潘睿智，馮艷，劉賀祥，王昊祥，張洪溥，張寅祥，張華

（1 上海工程技術(shù)大學(xué) 機(jī)械與汽車工程學(xué)院， 上海 201620）（2 上海市大型構(gòu)件智能制造機(jī)器人技術(shù)協(xié)同創(chuàng)新中心， 上海 201620）（3 南昌大學(xué) 先進(jìn)制造學(xué)院， 南昌 330038）

0 引言

智能感知技術(shù)越來越多地運(yùn)用到工業(yè)生產(chǎn)中，極大地提高了效率和準(zhǔn)確率。其中，觸覺傳感器作為一種模仿人類觸覺的器件，能夠感知人體以及外界環(huán)境的運(yùn)動、形變和壓力等信息，在智能機(jī)器人和智慧醫(yī)療等領(lǐng)域具有廣闊的應(yīng)用前景［1-2］。目前常用的觸覺傳感器類型主要分為壓阻式［3］、電容式［4］、壓電式［5］等，用于傳遞所感知到的材質(zhì)表面信息與溫度信息等。然而這些傳感器存在著一定的局限性［6］：電學(xué)傳感器由于依賴電壓電流變化進(jìn)行感知，信號處理復(fù)雜，且易受振動、高頻刺激、靜電等外部因素影響，此外部分電學(xué)傳感單元本身還需借助于電源（靜態(tài)功耗），限制了應(yīng)用范圍并增加了不穩(wěn)定性［7］。

相較于傳統(tǒng)電信號類傳感器，光纖布拉格光柵（Fiber Bragg Grating，F(xiàn)BG）具有抗電磁干擾、高靈敏度、良好的柔韌性等特點(diǎn)。FBG 對滿足布拉格條件的光信號產(chǎn)生反射，可實(shí)時(shí)精確測量微小的力或形變與溫度變化，通過分析FBG 中心波長變化，能夠獲得材質(zhì)、接觸力、溫度等觸感信息。北京航空航天大學(xué)許會超等［8］利用3×3 的FBG 陣列矩陣作為柔性傳感元件設(shè)計(jì)的機(jī)器人柔性觸覺傳感器具有0.16 nm/N 力靈敏度，驗(yàn)證了FBG 在觸覺感知上具有良好的線性度和重復(fù)性。PRASAD A 等［9］提出一種基于FBG 觸覺傳感器測量表面厚度和形狀的新方法，通過多支點(diǎn)機(jī)械杠桿位移增強(qiáng)方法將表面特征傳輸?shù)紽BG，表面位移分辨率高達(dá)15.64 nm，驗(yàn)證了FBG 傳感器的高精度與快速響應(yīng)的特點(diǎn)。

隨著機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等前沿技術(shù)的興起，特征提取、模型訓(xùn)練方法與觸覺感知相結(jié)合，已成為國內(nèi)外科研熱點(diǎn)之一。浙江大學(xué)陳稼寧［10］利用PDMS、導(dǎo)電橡膠、PET 基底以及RTV，組成了柔性觸覺傳感陣列，進(jìn)行滑移檢測，并結(jié)合相位差算法和神經(jīng)網(wǎng)絡(luò)算法提取紋理表面信息來實(shí)現(xiàn)觸覺傳感。NASCIMENTO K P［11］利用FBG 陣列傳感器配合機(jī)器學(xué)習(xí)的Decision Tree 分類算法和回歸算法來估計(jì)水位，傳感結(jié)果的均方根誤差為3.56 cm。

目前基于FBG 觸覺感知的研究主要集中在利用采集的中心波長感知外部應(yīng)變與壓力，從而實(shí)現(xiàn)對滑移定位、沖擊定位、表面粗糙檢測等的測量。錢牧云等［12］利用FBG 的溫度傳感特性與各材質(zhì)之間熱傳遞不同的特點(diǎn)實(shí)現(xiàn)了對鋁、鐵、塑料的分類標(biāo)定，為FBG 應(yīng)用于材質(zhì)識別鋪墊了理論基礎(chǔ)，但存在識別效率慢等問題。利用FBG 的高靈敏性和快速響應(yīng)特性，將大量諧振波長變化數(shù)據(jù)應(yīng)用于神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)材質(zhì)分類識別的研究相對較少。

