在大型装备制造中，如集装箱等行业，焊接过程中障碍物的实时识别与智能规避是实现焊接自动化的必然要求. 通常情况下，集装箱大梁焊件上的障碍物具有尺寸多变性、结构多元化等特点. 因此，难以通过传统的障碍物视觉识别方法实现实时而精确的障碍物识别[1]. 目前，大梁焊接仍处于半自动阶段，进行焊接障碍物实时识别的研究意义重大.
在基于目标函数的聚类算法中，模糊C均值聚类(Fuzzy C-means)算法的理论最为完善、应用最为广泛[2]. 为克服上述问题，提出一种优化模糊C均值实时聚类(RNGK-FCM)的大梁焊接障碍物识别方法. 该方法通过在传统FCM算法中采用实时聚类策略，自适应获取聚类数[3]；替换为核化距离函数[4]，使其具有较好的鲁棒性；修正了快速全局搜索特性，实现障碍物的精准识别.
刘志武说到最后就有些洋洋得意了，他毕业于省警官学院，是美女邢慧的师兄。他这样一分析，周所长也就无话可说了。秦明月也在心中暗思忖，看来这小子是一块刑警的料，但是却面无表情，刘志武这家伙毕竟还年轻，凡事都爱表现自己，性格过于外露张扬，从他不断反驳周所长就可以看出这一点，而这又是做一名好刑警的致命缺点。
秀珠是个性急的人，忍耐不住，次日便到金家来了。一进门，就见一辆汽车停在门口，梅丽挟着一包书，从车上下来。秀珠便叫道：“老八刚下学吗？”梅丽回头一看，笑道：“好几天不见哩，今天你来好极了，我约了几个人打小扑克你也加入一个。”秀珠笑道：“你们一家人闹罢，肥水不落外人田，别让我赢去了。”梅丽对秀珠望着，将左眼目夹了一下，笑道：“你不是我一家人吗？就让你赢了去了，也不是肥水落了外人田啦。”秀珠笑道：“你这小东西，现在也学会了一张嘴。我先去见你三嫂，回头再和你算帐。”梅丽笑道：“我不怕。我到六姐那里去补习法文，你到那里去找我得了。”谈毕，梅丽的皮鞋，得得地响着，已跑远了。
FCM聚类是基于目标函数的模糊聚类方法，即把聚类归结成一个带约束的非线性规划问题，通过优化求解获得数据集的模糊划分和聚类.
传统FCM算法的流程如图1所示.
图1 传统 FCM 算法的流程图
Fig. 1 Flow chart of traditional FCM algorithm
在解决大梁焊接障碍物识别的实际问题过程中，传统FCM算法存在以下问题：聚类趋势及有效性分析是隔断的[5]，实时聚类受到限制；受采集的样本点中噪声点影响较大，可实现的聚类结构单一，不适用于高维特征的空间复杂度；对参数设置敏感，目标函数是非凸的，通过迭代爬山法实现，很容易陷入局部极小值，得不到全局最优解.
RNGK-FCM算法是根据大梁障碍物识别存在的问题提出的一种实时快速全局智能算法，以满足大梁焊接障碍物的精准实时识别要求.
小组合作学习的重要特征是“合作、讨论和交流”，其在发挥学生主动性，发展学生能力和培养学生个性化学习方面有着其它教学方法不可替代的作用.小组合作学习是许多学者探究的课题，并有许多有效的方法和成果，这就为教师教学提供了丰富的理论资源.下面笔者结合高中化学教学实际情况和其它学者的研究资料对小组合作学习的具体应用进行进一步的探讨.
引入动态矩阵维度因子
式中：
度量值
定义表征类间分离程度的分割性度量为
式中
用最大值法将紧密性度量和分割性度量标准化得到
在下文中,称由式(3)计算覆盖粒规则(xi)B→Dk的似然比值R((xi)B→Dk)为覆盖似然比值,为了方便,简称覆盖值。
由式(3)可知，紧密性度量越小，或分割性度量越大，则不同类之间的数据差异越大. 因此，
何良诸说的是实话。不料，一个驼背老头跳起来，“噗”，狠啐一口唾沫：“操你妈！耽误你走道了，把王八脖子给老子窝回去！”
大梁在焊接过程中，采集3维信号的样本点受弧光、飞溅等噪声点影响较大，传统FCM算法不适用于高维特征的空间复杂度. 同时，由紧密性度量分析可知核化距离函数更具有鲁棒性.
