基于机器学习的机器人磨削方法

摘要

本发明涉及基于机器学习的机器人磨削方法，属于磨削加工领域，该方法包括：在砂带工作的各个阶段，对不同材质的工件进行磨削，得到工件与砂轮的接触力，工件磨削面的曲率和磨削量，加工速度；利用原始数据，采用机器学习的方法进行动力学模型建模及初始化机器人自适应动力学模型集；根据原始动力学模型和磨削时当前工况条件的测量数据，建立当前机器人自适应动力学模型，并将该模型加到机器人自适应动力学模型集M中；本发明可实现高精度磨削，降低生产成本，提高加工效率。

权利要求

1.一种基于机器学习的磨削方法，其特征在于，该方法主要包括：

1)原始数据采集：在砂带工作的各个阶段，对不同材质的工件进行磨削实验，用六维力传感器测量工件与砂轮的接触力f，利用三维测量仪测量工件磨削面的曲率s和磨削量u，用位置传感器测量加工速度v，然后以向量形式进行存储：，i＝1、2……N，N为原始数据的组数；

2)建立原始动力学模型：利用原始数据，采用机器学习的方法进行动力学模型建模及初始化机器人自适应动力学模型集；

原始动力学模型m0的表达式为：

式中，r0值代表的工

况，r01，r02，r03为r0的三个分量；

初始化机器人自适应动力学模型集为：M＝{m0}，工况参数集为：R＝{r0}；

(3)根据原始动力学模型和磨削时当前工况条件的测量数据，建立当前机器人自适应动力学模型，进行当前的磨削操作，并将该当前机器人自适应动力学模型加到机器人自适应动力学模型集M中；具体包括：(31)在磨削操作时，在位测量得到当前工况的磨削量u、接触力f′、加工速度v′、工件曲率s′，并以向量形式存储：；

(32)利用测量的当前数据，采用SVM方法以当前数据为输入，输出当前工况参考参数r；

(33)找到参数集R中与r最接近的分量，当初始状态下，以m0为基础，结合当前的测量数据，采用SVM方法训练出当前的工况参数r1值，并且建立适应当前工况r1的动力学模型m1，r1存储形式为：，r11 r12 r13为r1三个分量；m1表达式为：(34)根据当前工况条件的机器人自适应动力学模型m1，采用已知的智能优化算法对机器人的路径l、磨削速度v、接触力f参考轨迹进行优化后，进行当前的磨削操作，把m1加入模型集中，r1加入到工况参数集中，更新模型集和工况参数集为：M＝{m0，m1}，R＝{r0，r1}；

(35)重复(31)、(32)、(33)、(34)的步骤，进行当前的磨削操作，并不断得到当前的工况参数ri和与之对应的动力学模型mi，并把mi加入模型集中，ri加入到工况参数集中，不断更新模型集和工况参数集为M＝{m0，m1...mi...}，R＝{r0，r1...ri...}。

说明书

基于机器学习的机器人磨削方法

技术领域

[0001] 本发明属于磨削加工领域，特别涉及基于机器学习的机器人高精度磨削方法。

背景技术

[0002] 磨削加工应用范围广范，主要分为砂轮磨削和砂带磨削，作为加工的最后工序，磨削工艺水平往往决定了产品的档次。因此磨削加工工艺在机械加工领域中占有非常重要的地位。

[0003] 磨削是根据工件形状，用高速运动的砂带及相应的接触方式对工件表面进行磨削的一种工艺。这种加工工艺在航空航天、国防、电力、船舶、医疗等领域具有重要且广泛的应用背景，例如，航空发动机、大型汽轮机、燃气轮机、船舶推进器、风力发电机的叶片等的精加工均采用这种加工工艺。磨削在民用产品中应用更为广泛，例如各种贵重艺术装饰品、人造关节、家庭装饰用品(水暖件、灯具等)、乐器和家用电器(手机、MP3、数码相机等的外壳)的表面加工等。

[0004] 国内外对于复杂几何形状工件的磨削方式主要有普通磨床的人工磨削、专用磨削机床和数控磨削机床等。普通磨床的人工磨削费时且劳动强度大，加工成品率低，产品一致性不好，工人培训周期长，工人的“手艺”直接决定了产品质量；专用磨削机床通用性差，只适合批量生产；数控磨削机床成本高，缺乏柔性，设备使用范围窄，可拓展范围小。

[0005] 近年来，随着工业机器人技术的不断发展和劳动力成本的不断上升，机器人加工引起了人们的关注。与市场上较为典型的5轴磨削加工机床相比，机器人柔性磨削加工系统具有灵活性高、通用性强、易于扩展等优点，而且由于系统基于通用设备，造价和加工成本大大低于专用机床。

