚類策略的引進(jìn)。傳統(tǒng)FCM算法只適用于給定的矩陣樣本集，不管數(shù)據(jù)矩陣有無(wú)聚類結(jié)構(gòu)，也不判別分類結(jié)果是否有效，總把數(shù)據(jù)矩陣劃分到固定子類中，無(wú)法實(shí)現(xiàn)實(shí)時(shí)動(dòng)態(tài)聚類和最佳聚類數(shù)自適應(yīng)調(diào)節(jié)。初始狀態(tài)下，視覺(jué)接收模塊實(shí)時(shí)采集十字激光中心光斑掃描到大梁工件時(shí)的3維特征位置信號(hào)，形成動(dòng)態(tài)等差維數(shù)數(shù)據(jù)矩陣并實(shí)時(shí)聚類，其中，定義實(shí)時(shí)增補(bǔ)的數(shù)據(jù)矩陣容量與初始數(shù)據(jù)矩陣容量之比為動(dòng)態(tài)矩陣維度因子。為自適應(yīng)獲取聚類數(shù)，提出新的有效性函數(shù)，尋找使得緊密性最小且分割性最大的最佳聚類數(shù)。用最大值法將緊密性度量和分割性度量標(biāo)準(zhǔn)化，有效性函數(shù)即為緊密性度量和分割性度量之比。由此，有效性函數(shù)的最小值對(duì)應(yīng)最佳的模糊C劃分，即最佳的聚類數(shù)，通過(guò)改變動(dòng)態(tài)矩陣維度因子可調(diào)節(jié)實(shí)時(shí)聚類的運(yùn)算速度及最佳的聚類數(shù)。(b)傳統(tǒng)FCM距離函數(shù)核化。采用核化距離的聚類方法在原始空間尋找聚類中心來(lái)優(yōu)化目標(biāo)函數(shù)。假定從樣本矩陣數(shù)據(jù)空間到特征空間的映射，通過(guò)引進(jìn)核函數(shù)改變數(shù)據(jù)空間中任意兩點(diǎn)的內(nèi)積來(lái)實(shí)現(xiàn)映射。由緊密性度量推導(dǎo)特征空間中的目標(biāo)函數(shù)，求出數(shù)據(jù)空間中的任意點(diǎn)經(jīng)過(guò)特征空間的映射后與聚類中心的度量值，由此不難得到輸出劃分矩陣和聚類中心的迭代方程，則可求得隸屬度函數(shù)和聚類中心迭代式的方程解。(c)全局快速特性優(yōu)化。傳統(tǒng)FCM算法是以前述聚類準(zhǔn)則為目標(biāo)函數(shù)的一種局部尋優(yōu)技術(shù)，容易陷入局部極小值。全局優(yōu)化，首先迭代出數(shù)據(jù)矩陣模糊1劃分的最優(yōu)聚類中心及目標(biāo)函數(shù)值，然后將前述聚類中心和給定數(shù)據(jù)集中的每個(gè)點(diǎn)共同作為模糊2劃分的一個(gè)初始聚類中心，以此類推?？焖賰?yōu)化，不需要對(duì)全局優(yōu)化中的每個(gè)初始聚類中心執(zhí)行迭代來(lái)找出最小的目標(biāo)函數(shù)值，而是直接在上一次迭代的所有的模糊C劃分的最優(yōu)聚類中心中找到使得目標(biāo)函數(shù)值最小的作為初始聚類中心，然后再執(zhí)行迭代，從而得到最優(yōu)聚類中心。

本發(fā)明的有益效果是：本發(fā)明旨在解決大梁工件焊接自動(dòng)化過(guò)程中障礙物的實(shí)時(shí)動(dòng)態(tài)識(shí)別問(wèn)題，提出一種大梁障礙物動(dòng)態(tài)聚類識(shí)別方法。針對(duì)大梁焊件上的障礙物具有種類多，位置隨機(jī)性大，尺寸多變等特點(diǎn)，在現(xiàn)有的視覺(jué)傳感技術(shù)的基礎(chǔ)上，利用十字激光中心光斑對(duì)特征位置峰值信號(hào)提取的優(yōu)勢(shì)，發(fā)明了一種焊件特征位置動(dòng)態(tài)采樣控制器，較之三維形貌采集的面陣視覺(jué)傳感器，其成本大大降低，同時(shí)極大地克服了大梁工件的工裝夾具精度低和障礙物類型多變的不良影響；而較之線陣甚至點(diǎn)陣的視覺(jué)傳感器，則不受僅能檢測(cè)直線或簡(jiǎn)單圓弧曲線焊縫軌跡上的簡(jiǎn)易障礙物的約束，對(duì)復(fù)雜焊縫軌跡及障礙物的適應(yīng)性更強(qiáng)。而優(yōu)化的大梁障礙物動(dòng)態(tài)聚類識(shí)別的算法根據(jù)大梁等重型裝備的焊接生產(chǎn)線特點(diǎn)則克服了傳統(tǒng)FCM算法的諸多固有缺陷，實(shí)現(xiàn)了實(shí)時(shí)聚類和自適應(yīng)獲取聚類數(shù)，有效抑制了噪聲點(diǎn)對(duì)聚類結(jié)果的不良影響，增強(qiáng)了核化距離函數(shù)的魯棒性，降低了對(duì)初值的敏感性，避免了陷入局部極小值的概率，減少了迭代次數(shù)并提高了運(yùn)行速度?？偠灾?，進(jìn)行激光視覺(jué)系統(tǒng)及障礙物實(shí)時(shí)動(dòng)態(tài)聚類識(shí)別算法的研究對(duì)實(shí)現(xiàn)大梁等大型裝備制造的自動(dòng)化焊接具有重大意義。