本文利用接觸表面材質(zhì)粗糙度、粘滑［13］等特性的差異，設(shè)計(jì)搭建了FBG 硅橡膠感知單元，并進(jìn)行滑觸感知分析，通過提取FBG 中心波長的均值最大差、極差、標(biāo)準(zhǔn)差等數(shù)據(jù)特征，構(gòu)建基于支持向量機(jī)（Support Vector Machine， SVM）算法的高識別率的分類模型，設(shè)計(jì)上位機(jī)實(shí)現(xiàn)滑移控制和在線識別。相比基于Transformer 機(jī)器識別的材質(zhì)識別［14］，本文方法不受光線等客觀因素影響，采用最直觀的滑觸感知，同時(shí)具有更好的分類識別效果。

1 FBG 硅橡膠滑觸感知平臺

FBG 硅橡膠滑觸感知平臺包括FBG 硅橡膠感知單元和滑移機(jī)構(gòu)，由于不同材質(zhì)表面特性存在差異，通過滑移可使FBG 獲得不同程度的持續(xù)性應(yīng)變。

1.1 FBG 硅橡膠感知單元

硅橡膠感知單元為具有方形凹槽的基臺，方形凹槽中澆灌有兩層硅橡膠（透明流淌型卡夫特705 透明有機(jī)硅密封膠），兩層硅橡膠之間封裝有FBG 傳感器，如圖1。在方形凹槽的基臺中先澆灌一層液態(tài)硅膠底，固化后在中線特定位置埋入FBG，再澆灌一層實(shí)現(xiàn)對FBG 的封裝，液態(tài)硅膠固化過程中可以很好地貼合FBG 傳感器，同時(shí)確保上表面與被測材質(zhì)接觸面的水平。硅橡膠能夠在拉伸或壓縮后迅速恢復(fù)原狀，提供變形保護(hù)，同時(shí)有效地傳遞外部應(yīng)變或壓力到光纖光柵。

圖1 FBG 硅橡膠感知單元Fig.1 FBG silicone rubber sensing unit

1.2 滑移機(jī)構(gòu)設(shè)計(jì)

滑移機(jī)構(gòu)還包括步進(jìn)電機(jī)、滾珠絲杠、連接件，如圖2，滑塊通過連接件與滾珠絲杠相連，以實(shí)現(xiàn)與硅橡膠進(jìn)行相對滑移。在槽口的一端進(jìn)行預(yù)應(yīng)力拉伸，保證FBG 精準(zhǔn)測量、高靈敏度、實(shí)時(shí)監(jiān)測的優(yōu)勢。另一端槽口的尾纖與解調(diào)儀相連接，實(shí)時(shí)記錄FBG 中心波長數(shù)據(jù)。

圖2 滑移機(jī)構(gòu)示意Fig.2 Schematic of sliding mechanism

步進(jìn)電機(jī)與滾珠絲杠通過絲桿滑臺相連，步進(jìn)電機(jī)通過連接件推動滑塊在硅橡膠上經(jīng)過FBG 進(jìn)行水平滑移，保證滑移時(shí)滑塊速度的穩(wěn)定和受力恒定。通過將接觸材質(zhì)作為唯一的變量，最后記錄啟動到結(jié)束時(shí)FBG 中心波長的變化數(shù)據(jù)，作為材質(zhì)識別的依據(jù)。

2 理論分析

2.1 FBG 傳感器原理

FBG 屬于波長調(diào)制型傳感元件，光柵被刻入纖芯中，呈周期性排列，用于反射特定波長?；诜颇瓷湓恚?dāng)一束寬帶光源射入光纖光柵中，由于光纖的折射率不同會發(fā)生反射和透射現(xiàn)象，只有滿足特定波長條件的光信號才會被反射回來，其余的光信號會透射出去，從而實(shí)現(xiàn)分光和濾波的功能。因此透射光譜上會產(chǎn)生凹陷，而在反射光譜上呈現(xiàn)一個(gè)波峰［15-16］，如圖3。

