（二）方法概述

本文提出的基于时间序列力信息的多分类1DCNN-GRU接触状态识别模型方法框架如图2所示，由接触状态识别和导纳控制与状态机切换两部分核心模块组成。

（1）接触状态识别：以六维力/力矩传感器的时序数据为输入，经重力补偿与坐标变换后送入多分类1DCNN-GRU模型，输出姿态调整方向对应的导纳参数。

（2）导纳控制与状态机切换：基于导纳控制器执行姿态调整，并通过状态机在接近 (S1)、接触 (S2)、对准 (S3)、拟合 (S4)、插入 (S5)与完成 (S6)这6个阶段之间无缝切换，在线更新导纳参数以保证平滑且安全的装配过程。

为确保机械臂与环境间的柔顺交互，采用基于速度的导纳控制：

其中， V_d 和 V分别为期望速度和当前实际速度，和分别为期望加速度和当前实际加速度，F_d 和 F 分别为期望接触力和当前实际接触力，M_d 和 B_d 分别表示期望惯性参数和阻尼参数。

离散化处理后，对速度采用后向差分：

其中，和分别为k时刻的期望速度和当前实际速度，和分别为k-1时刻的期望速度和当前实际速度，和分别为k时刻的期望接触力和当前实际接触力，T 是离散控制周期。通过基于速度的导纳控制获得后，将其发送至机械臂的速度控制接口进行实际控制。

整个装配过程主要通过状态机执行，依据接触力与位置误差判定状态切换条件，实现自动化流程。各状态的切换条件如图 4 所示，其中S1-S6代表不同状态，C1-C5代表每个状态的切换条件，虚线箭头表示轴的运动方向。 

图4 基于状态机的整体装配过程可视化

图5 基于1DCNN-GRU的多分类接触状态预测模型结构图

表1 1DCNN-GRU 模型参数 

为对比不同分类方法的有效性，本研究评估了1DCNN、LSTM、GRU、1DCNN-LSTM及1DCNN-GRU模型的性能。图6展示了各类方法在训练过程中损失函数与准确率的变化过程。表2呈现了不同分类模型在测试集上的性能，结果表明1DCNN-GRU模型在测试集上的分类性能显著优于传统SVM方法和其他深度学习分类方法。

图6 不同分类模型的训练过程对比。(a) 损失函数；(b)准确率 

表2 各种方法在测试集上的分类性能

状态机被用于物理验证，实验过程如图7和图8所示。接近阶段 (S1)采用位置控制，接触阶段到完成阶段(S2-S6)采用导纳控制。在接触状态 (S2)，销以适当的惯性和阻尼垂直向下移动，直至销与孔接触；在姿态调整状态 (S3)，减小力矩的惯性和阻尼参数，根据 1DCNN-GRU 接触状态识别模型设置力矩参数；在贴合状态(S4)，增大力矩的惯性和阻尼参数以减缓姿态调整过程，同时提高预期z轴力到12 N，确保销与孔的稳定接触；在插入状态 (S5)，进一步增大力矩的惯性和阻尼参数以减缓姿态调整过程，同时提高预期z轴力到20 N，使销与孔接触更紧密；在完成状态 (S6)，力参数F_d 设置为0，停止销的运动，表示销插入过程结束。

图 7 门锁解锁实验快照：(1) 接触孔，(2) (3) 使用 1DCNN-GRU 接触状态识别模型进行姿态调整，(4) 贴合，(5) 插入，(6) 锁已打开

图 8 自行车锁解锁实验快照：(1) 接触孔，(2) (3) 使用 1DCNN-GRU 接触状态识别模型进行姿态调整，(4) 贴合，(5) 插入，(6) 锁已打开

为评估所提方法的有效性，进行了双臂钥匙解锁装配实验。实验中，左臂以-35°~35°的倾斜角度夹持锁孔底座，右臂夹持钥匙进行解锁装配。随机选择了4种不同的锁孔底座姿态，每种姿态测试 100次。实验结果如表 5 所示，基于 1DCNN-GRU 的方法可以完成倾斜孔的装配任务，平均成功率为94%，显著高于SVM方法84%的成功率。

表 5 在400 次销入孔实验中两种方法装配成功率对比

综上所述，本文提出了一种面向任意倾角孔的学习型装配策略，以时序力信息驱动的1DCNN-GRU接触识别模型结合自适应导纳控制与状态机，实现了自动化、安全且高效的插销装配。在门锁与自行车锁场景中，装配成功率最高达94%，显著高于传统方法，展示了其在复杂倾角结构装配中的应用潜力。