附圖說(shuō)明

圖1是大梁障礙物動(dòng)態(tài)聚類識(shí)別方法的原理結(jié)構(gòu)框圖。

圖2是大梁障礙物模型及十字激光光斑掃描示意圖。

圖中，1-大梁焊件十字激光光線；2-大梁焊件焊縫軌跡；3-箱型槽；4-縱向加強(qiáng)板；5-3維特征位置信號(hào)光斑采樣點(diǎn)；6-橫向加強(qiáng)板；7-無(wú)障礙物.

圖3是大梁障礙物動(dòng)態(tài)聚類識(shí)別優(yōu)化算法的原理圖。

具體實(shí)施方式

為了更好的表達(dá)整個(gè)發(fā)明的技術(shù)方案與有益效果，下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步詳細(xì)說(shuō)明。但是，本發(fā)明的實(shí)施方式不限于此。

實(shí)施例1，所述一種大梁障礙物動(dòng)態(tài)聚類識(shí)別方法，該動(dòng)態(tài)聚類識(shí)別系統(tǒng)核心在于焊件特征位置動(dòng)態(tài)采樣控制器，該采樣控制器由十字激光器、高頻變幅掃描裝置、視覺(jué)接收模塊、動(dòng)態(tài)聚類識(shí)別控制器組成；高頻變幅掃描裝置與十字激光器固聯(lián)，十字激光器的擺動(dòng)掃描截面垂直于大梁焊件的平板平面和立板平面。初始情況下，高頻變幅掃描裝置按照固定頻率和擺幅控制十字激光的中心光斑在平板和立板的適當(dāng)位置往復(fù)掃描，在大梁工件上形成十字光路1，當(dāng)十字激光的中心光斑掃描到平板和立板的極限位置及焊縫位置時(shí)，分別對(duì)應(yīng)X_k(k＝1,2,3)三個(gè)特征位置信號(hào)光斑采樣點(diǎn)5，視覺(jué)接收模塊在這三個(gè)點(diǎn)位置瞬時(shí)曝光，記錄三次中心光斑的采樣峰值信號(hào)，形成一個(gè)周期的三維數(shù)據(jù)矩陣。當(dāng)數(shù)據(jù)矩陣容量達(dá)到初始設(shè)定值時(shí)，動(dòng)態(tài)聚類識(shí)別控制器完成一次FCM聚類；之后每實(shí)時(shí)采集固定容量數(shù)據(jù)集，動(dòng)態(tài)增補(bǔ)到末端形成動(dòng)態(tài)等差維數(shù)數(shù)據(jù)矩陣，完成一次新的FCM實(shí)時(shí)動(dòng)態(tài)聚類，并實(shí)時(shí)輸出聚類數(shù)(即障礙物類型數(shù))和障礙物類型結(jié)果。同時(shí)，每個(gè)掃描周期內(nèi)通過(guò)改變掃描幅度調(diào)節(jié)中心光斑采樣位置，而改變掃描頻率調(diào)整實(shí)時(shí)聚類的精度。大梁工件主要包括箱型槽3，縱向加強(qiáng)板4，橫向加強(qiáng)板6和無(wú)障礙物7共四種障礙物狀態(tài)。參閱圖1及圖2。

實(shí)施例2，所述優(yōu)化的大梁障礙物動(dòng)態(tài)聚類識(shí)別的算法中的實(shí)時(shí)動(dòng)態(tài)聚類策略，其具體步驟是：

初始狀態(tài)下，焊件特征位置動(dòng)態(tài)采樣控制器實(shí)時(shí)采集p組3維特征位置峰值信號(hào)，形成3*p數(shù)據(jù)矩陣，記作M₀.引入動(dòng)態(tài)矩陣維度因子γ＝q/p，其中q為動(dòng)態(tài)增補(bǔ)數(shù)。設(shè)定聚類矩陣樣本集為M₀，每實(shí)時(shí)采集q個(gè)矩陣數(shù)集，動(dòng)態(tài)增補(bǔ)到M₀末端形成等差維數(shù)矩陣M_R，矩陣等差遞增的同時(shí)，進(jìn)行一次新的聚類。

提出新的有效性函數(shù)，尋找使得緊密性最小且分割性最大的最佳聚類數(shù)。定義表征類間緊致程度的緊密性度量如下：

式中：l(x_j,v_i)為度量值；p_i為第i類特征信號(hào)個(gè)數(shù).