圖3 FBG 的光傳輸特性Fig.3 Optical transport characteristics of the FBG

反射光的中心波長λB由FBG 特性決定，滿足以下條件［17］。

由式（1）可知，波長由纖芯的有效折射率neff和光柵周期Λ決定。當(dāng)光纖布拉格光柵受到外界應(yīng)力和溫度的作用時(shí)，受彈光效應(yīng)和熱光效應(yīng)的影響，光纖光柵的有效折射率和光柵周期都會發(fā)生變化，導(dǎo)致反射波峰發(fā)生偏移。反射的中心波長λB可以表示為［18］

式中，ΔλB為中心波長偏移量，Kε=1-pe為應(yīng)力作用下波長應(yīng)變靈敏度系數(shù)，其中pe為有效彈光系數(shù)；KT=α+ξ為光纖光柵溫度傳感的靈敏度系數(shù)，其中α為熱膨脹系數(shù)，ξ為熱光系數(shù)；Δε為應(yīng)變變化量；ΔT為溫度變化量。本文選用常見的SMF-28e 光纖類型和10 mm 柵區(qū)長度的FBG，初始中心波長為1 550 nm，波長偏移與應(yīng)變之間的線性系數(shù)為1.22 pm/με，與溫度變化的線性系數(shù)為10.8 pm/℃。FBG 傳感器的應(yīng)用原理在于，通過讀取FBG 反射光的中心波長映射動態(tài)的物理量。在本文滑觸感知與材質(zhì)分類研究中，提取的信息主要為中心波長的偏移量，

式（2）中的ΔT主要來自于環(huán)境溫度的變化以及滑移時(shí)摩擦產(chǎn)生的熱效應(yīng)。由于滑觸感知過程采集的時(shí)間較短（5 s 以內(nèi)），因此環(huán)境溫度的變化可以忽略不計(jì)；同時(shí)，假設(shè)摩擦熱效應(yīng)的能量全部轉(zhuǎn)換為熱量，并傳遞至硅橡膠。經(jīng)過計(jì)算，摩擦熱效應(yīng)導(dǎo)致的ΔλB小于1 pm，仍可忽略不計(jì)。所以，式（2）可簡化為

由此可知，1 pm 解調(diào)精度的FBG 解調(diào)儀下， FBG 傳感器可感知到最低0.82 με 的應(yīng)變。

2.2 滑觸感知的材質(zhì)分類原理

在FBG 硅橡膠感知單元周圍截取一小塊基體微元，剖面變形分析如圖4，實(shí)線表示受力前，虛線表示受力后。建立坐標(biāo)系，設(shè)硅橡膠在x軸方向的長度為l，受到摩擦力為F，微元變形量為Δl，高度為?，寬度為b。

圖4 剖面應(yīng)變分析Fig.4 Profile strain analysis

假設(shè)物體與硅橡膠不發(fā)生相對滑動，根據(jù)材料力學(xué)中應(yīng)變的基本定義與剪切應(yīng)變定義可得

式中，剪切彈性模量G為材料系數(shù)。剪切彈性模量由其他材料常數(shù)確定G=E/2(1+v)，其中彈性模量E、泊松比v均為常數(shù)，故而G也為常數(shù)。

根據(jù)角度關(guān)系可得

根據(jù)應(yīng)變定義可得

根據(jù)式（4）～（6）以及式（3）可得

當(dāng)α=0°時(shí)，ΔλB取得最大值，即當(dāng)光纖光柵傳感器水平嵌入封裝時(shí)（如圖1），其靈敏度最大，波長變化為

由于不同材質(zhì)滑移受到的摩擦力F不同，ΔλB也會各不相同的持續(xù)性變化，作為接收不同材質(zhì)表面特性的變量。將由靜止到滑移結(jié)束過程中的中心波長變化規(guī)律作為不同材質(zhì)之間的差異特征，利用機(jī)器學(xué)習(xí)的分類訓(xùn)練，建立分類模型，實(shí)現(xiàn)波長數(shù)據(jù)變化與材質(zhì)類別之間的聯(lián)系。

