基於機器學習的機器人磨削方法

2023-07-16 02:35:06 2

專利名稱：基於機器學習的機器人磨削方法
技術領域：
本發明屬於磨削加工領域，特別涉及基於機器學習的機器人高精度磨削方法。
背景技術：
磨削加工應用範圍廣範，主要分為砂輪磨削和砂帶磨削，作為加工的最後工序，磨削工藝水平往往決定了產品的檔次。因此磨削加工工藝在機械加工領域中佔有非常重要的地位。 磨削是根據工件形狀，用高速運動的砂帶及相應的接觸方式對工件表面進行磨削的一種工藝。這種加工工藝在航空航天、國防、電力、船舶、醫療等領域具有重要且廣泛的應用背景，例如，航空發動機、大型汽輪機、燃氣輪機、船舶推進器、風力發電機的葉片等的精加工均採用這種加工工藝。磨削在民用產品中應用更為廣泛，例如各種貴重藝術裝飾品、人造關節、家庭裝飾用品(水暖件、燈具等)、樂器和家用電器(手機、MP3、數位相機等的外殼)的表面加工等。 國內外對於複雜幾何形狀工件的磨削方式主要有普通磨床的人工磨削、專用磨削
工具機和數控磨削工具機等。普通磨床的人工磨削費時且勞動強度大，加工成品率低，產品一致
性不好，工人培訓周期長，工人的"手藝"直接決定了產品質量；專用磨削工具機通用性差，只
適合批量生產；數控磨削工具機成本高，缺乏柔性，設備使用範圍窄，可拓展範圍小。 近年來，隨著工業機器人技術的不斷發展和勞動力成本的不斷上升，機器人加工
引起了人們的關注。與市場上較為典型的5軸磨削加工工具機相比，機器人柔性磨削加工系
統具有靈活性高、通用性強、易於擴展等優點，而且由於系統基於通用設備，造價和加工成
本大大低於專用工具機。 機器人加工所需的設備一般包括如下幾個部分砂帶(也可以是砂輪)，對工件進行磨削加工；機器人，用於固定工件並控制磨削工件與砂帶的接觸力及工件加工速度；三維測量儀，用於測量工件加工面的曲率和磨削量；六維力傳感器，用於測量工件與砂帶的接觸力；位置傳感器，用於測量機器人加工速度；控制計算機，對測量儀採集到的數據進行處理。 目前大多數複雜型面加工的機器人磨削系統尚處於實驗室研究階段，主要研究目標是機器人打磨或拋光以提高表面光潔度。從市場看，由於在某些場合下，簡單的打磨拋光有時不能體現機器人系統的優越性，反而較低的人工成本成為優勢。通過機器人系統對複雜曲面工件外表面進行磨削加工使之達到設計尺寸公差和表面質量的一種精加工過程工藝則可以進一步提升機器人在磨削領域的技術檔次，不僅強調其加工柔性，更充分發揮機器人磨削的精度優勢，能更好地開拓機器人應用領域。同時，這種加工方式具有很大的市場需求潛力，在全球範圍內，在能源和再製造的背景下，複雜曲面修型磨削的需求在不斷高漲，典型的如葉片，由於加工精度直接影響其工作效率和壽命，加工精度已成為葉片加工行業關注的焦點。但目前，對於葉片等複雜型面的磨削，磨削過程中都沒有針對磨削量的過程控制，磨削過程主要針對工件的表面光潔度。對於精度要求很高的葉片，國內外各大廠商通常採用的是磨削加工與離線測量相結合的加工方法，通常的工藝是採用精鑄、高精度銑以及反覆人工磨削、反覆測量相結合，直到達到工件的加工精度為止。這種方式花費非常高，系統通用性差，加工效率低，由於磨削過程參數和實際磨削量之間的關係非常複雜，不確定的人工操作無法保證磨削加工精度的一致性。

發明內容
本發明的目的是為克服已有技術的不足之處，提出一種基於機器學習的機器人高精度磨削方法；可實現高精度磨削，降低生產成本，提高加工效率。 主要包括機器人，用於控制磨削工件與砂帶(砂輪)的接觸力及工件加工速度；砂帶(砂輪)，對工件磨削加工；測量儀，用於測量工件加工面的曲率和磨削量；控制計算機，對測量儀採集到的數據進行處理； 本發明提出的一種基於機器學習的磨削方法，其特徵在於，該方法主要包括
1)原始數據採集在砂帶工作的各個階段，對不同材質的工件進行磨削實驗，用六維力傳感器測量工件與砂輪的接觸力f，利用三維測量儀測量工件磨削麵的曲率S和磨削量U，用位置傳感器測量加工速度V，然後以向量形式進行存儲〈Ui & Vi Si>，i = l、2……N，N為原始數據的組數； 2)建立原始動力學模型利用原始數據，採用機器學習的方法進行動力學模型建模及初始化機器人自適應動力學模型集；
原始動力學模型m。的表達式為 W =》oier°""_/)2+(V'-V)2+("2J + ro3 .式中，r。值代表〈Ui & Vi Si>的工況，r01， r。2， r。3為r。的三個分量;初始化機器人自適應動力學模型集為M = {m。}，工況參數集為R = {r。};
