文|奇闻馆长A
编辑|奇闻馆长A
●—≺ 前言 ≻—●
随着人工智能、计算机技术趋于成熟，机器人的自动化缝制在服装行业的应用越来越广泛，在
机器人缝制服装的过程中，末端执行器需要同步引导缝纫机送入面料，有学者基于视觉信息完成了缝制任务。
通过机器视觉根据面料边缘的位置信息确定了机器人的运动路径，实现了任意形状面料的缝制。
设计基于视觉伺服的机器人缝制系统，并根据图像特征确定了面料的方位误差，实现了面料的边缘缝制，可看出基于视觉反馈可确定机器人缝制路径并调整缝制方向。
但与操作刚性材料不同，缝制过程中面料在不同压缩力、剪切力与拉伸力的影响下会产生不可预测的形变，从而影响缝制质量，保持面料恒定的期望张力对实现平滑完整的线迹缝制具有重要的意义。
基于此设计了面料自动缝纫的智能分层控制器，提出面料延展性的概念，将延展性提交给下一层次进行决策，从而确定了在缝纫过程中合适的面料张力。
这个过程中通过神经网络预测面料延展性较为复杂，而且仅采用一种面料特性对期望张力预测不够准确。
针对确定面料期望张力以避免面料形变的问题，提出了基于延展性的机器人面料缝制张力预测方法，该方法采用模糊语言变量面料延展性和种类表达面料的特性，支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器。
通过ＳＶＭ模型对面料延展性进行评价，根据人类经验对面料种类进行分类，利用模糊逻辑规则对面料特性和期望张力之间的关系进行描述，实现对面料期望张力的预测，以保持机器人缝制中恒定的面料张力。
为避免对面料进行复杂的性能测量和力学建模，提出ＳＶＭ算法和模糊控制系统对期望张力进行预测，在对不同延展性的面料进行训练学习之后，可有效预测任意面料的期望张力。
●—≺期望张力预测方法≻—●
面料延展性和面料种类描述了面料的特性，面料的延展性越大，期望张力就越大，按照棉、麻、丝绸、呢绒的面料顺序，期望张力依次减小，将面料特性作为模糊控制系统的输入，输出面料的期望张力，通过模糊逻辑找到面料期望张力与面料特性的非线性关系。
机器人缝制中基于面料延展性的期望张力预测方法，通过ＳＶＭ算法对面料延展性进行分类，根据模糊控制系统对面料期望张力进行预测。
对数据进行采集并滤波处理，面料张力Ｆ和拉伸应变Ｓ组成特征向量作为ＳＶＭ的输入集，将延展性Ｅ作为训练标签，使用训练好的模型对测试集进行预测，确定延展性分类结果，模糊逻辑控制系统可确定面料期望张力与面料特性的关系，并输出面料的期望张力。
根据面料延展性预测期望张力可避免客观测量面料的性能，定义Ｅ为模糊语言变量面料延展性，通过语言值描述延展性的大小，根据面料张力Ｆ和拉伸应变Ｓ通过ＳＶＭ算法对面料延展性进行分类评价。
模糊控制是以模糊集理论、模糊语言变量和模糊逻辑推理为基础的智能控制方法，将面料延展性和面料种类输入模糊控制系统，通过设定面料特性与期望张力之间的模糊规则对期望张力进行预测。
模糊控制主要包括以下４个部分：模糊化、知识库、模糊推理和清晰化。
进行输入量的模糊化，Ｅ和Ｔ分别表示模糊语言变量面料延展性和面料种类，将预测的面料延展性作为输入的模糊量；面料种类Ｔ的模糊量根据面料柔软度取值，柔软度越大取值越大。
知识库包括数据库和规则库，延展性Ｅ在模糊论域Ｘ＝［０，１］上用非常低、低、中等、高、非常高５个模糊语言值表示。