3 波長數(shù)據(jù)特征與分類

材質(zhì)表面粗糙度、滑移等特征通過FBG 中心波長表現(xiàn)出來，提取適當(dāng)?shù)臄?shù)據(jù)特征值，形成數(shù)據(jù)集，用于分類訓(xùn)練。最后，通過建立的分類模型，實(shí)現(xiàn)材質(zhì)的在線識別。

3.1 數(shù)據(jù)采集

在滑移感知研究中，以聚乳酸（Polylactic Acid， PLA）、粗布、800 目砂紙三種材質(zhì)為樣本進(jìn)行試驗(yàn)。PLA 為3D 打印滑塊的耗材，直接用于滑移，粗布與800 目砂紙則固定于滑塊與FBG 硅橡膠感知單元接觸的一面。三種材質(zhì)中，粗布質(zhì)地較為柔軟，滑移時(shí)與硅橡膠之間粘性最小，PLA 與800 目砂紙的觸感相近。為保證被測材質(zhì)接觸面為滑移過程中唯一差異，將滑塊的質(zhì)量都設(shè)置為100 g，如圖5。使用電腦上位機(jī)來控制單片機(jī)，單片機(jī)發(fā)送脈沖使滑臺勻速水平移動，推動滑塊由基臺的一端經(jīng)過FBG 至另一端，進(jìn)行15、10、5 cm/s 三種速度的滑移測試。槽口的另一側(cè)外接FBG 解調(diào)儀，在各材質(zhì)滑塊開始滑移時(shí)開始記錄FBG 中心波長，以20 Hz 頻率進(jìn)行FBG 中心波長數(shù)據(jù)的保存。由于各材質(zhì)滑塊滑移路徑與FBG 中心波長采集頻率相同，不同速度下采集到的波長數(shù)量不同。

圖5 滑塊與表面材質(zhì)Fig.5 Slider and surface material

3.2 分類特征設(shè)定

常規(guī)提取特征的方法為計(jì)算中心波長變化的平均數(shù)（Ave）或中位數(shù)（Mid）。但該方法受FBG 遲滯性［19］影響，導(dǎo)致每次滑移初始中心波長不相同，如圖6，各材質(zhì)采集點(diǎn)1 的中心波長不等，使得所提取特征存在初始干擾因素?；诖耍疚奶岢龈鼮楹线m的三維特征信息：均值最大差、極差、標(biāo)準(zhǔn)差。

圖6 三種材質(zhì)與中心波長關(guān)系Fig.6 Three materials versus center wavelength

在滑移過程中，每次滑移將產(chǎn)生一組變化的中心波長，表面材質(zhì)所具有的特征也將映射至這些數(shù)據(jù)中。三種材質(zhì)在15 cm/s 滑移速度下采集的中心波長數(shù)據(jù)如圖6。

由圖6 可知，在每組中心波長數(shù)據(jù)中都存在突變點(diǎn)A。這是由靜摩擦轉(zhuǎn)變?yōu)閯幽Σ吝^程中的突變所產(chǎn)生的，即從靜止過渡到運(yùn)動發(fā)生的粘滑現(xiàn)象。此外，由于表面各接觸單元的粗糙特性，中心波長會圍繞初始中心波長浮動，且隨著滑塊移動到基臺的另一側(cè)而趨于穩(wěn)定。各材質(zhì)在滑觸感知過程中存在著不同的波長變化規(guī)律，需提取合適的數(shù)據(jù)特征來實(shí)現(xiàn)對材質(zhì)特有波長規(guī)律的分類歸屬。因此，本文選擇集中趨勢和離中趨勢［20］進(jìn)行特征提取。其中，集中趨勢主要包括中位數(shù)、平均數(shù)，用以描述數(shù)據(jù)的中心位置；離中趨勢主要包括極差、標(biāo)準(zhǔn)差、方差，用以描述數(shù)據(jù)的離散程度。