(3)根據原始動力學模型和磨削時當前工況條件的測量數據，建立當前機器人自適應動力學模型，進行當前的磨削操作，並將該模型加到機器人自適應動力學模型集M中；具體包括 (31)在磨削操作時，在位測量得到當前工況的磨削量u'、接觸力f'、加工速度
V'、工件曲率S'，並以向量形式存儲〈U'i f'i V'i S' i>; (32)利用測量的當前數據，採用SVM方法以當前數據〈u' i f' i v' iS',為輸入，輸出當前工況參考參數r ; (33)找到參數集R中與r最接近的分量，當初始狀態下，以m。為基礎，結合當前的測量數據，採用SVM方法訓練出當前的工況參數巧值並且建立適應當前工況巧的動力學模型IV巧存儲形式為〈ru r12 r13>， r12 r13為巧三個分量； n^表達式為:1/ = ^^/J力—/)2+(V'—V)2+"'—"2] + & . (34)根據當前工況條件的機器人自適應動力學模型mi，採用已知的智能優化算法對機器人的路徑l、磨削速度v、接觸力f參考軌跡進行優化後，進行當前的磨削操作，把n^加入模型集中，巧加入到工況參數集中，更新模型集和工況參數集為M= {m。，mi}，R= {r。，
4formula see original document page 5
(35)重複(31)、 (32)、 (33)、 (34)的步驟，進行當前的磨削操作，並不斷得到當前的工況參數ri和與之對應的動力學模型!v並把mi加入模型集中，ri加入到工況參數集中，不斷更新模型集和工況參數集為M = {m。， mi. mi. } ， R = {r。，巧.iv }。
本發明的特點和效果 本發明採用機器學習方法直接構建磨削系統動力學模型，從而找到了磨削量和機器人被控參量之間的關係，避免了磨削過程的盲目性。 本發明建立的動力學模型具有很好的適應性，能夠適應不同的工況條件，可以根
據當前較少的數據樣本快速建立適應當前工況條件的動力學模型，提高磨削精度和生產效率； 本發明採用智能優化算法，實現對磨削過程的高品質控制。


圖1為已有的機器人高精度磨削設備結構示意圖。
圖2為本發明方法的總體流程圖。
具體實施例方式
本發明提出的基於機器學習的機器人磨削方法結合附圖及實施例詳細說明如下 本發明方法的總體流程如圖1所示，詳細說明如下 1)原始數據採集在砂帶工作的各個階段，對不同材質(本實施例中採用航空鋁合金、黃銅、鎂合金、鈦合金、球墨鑄鐵和硬質合金)的工件進行大量的磨削實驗，用六維力傳感器測量工件與砂輪的接觸力f，利用三維測量儀測量工件磨削麵的曲率s和磨削量u，用位置傳感器測量加工速度V，然後以向量形式進行存儲〈Ui & Vi Si>， i = 1、2……N， N為原始數據的組數(至少2000以上)；在進行原始數據的採集過程中，覆蓋了實際磨削中各種情形； 2)建立原始動力學模型利用原始數據，採用機器學習的方法進行動力學模型建模及初始化機器人自適應動力學模型集；
具體步驟如下 (21)首先用SVM方法，以原始數據〈Ui & Vi Si〉為輸入，輸出參數r。的值，以向量形式存儲:〈r01 r02 r。3>， r01， r。2， r。3為r。的三個分量；r。值代表〈Ui ^ Vi 的工況，即磨削加工的工作環境(工況主要體現為砂帶狀態、工件材質、環境溫度等因素)；
(22)然後建立原始動力學模型m。，其表達式
formula see original document page 5f 、工件曲率S、工件加工速度V之間的關係； (23)初始化機器人自適應動力學模型集M和工況參數集R :M = {m。}，工況參數集
(3)根據原始動力學模型和磨削時當前工況條件的測量數據，建立當前機器人自適應動力學模型，進行當前的磨削操作，並將該模型加到機器人自適應動力學模型集M中；具體包括 (31)在磨削操作時，在位測量得到當前工況的磨削量u、接觸力f'、加工速度V'、工件曲率S'，並以向量形式存儲〈U'i f'i V'i S' i>; (32)利用測量的當前數據，採用SVM方法以當前數據〈u' t f' t v' iS',為輸入，輸出當前工況參考參數r ; (33)找到參數集R中與r最接近的分量(初始狀態下只有r。)，以m。為基礎，結合當前的測量數據，採用SVM方法訓練出當前的工況參數巧值並且建立適應當前工況巧的動力學模型巧存儲形式為〈ru r12 r13>， r12 r13為巧三個分量；m,表達式為:W = ^^/12[(/'—/)2+(V'—V)2+"'—5)2] + & , (34)根據當前工況條件的機器人自適應動力學模型mi，採用已知的智能優化算法對機器人的路徑l、磨削速度v、接觸力f參考軌跡進行優化後，進行當前的磨削操作，把n^加入模型集中，巧加入到工況參數集中，更新模型集和工況參數集為M= {m。，mi}，R= {r。，巧}; (35)重複(31)、 (32)、 (33)、 (34)的步驟，進行當前的磨削操作，並不斷得到當前的工況參數ri和與之對應的動力學模型!v並把mi加入模型集中，ri加入到工況參數集中，不斷更新模型集和工況參數集為M = {m。， mi. mi. } ， R = {r。，巧.。