采用核化距离的聚类方法在原始空间寻找聚类中心来优化目标函数. 假设
在工业文化创意产品开发领域，齐齐哈尔市围绕工业文化这一主题虽然开发出了一些文创产品，但也面临着产品题材单一、消费者认可度低等问题。
则
联立式 (4)和式 (5)可得关
求得隶属度函数为
何谓积累？逐渐聚集的意思。既然是“逐渐”，便需“日积”且“月累”。有心之人，处处都是德育素材：某件新闻事件、某张震撼人心的照片、某首令人怦然心动的歌、某部扣人心弦的电影、某段颇有创意的广告、某个商店的招牌……用心观察，勤于动手，将之搜集，并归类整理，等遇到类似的情景时，这些积累的东西会忽然从脑海中跳出来，经过“揉碎”“整合”，为己所用。
聚类中心的迭代式方程解为
传统FCM算法是以前述聚类准则为目标函数的一种局部寻优技术，容易陷入局部极小值.
全局优化，以FCM作为局部搜索，首先迭代出数据矩阵
通货膨胀对钱多的人有害，还是对钱少的人有害？我的答案是对钱少的人有害。因为钱多的人，一般都把钱变成了资产，资产保值，抵御了通胀。而钱少的人，一般是存款或持有现金。
经全局优化后需要执行
快速优化，不需要对全局优化中的每个初始聚类中心执行迭代来找出最小的目标函数值
经快速优化后的迭代次数约为优化前的
大梁因尺寸结构需要，焊接区域随机分布流水槽、加强板、辅助上翼板等障碍物，如图2所示.图2中Oi，Ni(i=1，2，3)分别为三类障碍物识别出现及消失点(即聚类数变化点). 根据大梁焊接生产需求，各障碍物避障策略为：所示↑，↓分别为焊接熄弧退枪点及进枪引弧点，ab，cd，ef，gh，ij为非焊接部位，bc，hi段为障碍物特定高度焊接部位. 以流水槽为例，预设聚类数变化点与前后非焊接部分端点间的距离值 aO1，O1b，cN1，N1d，若 O1，N1聚类数及类属识别精准，则分别在a，c和b，d位置点熄弧和引弧，实现大梁自动焊.
图2 大梁障碍物示意图
Fig. 2 Schematic diagram of obstacles on grinder
利用线阵CCD视觉传感器对大梁障碍物进行周期性信号采集. 通过变基值法获取200组3维特征位置峰值信号原始数据集，部分归纳于表1.
表1 部分特征位置峰值信号的原始数据
Table 1 Part of original data of feature location peak signal
距离序号
为了验证RNGK-FCM算法实时聚类性能，利用MATLAB平台仿真，表1所示数据作为样本矩阵. 初始参数设置：隶属度矩阵加权指数为2，最大迭代次数为 100，迭代阈值为1×10-6，
为了验证实时聚类的精度，记录RNGK-FCM算法及传统FCM算法在表1所示B48，C6，D66，A80(200)位置的3D聚类聚类结果，如图3所示.
图3 FCM 和 RNGK-FCM 聚类结果图
Fig. 3 Clustering results of FCM and RNGK-FCM
对比图3a和图3d可知，RNGK-FCM算法各障碍物聚类误判数较之传统FCM算法少，仅有极个别过渡数集存在聚类混淆；同时，噪声点未被误判成障碍物，从各类障碍物聚类结果的位置和紧致性来看，噪声点对聚类结果影响较小，而传统FCM算法中由于聚类数恒定为4，噪声点误判成纵向加强板，而纵向加强板受聚类数限制，误判成横向加强板. 再从图3b～3d亦可看出，智能获取的聚类数依次为2，3，4，符合实际情况，聚类效果良好.
激励理论被广泛应用于教学实践，以调动学生的学习积极性。高职管理类专业开设沙盘实训课程越来越普及。沙盘实训课程是基于仿真环境，将学生分成若干个经营团队，每个团队经营一家初始状态相同的模拟企业，在一定的经营规则下，开展竞争性经营活动的经营体验课程。
大梁障碍物实时聚类过程中受弧光飞溅影响，噪声点不可避免. 为了测试核化函数替换算法对噪声点的鲁棒性，在原始数据集上对R-FCM与RNFCM进行对比试验. 数据集中包含2个随机的噪声点 V01(234，222，198)和 V02(221，214，198)，记录这两种算法下的聚类中心及核偏距，如表2所示.
从表2可以看出：RN-FCM算法与R-FCM相比，存在噪声点所得到的聚类中心
表2 噪声点影响对比结果
Table 2 Comparison result of noise influence
R-FCM聚类中心
应用传统FCM算法、RN-FCM算法、RNGFCM算法、RNGK-FCM算法对原始数据集进行试验，对比分析全局快速优化效果，绘制各算法的迭代次数与目标函数值的曲线图，如图4所示.
图4 各算法的迭代次数及目标函数值
Fig. 4 Iteration and objective value of algorithms
归纳各FCM算法的主要聚类性能于表3.