种类Ｔ在Ｙ＝［０，１］上用低、中等、高３个模糊语言值表示，每个语言值相对应一个模糊集合，期望张力在Ｚ＝［０，１］上的模糊集合为：非常低、低、中等、高、非常高。
面料延展性越大，面料越柔软，越易发生形变，面料平整的张力就越大，控制规则为面料延展性越大，期望张力越大，面料种类柔软度越高，期望张力越大。
●—≺平台搭建实验≻—●
为验证算法的有效性，搭建了由ＴＹＰＩＣＡＬＧＣ６９２０工业缝纫机、ＵＲ５ｅ机械臂、计算机、压板以及面料组成的实验平台。
压板安装在机械臂末端法兰上，将面料固定在缝纫机压脚上，机械臂和计算机之间通过ＴＣＰ／ＩＰ建立通信过程，计算机以ｓｏｃｋｅｔ套接字的形式向机械臂发送控制命令，使机械臂末端的压板拖动面料运动。
准备面料样本，准备１１种不同材质的面料样本，分别为斜纹纯棉面料、薄牛仔、涤棉面料、摇粒绒面料、棉螺纹面料、绸缎、毛呢、毛毡、竹节麻面料、混纺面料和天鹅绒面料。
打开计算机，启动机器人和服务端，建立ｓｏｃｋｅｔ通信。
采集力信息，机械臂末端压紧面料沿工具坐标系ｘ轴移动３ｃｍ，通过六维力传感器采集面料张力和力矩信息，并发送给计算机。
数据预处理，计算机通过Ｓａｖｉｔｚｋｙ－Ｇｏｌａｙ滤波器对采集的力进行平滑去噪并合成为Ｆ，得到拉伸应变Ｓ。
延展性模型训练与测试，根据Ｓ－Ｆ曲线对面料延展性进行分类，将类别作为ＳＶＭ的训练标签，面料的Ｓ－Ｆ数据作为特征向量输入集，进行ＳＶＭ模型的训练，通过比较测试集的预测值和实际值验证模型的准确性。
面料期望张力预测，将预测的面料延展性和相应面料种类输入模糊控制系统，经过模糊推理，输出期望张力的清晰值，进行论域变换后得到期望张力的实际值，并获得面料期望张力。
●—≺实验结果和分析≻—●
对１１种面料分别进行拉伸测试，并对张力数据进行滤波预处理，对于竹节棉麻面料、毛毡、毛呢、斜纹纯棉面料、绸缎、薄牛仔面料等延展性差的面料。
由于面料拉伸时快速紧绷，张力增大，所以合力需减去面料开始拉伸时增大的力，再将Ｆ的上限设为１７Ｎ，合力曲线在２０Ｎ之后趋于平缓，根据Ｆ减去２０Ｎ后上限为１７Ｎ，取第９９０到第４１００个采样点的数据。
对于涤棉面料、摇粒绒面料、棉螺纹面料、混纺面料、天鹅绒面料等延展性较好的面料，减去面料开始拉伸时突然增大的力且不设力的上限，取拉伸３ｃｍ过程中采集到的张力数据来绘制Ｓ－Ｆ曲线，采样点个数均为６０７９个。
将面料延展性分为４类，毛呢和毛毡延展性类别为３，竹节棉麻面料、斜纹纯棉面料、绸缎延展性类别为２，薄牛仔、混纺面料和天鹅绒面料延展性类别为１，摇粒绒面料、棉螺纹面料、涤棉面料延展性类别为０。
将毛毡、竹节棉麻面料、斜纹纯棉面料、薄牛仔、混纺面料、棉螺纹面料、涤棉面料的数据作为ＳＶＭ模型的训练集，将毛呢、绸缎、天鹅绒面料、摇粒绒面料的数据作为测试集，训练集的样本个数为３１４８３，测试集样本个数为１７４６７。
将核函数参数ｋｅｒｎｅｌ分别设置为ｒｂｆ、ｌｉｎｅａｒ以及ｓｉｇｍｏｉｄ对模型分别进行训练，其中惩罚参数Ｃ设置为１，ｇａｍｍａ设置为０.２５，采用毛呢、绸缎、天鹅绒面料、摇粒绒面料的数据通过ＲＯＣ曲线来评判分类结果的好坏。
ＡＵＣ指ＲＯＣ曲线下方的面积，ＡＵＣ值越大则模型的性能越好，根据ＲＯＣ曲线，核函数为ｌｉｎｅａｒ时，４种面料微平均的ＡＵＣ最大为０.９８，而且查准率和查全率都为０.８６９，所以选取ｌｉｎｅａｒ作为核函数参数从而得到ＳＶＭ模型。