[0006] 机器人加工所需的设备一般包括如下几个部分：砂带(也可以是砂轮)，对工件进行磨削加工；机器人，用于固定工件并控制磨削工件与砂带的接触力及工件加工速度；三维测量仪，用于测量工件加工面的曲率和磨削量；六维力传感器，用于测量工件与砂带的接触力；位置传感器，用于测量机器人加工速度；控制计算机，对测量仪采集到的数据进行处理。

[0007] 目前大多数复杂型面加工的机器人磨削系统尚处于实验室研究阶段，主要研究目标是机器人打磨或抛光以提高表面光洁度。从市场看，由于在某些场合下，简单的打磨抛光有时不能体现机器人系统的优越性，反而较低的人工成本成为优势。通过机器人系统对复杂曲面工件外表面进行磨削加工使之达到设计尺寸公差和表面质量的一种精加工过程工艺则可以进一步提升机器人在磨削领域的技术档次，不仅强调其加工柔性，更充分发挥机器人磨削的精度优势，能更好地开拓机器人应用领域。同时，这种加工方式具有很大的市场需求潜力，在全球范围内，在能源和再制造的背景下，复杂曲面修型磨削的需求在不断高涨，典型的如叶片，由于加工精度直接影响其工作效率和寿命，加工精度已成为叶片加工行业关注的焦点。但目前，对于叶片等复杂型面的磨削，磨削过程中都没有针对磨削量的过程控制，磨削过程主要针对工件的表面光洁度。对于精度要求很高的叶片，国内外各大厂商通常采用的是磨削加工与离线测量相结合的加工方法，通常的工艺是采用精铸、高精度铣以及反复人工磨削、反复测量相结合，直到达到工件的加工精度为止。这种方式花费非常高，系统通用性差，加工效率低，由于磨削过程参数和实际磨削量之间的关系非常复杂，不确定的人工操作无法保证磨削加工精度的一致性。

发明内容

[0008] 本发明的目的是为克服已有技术的不足之处，提出一种基于机器学习的机器人高精度磨削方法；可实现高精度磨削，降低生产成本，提高加工效率。

[0009] 主要包括机器人，用于控制磨削工件与砂带(砂轮)的接触力及工件加工速度；砂带(砂轮)，对工件磨削加工；测量仪，用于测量工件加工面的曲率和磨削量；控制计算机，对测量仪采集到的数据进行处理；

[0010] 本发明提出的一种基于机器学习的磨削方法，其特征在于，该方法主要包括：

[0011] 1)原始数据采集：在砂带工作的各个阶段，对不同材质的工件进行磨削实验，用六维力传感器测量工件与砂轮的接触力f，利用三维测量仪测量工件磨削面的曲率s和磨削量u，用位置传感器测量加工速度v，然后以向量形式进行存储：，i＝1、2……N，N为原始数据的组数；

[0012] 2)建立原始动力学模型：利用原始数据，采用机器学习的方法进行动力学模型建模及初始化机器人自适应动力学模型集；

[0013] 原始动力学模型m0的表达式为：

[0014] 式中，r0值代表的工况，r01，r02，r03为r0的三个分量；

[0015] 初始化机器人自适应动力学模型集为：M＝{m0}，工况参数集为：R＝{r0}；

[0016] (3)根据原始动力学模型和磨削时当前工况条件的测量数据，建立当前机器人自适应动力学模型，进行当前的磨削操作，并将该模型加到机器人自适应动力学模型集M中；具体包括：

[0017] (31)在磨削操作时，在位测量得到当前工况的磨削量u′、接触力f′、加工速度v′、工件曲率s′，并以向量形式存储：；

[0018] (32)利用测量的当前数据，采用SVM方法以当前数据为输入，输出当前工况参考参数r；

[0019] (33)找到参数集R中与r最接近的分量，当初始状态下，以m0为基础，结合当前的测量数据，采用SVM方法训练出当前的工况参数r1值并且建立适应当前工况r1的动力学模型m1，r1存储形式为：，r11r12r13为r1三个分量；

[0020] m1表达式为：

[0021] (34)根据当前工况条件的机器人自适应动力学模型m1，采用已知的智能优化算法对机器人的路径l、磨削速度v、接触力f参考轨迹进行优化后，进行当前的磨削操作，把m1加入模型集中，r1加入到工况参数集中，更新模型集和工况参数集为：M＝{m0，m1}，R＝{r0，r1}；

[0022] (35)重复(31)、(32)、(33)、(34)的步骤，进行当前的磨削操作，并不断得到当前的工况参数ri和与之对应的动力学模型mi，并把mi加入模型集中，ri加入到工况参数集中，不断更新模型集和工况参数集为M＝{m0，m1...mi...}，R＝{r0，r1...ri...}。

[0023] 本发明的特点和效果：

[0024] 本发明采用机器学习方法直接构建磨削系统动力学模型，从而找到了磨削量和机器人被控参量之间的关系，避免了磨削过程的盲目性。

[0025] 本发明建立的动力学模型具有很好的适应性，能够适应不同的工况条件，可以根据当前较少的数据样本快速建立适应当前工况条件的动力学模型，提高磨削精度和生产效率；