在選取集中趨勢數(shù)據(jù)特征時(shí)，考慮到FBG硅膠滑觸感知單元存在遲滯性，所以不直接采用平均中心波長，而采用均值最大差值Δλ(max_diff)=λB (max)-間接表示集中趨勢。離中趨勢特征則選取極差 Δλ(range)=λB (max)-λB (min)和標(biāo)準(zhǔn)差 Δλ(std)=來表示。在分類歸屬后本文特征映射流程原理如圖7。

圖7 特征映射流程原理Fig.7 Schematic of feature mapping process

將本文辦法與直接采用中心波長數(shù)據(jù)作為特征和常規(guī)的平均數(shù)、中位數(shù)作為特征的方法進(jìn)行對比。對比數(shù)據(jù)集設(shè)定為15、10、5 cm/s 滑移速度下的中心波長數(shù)組以及三者的混合數(shù)組。一次15 cm/s 滑移可采集約40 個(gè)波長數(shù)據(jù)；一次10 cm/s 滑移可采集約60 個(gè)波長數(shù)據(jù)，一次5 cm/s 滑移可采集120 個(gè)波長數(shù)據(jù)。

即中心波長分類訓(xùn)練法所有波長（40～120 個(gè)）都直接作為數(shù)據(jù)特征，常規(guī)分類訓(xùn)練法具有2 個(gè)數(shù)據(jù)特征，本文采用的均值最大差、極差、標(biāo)準(zhǔn)差的分類訓(xùn)練法具有3 個(gè)數(shù)據(jù)特征。

將以上三種特征提取方法統(tǒng)一采用三次SVM 算法進(jìn)行分類訓(xùn)練，訓(xùn)練好分類模型后，再使用交叉驗(yàn)證法進(jìn)行準(zhǔn)確度計(jì)算。最后進(jìn)行準(zhǔn)確度對比，其中混合是將三個(gè)滑移速度下的樣本數(shù)據(jù)集混合后進(jìn)行分類訓(xùn)練，結(jié)果如表1。

表1 各數(shù)據(jù)特征三次SVM 分類模型的準(zhǔn)確度Table 1 Accuracy of SVM classification models for each data feature three times

各分類特征方法訓(xùn)練效果如圖8 中的混淆矩陣所示?；煜仃囀且环N特定的矩陣用來呈現(xiàn)分類算法性能的可視化效果，通常應(yīng)用在監(jiān)督學(xué)習(xí)中。其每一列代表預(yù)測值，每一行代表實(shí)際的類別。

圖8 混淆矩陣Fig.8 Confusion matrix

直接選用波長數(shù)據(jù)作為識別特征，在相同特征個(gè)數(shù)下具有良好的分類效果。然而，進(jìn)行不同速混合分類時(shí)，由于波長特征數(shù)量不同（即10 cm/s 為60 個(gè)特征，15 cm/s 為40 個(gè)特征，5 cm/s 為120 個(gè)特征），導(dǎo)致分類準(zhǔn)確度大幅度下降，并且數(shù)據(jù)量過大，不適用于分類模型訓(xùn)練。同時(shí)，本文的三個(gè)特征分類訓(xùn)練法與常見的平均數(shù)與中位數(shù)分類訓(xùn)練法相比，具有更高的準(zhǔn)確度，并且能更好地應(yīng)對初始中心波長偏移和滑移速度改變帶來的干擾。

4 材質(zhì)分類算法及上位機(jī)控制方法

4.1 材質(zhì)分類訓(xùn)練原理

使用支持向量機(jī)（SVM）［21］訓(xùn)練分類模型和設(shè)計(jì)預(yù)測函數(shù)。SVM 本質(zhì)是量化兩類數(shù)據(jù)的差異，主要包括線性SVM、二次SVM 和三次SVM 以及高斯SVM 四種分類方法。