度量值l(x_j,v_i)隨樣本協(xié)方差β增大而減小，lim_c→pl(x_j,v_i)＝0，因此單調(diào)遞減。與此同時(shí)，1/p_i限制了度量值的減小，由此實(shí)現(xiàn)緊密性度量盡量大時(shí)而聚類數(shù)盡量小。

定義表征類間分離程度的分割性度量如下：

Sep(c,U)＝1-max_i≠jS(F_i,F_j) (2)

式中：S(F_i,F_j)為兩個(gè)模糊集F_i和F_j的相似度。

用最大值法將緊密性度量和分割性度量標(biāo)準(zhǔn)化得到Tig^N(U_c,V)和Sep^N(c,U)，有效性函數(shù)H_w為

H_w(U,V_c)＝Tig^N(U,V_c)/Sep^N(c,U) (3)

由式(3)可知，緊密性度量越小，或分割性度量越大，則不同類之間的數(shù)據(jù)差異越大。因此，H_w的最小值對(duì)應(yīng)最佳的模糊C劃分，即最佳的聚類數(shù)c*.由式(1)亦可知，通過(guò)改變動(dòng)態(tài)矩陣維度因子γ可調(diào)節(jié)實(shí)時(shí)聚類的運(yùn)算速度及最佳的聚類數(shù)c*。參閱圖3，其余同上述實(shí)施例。

實(shí)施例3，所述優(yōu)化的大梁障礙物動(dòng)態(tài)聚類識(shí)別的算法中的距離函數(shù)核化，其具體步驟是：

采用核化距離的聚類方法在原始空間尋找聚類中心來(lái)優(yōu)化目標(biāo)函數(shù)。假設(shè)是從樣本矩陣數(shù)據(jù)空間M_R到特征空間C_s的映射，通過(guò)引進(jìn)核函數(shù)K(x,y)＝<ψ(x)，ψ(y)>改變數(shù)據(jù)空間中任意兩點(diǎn)x與y的內(nèi)積來(lái)實(shí)現(xiàn)映射ψ。由式(1)推導(dǎo)特征空間C_s中的目標(biāo)函數(shù)如下：

則x_j經(jīng)ψ映射后與中心v_j在C_s的度量值為：

聯(lián)立式(4)和式(5)可得關(guān)于(U,V)的迭代方程：

{i∈[1,c],j∈[1,p]}|K_jj+K(v_i,v_i)-2·K(v_i,x_j)＝0 (6)

求得隸屬度函數(shù)為：

聚類中心的迭代式如下方程解：

參閱圖3，其余同上述實(shí)施例。

實(shí)施例4，所述優(yōu)化的大梁障礙物動(dòng)態(tài)聚類識(shí)別的算法中的全局快速特性優(yōu)化，其具體步驟是：

全局優(yōu)化，以FCM搜索，首先迭代出數(shù)據(jù)矩陣M_R模糊1劃分的最優(yōu)聚類中心V⁽¹⁾及目標(biāo)函數(shù)值obj₍₁₎，然后將V⁽¹⁾和給定數(shù)據(jù)集中的每個(gè)點(diǎn)x_i(i＝1,…,N)共同作為模糊2劃分的一個(gè)初始聚類中心(V₁^(c-1),…,V_c-1^(c-1),x_i)，以此類推。

經(jīng)全局優(yōu)化后需要執(zhí)行c×N次迭代，且實(shí)時(shí)聚類過(guò)程中數(shù)據(jù)矩陣容量不斷增大及計(jì)算c*的運(yùn)算時(shí)耗影響運(yùn)行速度，仍需進(jìn)一步快速優(yōu)化。

快速優(yōu)化，不需要對(duì)全局優(yōu)化中的每個(gè)初始聚類中心執(zhí)行迭代來(lái)找出最小的目標(biāo)函數(shù)值obj_min，而是直接在所有的(V₁^(c-1),…,V_c-1^(c-1),x_i)中找到使得obj_min最小的V_j^(c-1)|x_i作為初始聚類中心，然后再執(zhí)行迭代，從而得到最優(yōu)聚類中心(V₁^(c),…,V_c-1^(c))。

易知，經(jīng)快速優(yōu)化后的迭代次數(shù)約為優(yōu)化前的1/N，全局快速優(yōu)化克服了局部尋優(yōu)及實(shí)時(shí)聚類時(shí)耗的問(wèn)題，在一定程度上提高了算法運(yùn)行速度。

參閱圖3，其余同上述實(shí)施例。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，在不脫離本發(fā)明原理的前提下所作出的若干改進(jìn)，都視為本發(fā)明的保護(hù)范圍。