将测试集的面料特征向量输入ＳＶＭ模型中进行测试，虚线代表实际的面料延展性，摇粒绒面料延展性类别为０，天鹅绒面料延展性类别为１，绸缎延展性类别为２，毛呢延展性类别为３，通过ＳＶＭ预测延展性。
在拉伸面料的过程中，预测的延展性最终趋于实际的延展性，从而证明了ＳＶＭ模型预测的有效性，面料延展性的类别（０，１，２，３）对应输入模糊控制系统的模糊量为０.８、０.６、０.４、０.２。
面料种类分为棉面料、麻面料、丝绸、呢绒４类，模糊量取值依次为０.８、０.６、０.４、０.２，例如对丝绸的期望张力进行预测，将延展性Ｅ＝０.４和面料种类Ｔ＝０.４输入模糊控制系统，得到期望张力的模糊集合Ｃ的隶属函数。
输出去模糊化的期望张力Ｆｃ＝０.３５８，根据面料延展性和种类的离散模糊量，经过模糊控制系统输出去模糊化的期望张力。
由于缝制面料时期望张力应当适中，所以取４类面料延展性的Ｓ－Ｆ曲线中点的张力值，则延展性最小和最大的面料张力分别为２Ｎ和８.５Ｎ。
根据拉伸测试开始时面料增加的张力为２０Ｎ，得到实际期望张力论域的范围为［ｕｍｉｎ，ｕｍａｘ］＝［２２Ｎ，２８.５Ｎ］，模糊论域的范围为Ｆ′ｓ＝２５.２５＋６.５×（Ｆ′ｑ－０.５）。
得到绸缎的期望张力Ｆｓ＝２４.３３Ｎ，其他任何未知面料可通过ＳＶＭ模型预测延展性类别，实现对未知面料的期望张力预测。
为验证面料预测张力能满足智能化缝制加工的需要，对毛呢采集力信息并进行数据处理，通过ＳＶＭ模型预测其延展性类别为３，对应输入模糊控制系统的模糊量为０.２，根据面料种类Ｔ＝０.２。
机器人首先沿ｘ轴方向拉伸面料，直到面料张力达到期望张力再沿ｙ轴方向缝制６ｃｍ，缝制过程中缝纫机送布时针脚的抬落以及机器人和缝纫机速度存在偏差等因素导致张力减小并最终趋于２０.５Ｎ。
当毛呢缝制张力为实际期望张力时线迹较直，缝制张力大于实际期望张力时线迹发生弯曲，缝制张力小于实际期望张力时面料发生褶皱，缝制效果较差。
对竹节棉麻面料采用相同的步骤进行缝制实验，通过ＳＶＭ模型预测延展性Ｅ＝０.４，面料种类Ｔ＝０.６，得到实际的期望张力Ｆｓ＝２５.０３Ｎ，张力最终减小至２２.８Ｎ，竹节棉麻面料缝制张力不同时的线迹与毛呢类似。
●—≺结语≻—●
面料期望张力与面料性能有关，利用传统的方法得到面料性能参数需要进行复杂的定量计算和分析，且通过性能参数对面料进行力学建模比较困难。
针对机器人缝制过程中确定期望张力的问题，提出了基于延展性的机器人面料缝制张力预测方法。
采用面料延展性对面料性能进行主观估计，基于面料拉伸测试对延展性进行分类并利用ＳＶＭ模型预测延展性，得到面料延展性类别和相应的种类后，结合面料特性与期望张力的模糊规则，可求得面料的期望张力。
参考文献：
[1]刘国江．立体缝制关键技术研究［Ｄ］．西安：西安理工学，2019
[2]平丽华．扣眼缝制机器人视觉引导系统研制［Ｄ］．西安：西安工程大学，2019
[3]周志华．机器学习［Ｍ］．北京：清华大学出版社，2017
[4]李国勇，杨丽娟．神经·模糊·预测控制及其ＭａｔＬａｂ实现［Ｍ］．北京：电子工业出版社，2018
[5]杨一帆．基于阻抗控制的弱刚性构件双机器人协同磨抛技术研究［Ｄ］．武汉：华中科技大学，2019