上述步驟(34)中採用已知智能優化算法對機器人的路徑1、磨削速度v、接觸力f參考軌跡進行優化，具體包括以下步驟 首先隨機生成X個粒子，每個粒子為一個向量〈li Vi fi>， i = 1、2……X(可以根據實際情況自己設定粒子數，X—般取50到IOO個比較合適)；然後設定優化目標，其優化目標為在一條加工路徑上，速度軌跡和接觸力軌跡儘量平穩光滑；最後通過迭代找到最優
解，記為〈l。pt v。pt f。pt〉，三個分量分別代表最優的機器人加工路徑、磨削速度和接觸力。 本發明可採用已有的機器人高精度磨削設備實現，該設備如圖2所示，其中1為砂帶(也可以是砂輪，本實施例中採用3M公司的3M577F鋯剛玉砂帶)，對工件進行磨削加工，是影響工況變化的主要因素；2為待加工工件；3為機器人(本實施例中採用ISA公司的IRB6400)，用於固定工件並控制磨削工件與砂帶的接觸力及工件加工速度；4為三維測量儀(本實施例中採用上海數造3DSS-STD三維掃描測量儀)，用於測量工件加工面的曲率和磨削量；5為六維力傳感器(本實施例中採用旭寧科技公司的Smart300六維力傳感器)，用於測量工件與砂帶的接觸力；6為位置傳感器，用於測量機器人加工速度(切向速度)；7為控制計算機，對測量儀採集到的數據按本發明方法進行處理。
權利要求
一種基於機器學習的磨削方法，其特徵在於，該方法主要包括1)原始數據採集在砂帶工作的各個階段，對不同材質的工件進行磨削實驗，用六維力傳感器測量工件與砂輪的接觸力f，利用三維測量儀測量工件磨削麵的曲率s和磨削量u，用位置傳感器測量加工速度v，然後以向量形式進行存儲，i＝1、2......N，N為原始數據的組數；2)建立原始動力學模型利用原始數據，採用機器學習的方法進行動力學模型建模及初始化機器人自適應動力學模型集；原始動力學模型m0的表達式為式中，r0值代表的工況，r01，r02，r03為r0的三個分量；初始化機器人自適應動力學模型集為M＝{m0}，工況參數集為R＝{r0}；(3)根據原始動力學模型和磨削時當前工況條件的測量數據，建立當前機器人自適應動力學模型，進行當前的磨削操作，並將該模型加到機器人自適應動力學模型集M中；具體包括(31)在磨削操作時，在位測量得到當前工況的磨削量u、接觸力f′、加工速度v′、工件曲率s′，並以向量形式存儲；(32)利用測量的當前數據，採用SVM方法以當前數據為輸入，輸出當前工況參考參數r；(33)找到參數集R中與r最接近的分量，當初始狀態下，以m0為基礎，結合當前的測量數據，採用SVM方法訓練出當前的工況參數r1值，並且建立適應當前工況r1的動力學模型m1，r1存儲形式為，r11r12r13為r1三個分量；m1表達式為(34)根據當前工況條件的機器人自適應動力學模型m1，採用已知的智能優化算法對機器人的路徑l、磨削速度v、接觸力f參考軌跡進行優化後，進行當前的磨削操作，把m1加入模型集中，r1加入到工況參數集中，更新模型集和工況參數集為M＝{m0，m1}，R＝{r0，r1}；(35)重複(31)、(32)、(33)、(34)的步驟，進行當前的磨削操作，並不斷得到當前的工況參數ri和與之對應的動力學模型mi，並把mi加入模型集中，ri加入到工況參數集中，不斷更新模型集和工況參數集為M＝{m0，m1...mi...}，R＝{r0，r1...ri...}。F2009102417456C0000011.tif,F2009102417456C0000021.tif
全文摘要
本發明涉及基於機器學習的機器人磨削方法，屬於磨削加工領域，該方法包括在砂帶工作的各個階段，對不同材質的工件進行磨削，得到工件與砂輪的接觸力，工件磨削麵的曲率和磨削量，加工速度；利用原始數據，採用機器學習的方法進行動力學模型建模及初始化機器人自適應動力學模型集；根據原始動力學模型和磨削時當前工況條件的測量數據，建立當前機器人自適應動力學模型，並將該模型加到機器人自適應動力學模型集M中；本發明可實現高精度磨削，降低生產成本，提高加工效率。
文檔編號G05B19/18GK101738981SQ20091024174
公開日2010年6月16日 申請日期2009年12月4日 優先權日2009年12月4日
發明者宋亦旭, 楊澤紅, 梁偉, 賈培發 申請人:清華大學