[0026] 本发明采用智能优化算法，实现对磨削过程的高品质控制。

附图说明

[0027] 图1为已有的机器人高精度磨削设备结构示意图。

[0028] 图2为本发明方法的总体流程图。

具体实施方式

[0029] 本发明提出的基于机器学习的机器人磨削方法结合附图及实施例详细说明如下：

[0030] 本发明方法的总体流程如图1所示，详细说明如下：

[0031] 1)原始数据采集：在砂带工作的各个阶段，对不同材质(本实施例中采用航空铝合金、黄铜、镁合金、钛合金、球墨铸铁和硬质合金)的工件进行大量的磨削实验，用六维力传感器测量工件与砂轮的接触力f，利用三维测量仪测量工件磨削面的曲率s和磨削量u，用位置传感器测量加工速度v，然后以向量形式进行存储：，i＝1、2……N，N为原始数据的组数(至少2000以上)；在进行原始数据的采集过程中，覆盖了实际磨削中各种情形；

[0032] 2)建立原始动力学模型：利用原始数据，采用机器学习的方法进行动力学模型建模及初始化机器人自适应动力学模型集；

[0033] 具体步骤如下：

[0034] (21)首先用SVM方法，以原始数据为输入，输出参数r0的值，以向量形式存储：，r01，r02，r03为r0的三个分量；r0值代表的工况，即磨削加工的工作环境(工况主要体现为砂带状态、工件材质、环境温度等因素)；

[0035] (22)然后建立原始动力学模型m0，其表达式：

[0036] 即建立了磨削量u与接触力f、工件曲率S、工件加工速度v之间的关系；

[0037] (23)初始化机器人自适应动力学模型集M和工况参数集R：M＝{m0}，工况参数集R＝{r0}；

[0038] (3)根据原始动力学模型和磨削时当前工况条件的测量数据，建立当前机器人自适应动力学模型，进行当前的磨削操作，并将该模型加到机器人自适应动力学模型集M中；具体包括：

[0039] (31)在磨削操作时，在位测量得到当前工况的磨削量u′、接触力f′、加工速度v′、工件曲率s′，并以向量形式存储：；

[0040] (32)利用测量的当前数据，采用SVM方法以当前数据为输入，输出当前工况参考参数r；

[0041] (33)找到参数集R中与r最接近的分量(初始状态下只有r0)，以m0为基础，结合当前的测量数据，采用SVM方法训练出当前的工况参数r1值并且建立适应当前工况r1的动力学模型m1，r1存储形式为：，r11r12r13为r1三个分量；

[0042] m1表达式为：

[0043] (34)根据当前工况条件的机器人自适应动力学模型m1，采用已知的智能优化算法对机器人的路径l、磨削速度v、接触力f参考轨迹进行优化后，进行当前的磨削操作，把m1加入模型集中，r1加入到工况参数集中，更新模型集和工况参数集为：M＝{m0，m1}，R＝{r0，r1}；

[0044] (35)重复(31)、(32)、(33)、(34)的步骤，进行当前的磨削操作，并不断得到当前的工况参数ri和与之对应的动力学模型mi，并把mi加入模型集中，ri加入到工况参数集中，不断更新模型集和工况参数集为M＝{m0，m1...mi...}，R＝{r0，r1...ri...}。

[0045] 上述步骤(34)中采用已知智能优化算法对机器人的路径l、磨削速度v、接触力f参考轨迹进行优化，具体包括以下步骤：

[0046] 首先随机生成X个粒子，每个粒子为一个向量，i＝1、2……X(可以根据实际情况自己设定粒子数，X一般取50到100个比较合适)；然后设定优化目标，其优化目标为在一条加工路径上，速度轨迹和接触力轨迹尽量平稳光滑；最后通过迭代找到最优解，记为，三个分量分别代表最优的机器人加工路径、磨削速度和接触力。

[0047] 本发明可采用已有的机器人高精度磨削设备实现，该设备如图2所示，其中1为砂带(也可以是砂轮，本实施例中采用3M公司的3M577F锆刚玉砂带)，对工件进行磨削加工，是影响工况变化的主要因素；2为待加工工件；3为机器人(本实施例中采用ISA公司的IRB6400)，用于固定工件并控制磨削工件与砂带的接触力及工件加工速度；4为三维测量仪(本实施例中采用上海数造3DSS-STD三维扫描测量仪)，用于测量工件加工面的曲率和磨削量；5为六维力传感器(本实施例中采用旭宁科技公司的Smart300六维力传感器)，用于测量工件与砂带的接触力；6为位置传感器，用于测量机器人加工速度(切向速度)；7为控制计算机，对测量仪采集到的数据按本发明方法进行处理。