表3 各算法主要聚类性能
Table 3 Main clustering performance of algorithms
FCM算法 迭代次数n 目标函数值 耗时t/ms正确率A(%)传统FCM 25 90 974.531 32 38.421 82.5 RN-FCM 54 90 521.181 93 83.635 86.5 RNG-FCM 58 89 047.970 58 91.682 94.0 RNGK-FCM 22 89 046.840 97 30.476 92.0
从图3和表3可看出，RNG-FCM算法相比传统FCM算法和RN-FCM算法，最小目标函数值搜寻速度快，具有全局特性，不易陷入极小值，聚类正确率最高，但迭代次数最大；同时，RNGK-FCM算法运行耗时最短，迭代次数较之RNG-FCM算法有明显改善，且聚类正确率与之基本相当. 由此知RNGK-FCM算法全局快速优化效果良好.
为了验证RNGK-FCM算法应用于大梁焊接障碍物识别的精度、时效及稳定性，在某公司大梁自动焊生产线平台进行识别试验，结果如图5所示.记录未焊部分长度，与预设值对比于表4.
图5 障碍物识别效果图
Fig. 5 Clustering results of FCM and RNGK-FCM
表4 各障碍物实测未焊部分长度 (mm)
Table 4 Measured no-weld part length of obstacles
性能指标流水槽 加强板 辅助上翼板aO1O1b cN1N1d eO2N2f gO3O3h iN3N3j预设 30 10 10 30 15 15 40 10 10 40实测 20 12 8 42 12 19 47 9 10 46差值 -10 2 -2 12 -3 4 7 -1 0 6
从图5可知，各障碍物聚类数变化及障碍物类属判别正确，与避障策略相符. 从表4可看出，流水槽障碍物出现和消失时聚类数变化比理想情况下偏晚，实时性受到流水槽渐变弧面影响；加强板障碍物及辅助上翼板聚类数变化点精准，实时性优良，实时聚类识别精度高. 总体而言，各障碍物聚类识别效果较好，符合大梁自动焊生产要求.
(1)提出了一种优化模糊C均值实时智能聚类(RNGK-FCM)的大梁焊接障碍物识别方法，引入实时聚类策略，替换核化距离函数，全局快速优化.
实验所需的药材于2016年6月采于新疆伊宁，经鉴定为车前属(Plantago)植物巨车前(Plantago maxima Juss. ex Jacq.)，凭证标本(TLM-201601)存放于塔里木大学生物资源保护利用兵团重点实验室天然产物研究室。
(2)利用CCD视觉传感器采集大梁障碍物的原始数据集，通过MATLAB仿真对比不同FCM算法的聚类性能. 结果证明，RNGK-FCM算法实时性能好、鲁棒性能优、运行速度快、聚类精度高.
(3)在某公司大梁自动焊生产线进行试验，证明了各障碍物聚类数变化及障碍物类属判别正确，实时性优良，为实现大梁自动焊打下了坚实的基础.
参考文献：
[1]庹宇翔, 石繁槐, 林 涛. 一种移动焊接机器人障碍物检测与定位方法[J]. 上海交通大学学报, 2010, 44： 126 - 128.Tuo Yuxiang, Shi Fanhuai, Lin Tao. A method for obstacle detection and location based on mobile welding robot[J]. Journal of Shanghai Jiaotong University, 2010, 44： 126 - 128.
[2]Gong M, Liang Y, Shi J, et al. Fuzzy c-means clustering with local information and kernel metric for image segmentation[J]. IEEE Transactions on Image Processing, 2013, 22(2)： 573 - 584.
[3]唐正魁, 董俊慧, 张永志, 等. 混合聚类RBF神经网络焊接接头力学性能预测[J]. 焊接学报, 2014, 35(12)： 105 - 108.Tang Zhengkui, Dong Junhui, Zhang Yongzhi, et al. Prediction of mechanical properties of welding joints by hybrid cluster fuzzy RBF neural network[J]. Transactions of the China Welding Institution, 2014, 35(12)： 105 - 108.
[4]余晓东, 雷英杰, 宋亚飞, 等. 基于核距离的直觉模糊C均值聚类算法[J]. 电子学报, 2016, 44(10)： 2530 - 2534.Yu Xiaodong, Lei Yingjie, Song Yafei, et al. Intuitionistic fuzzy C-means clustering algorithm based on kernelled distance[J]. Acta Electronica Sinica, 2016, 44(10)： 2530 - 2534.
[5]王威娜, 陈巨龙, 温宇鹏. 自适应的模糊C均值聚类算法[J]. 吉林化工学院学报, 2008, 25(2)： 80 - 82.Wang Weina, Chen Julong, Wen Yupeng. Adaptive fuzzy C-means clustering algorithm[J]. Journal of Jilin Institute of Chemical Technology, 2008, 25(2)： 80 - 82.
联系客服