本文的FBG 滑觸傳感器在材質(zhì)識別應(yīng)用中，分類訓(xùn)練的目的是根據(jù)采集到的特征數(shù)據(jù)來區(qū)分不同的材質(zhì)類型，以15 cm/s 滑移速度的中心波長數(shù)組為例，提取特征后，78 個(gè)（3 種材質(zhì)×26 次數(shù)據(jù)）三維信息點(diǎn)情況如圖9。圖9（a）中的柱狀表示三維特征的平均值，誤差線為各數(shù)據(jù)特征的波動范圍，其中Δλ(max_diff)主要由粘滑現(xiàn)象所致，平均值分別為0.011、0.041、0.054；Δλ(range)與Δλ(std)則主要受粘滑現(xiàn)象與滑移整體阻力的影響，平均值分別為0.044、0.127、0.091 與0.012、0.03、0.022。圖9（b）中散點(diǎn)表示該材質(zhì)在單次滑移后波長數(shù)據(jù)的特征值，三種材質(zhì)的散點(diǎn)存在較為明顯的空間區(qū)分，粗布由于本身粘性小和柔軟的特點(diǎn)，其灰色散點(diǎn)在三維圖中最接近原點(diǎn)。

圖9 各材質(zhì)三維特征值Fig.9 Three-dimensional characteristic values of each material

提取三維特征作為映射材質(zhì)差異特性的分類方法，其數(shù)據(jù)集可表示為n樣本×3 維度的矩陣每個(gè)樣本點(diǎn)表示一個(gè)3 維的特征向量。

線性SVM 通過設(shè)定線性超平面W1Δλ(max_diff)+W2Δλ(range)+W3Δλ(std)=0 來進(jìn)行數(shù)據(jù)區(qū)分，其中W為變量的權(quán)重，用于確定最優(yōu)超平面。二次SVM 和三次SVM 使用多項(xiàng)式核函數(shù)來進(jìn)行特征映射，構(gòu)建非線性超平面來分隔數(shù)據(jù)點(diǎn)。二次SVM 使用二次多項(xiàng)式核函數(shù)，而三次SVM 使用三次多項(xiàng)式核函數(shù)。高斯SVM 是一種非線性分類方法，它通過將數(shù)據(jù)映射到高維特征空間并利用高斯核函數(shù)來計(jì)算樣本之間的相似性。高斯SVM 的超平面在高維特征空間中構(gòu)建，可以有效地處理非線性問題。

對于粗布、PLA、砂紙800 目三種材質(zhì)的分類問題，SVM 分類算法可以擴(kuò)展到多分類問題。一種方法是使用一對多（One-vs-Rest）策略，文中為一對二，即為每個(gè)類別訓(xùn)練一個(gè)二分類SVM 模型。本文是三種材質(zhì)分類問題，因此需要建立三個(gè)支持向量機(jī)模型。訓(xùn)練中將該類別視為正例，而其他所有類別視為負(fù)例。然后，通過將驗(yàn)證樣本傳遞給所有二分類模型，并選擇具有最高置信度的類別作為預(yù)測結(jié)果。另一種方法是一對一（One-vs-One）策略，即為每對類別訓(xùn)練一個(gè)二分類SVM 模型。訓(xùn)練完成后，可以通過預(yù)測新樣本的類別來進(jìn)行分類。

4.2 優(yōu)化分類模型與材質(zhì)識別

選擇5、10、15 cm/s 混合234 次滑移共約17 160 個(gè)中心波長作為原始數(shù)據(jù)，提取每次滑移中本文設(shè)計(jì)的三種數(shù)據(jù)特征。這些特征構(gòu)成了234 樣本×3 維度的矩陣數(shù)據(jù)集。

通過迭代算法和交叉驗(yàn)證技術(shù)，根據(jù)最小分類誤差值進(jìn)行模型評估，尋找最優(yōu)的SVM 分類模型。將訓(xùn)練后的模型用于后續(xù)的預(yù)測，材質(zhì)識別提供了準(zhǔn)確性和可靠性最優(yōu)的解決方案。根據(jù)圖10 迭代次數(shù)與最小分類誤差關(guān)系可知，最終選定模型的最小分類誤差為0.034 124，具有96.6%的準(zhǔn)確度。同時(shí)，建立了模型函數(shù)“trainModel.mat”，通過輸入三個(gè)特征的具體數(shù)值，可以輸出對應(yīng)的材質(zhì)類別，步驟流程如圖11。

圖10 迭代次數(shù)與最小分類誤差關(guān)系Fig.10 Number of iterations versus minimum classification error

圖11 材質(zhì)識別步驟Fig.11 Material recognition step-by-step

4.3 上位機(jī)系統(tǒng)

利用MATLAB 的App Designer 進(jìn)行上位機(jī)軟件設(shè)計(jì)，作為控制系統(tǒng)，系統(tǒng)的硬件實(shí)物如圖12。

圖12 系統(tǒng)硬件實(shí)物Fig.12 Photo of the system hardware

以單片機(jī)作為下位機(jī)，控制滑塊的滑移。單片機(jī)發(fā)送脈沖信號驅(qū)動電機(jī)轉(zhuǎn)動。上位機(jī)中輸入的滑移速度v（單位cm/s）與單片機(jī)輸出脈沖頻率f的轉(zhuǎn)換關(guān)系為

式中，θ為步距角，P為絲桿導(dǎo)程乘積。

材質(zhì)預(yù)判的上位機(jī)設(shè)計(jì)， 主要功能為顯示收集的中心波長，并提取三個(gè)數(shù)據(jù)特征保存至數(shù)組t_test，利用預(yù)測函數(shù)trainedModel.predictFcn（t_test）進(jìn)行材質(zhì)預(yù)判。

滑臺控制與在線材質(zhì)識別系統(tǒng)上位機(jī)如圖13，其具有控制滑移平臺滑移速度、顯示采集中心波長與三維特征值、在線材質(zhì)識別的功能。

圖13 上位機(jī)界面Fig.13 Host computer interface

4.4 驗(yàn)證測試結(jié)果

由于所有的數(shù)據(jù)集為5、10、15 cm/s 滑移速度時(shí)的波長信息。驗(yàn)證測試時(shí)上位機(jī)隨機(jī)設(shè)定5～15 cm/s的滑移速度進(jìn)行觸覺感知，即中心波長采集。同時(shí)為保證試驗(yàn)的科學(xué)性與合理性，選用滑移接觸表面材質(zhì)時(shí)，每種材質(zhì)的測試樣品選擇三個(gè)，每個(gè)樣品進(jìn)行四次范圍內(nèi)的隨機(jī)速度滑移，共計(jì)36 次試驗(yàn)（3 類材質(zhì)×3 個(gè)樣品×4 次滑移），預(yù)判結(jié)果如表2，識別結(jié)果與分類模型準(zhǔn)確度相近。

表2 測試結(jié)果Table 2 Results of the tests

5 結(jié)論

以FBG 硅橡膠滑觸感知單元為基礎(chǔ)，實(shí)現(xiàn)了在線材質(zhì)識別。針對粗布、PLA、砂紙800 目三種材質(zhì)，通過對接觸表面材質(zhì)的粗糙度、粘滑現(xiàn)象等差異特性的感知和數(shù)據(jù)特征提取，利用SVM 算法進(jìn)行分類訓(xùn)練并優(yōu)化，建立具有96.6%準(zhǔn)確度的分類模型，可實(shí)現(xiàn)對不同材質(zhì)的準(zhǔn)確識別。在5～15 cm/s 隨機(jī)滑速的36 次驗(yàn)證測試中正確識別了34 次，驗(yàn)證了本文方法在實(shí)際應(yīng)用中的可行性和有效性。研究結(jié)果表明，F(xiàn)BG 傳感器在材質(zhì)識別和觸覺感知方面具有很大的應(yīng)用潛力，可為智能感知機(jī)器人提供一種在線材質(zhì)分類識別方法。