一种面向弹性材料的切削路径规划方法 |
|||||||
| 申请号 | CN202211433088.7 | 申请日 | 2022-11-16 | 公开(公告)号 | CN118052121A | 公开(公告)日 | 2024-05-17 |
| 申请人 | 中国科学院沈阳自动化研究所; | 发明人 | 孙勇; 孙乙铭; 李庆鑫; 曾鹏; 刘玉奇; | ||||
| 摘要 | 本 发明 属于材料加工技术领域，具体涉及一种面向弹性材料的切削路径规划方法。包括以下步骤：1)构建弹性材料切削模拟仿真环境，并通过优化 算法 得到最优切削路径；2)随机生成多种弹性材料状态，根据最优切削路径得到对应的最优切削路径规划方案，构建数据集；3)构建切削路径规划 深度神经网络 模型；4)获取弹性材料表面图片，并对其进行处理得到弹性材料表面状态；5)通过切削路径规划深度神经网络模型对弹性材料表面状态进行推理，得到路径规划方案，并将路径规划方案传输给 机器人 控制 微处理器 MCU，控制机器人的切削过程。具备针对各种材料形状的自动化智能化路径规划的能 力 ，极大地提高了作业效率。 | ||||||
| 权利要求 | 1.一种面向弹性材料的切削路径规划方法，其特征在于，包括以下步骤： |
||||||
| 说明书全文 | 一种面向弹性材料的切削路径规划方法技术领域[0001] 本发明属于材料加工技术领域，具体涉及一种面向弹性材料的切削路径规划方法。 背景技术[0002] 切削加工过程中由于工件材料性质导致的形变和弹性恢复，会对加工过程的精度造成严重影响，甚至可能会导致材料报废。针对切削路径规划问题，传统的方法包括示教和G代码控制。其中示教模式效率低下，难以形成复杂路径，因此基于集成CAD/CAM/机器人技术的轨迹规划对于实现高效稳定的机器人加工至关重要。而G代码生成的加工轨迹无法完全适应机器人的动态特性，并且不能消除工件弹性恢复的影响。 [0003] 与传统的路径规划方法相比，启发式全局优化算法，如遗传算法(GA)、粒子群算法(PSO)，通过模拟自然进化过程搜索最优解的方法，可以得到全局的最优切削路径，从而有效地减轻材料的加工过程中弹性恢复的影响。但是优化算法在每次迭代时都要计算切削过程的适应度值，而计算适应度值的过程并不能每次都实际地进行切削并测量来得到，一般需要建立模拟弹性材料切削的仿真环境进行切削模拟，从而得到每次迭代尝试对应的适应度值。这限制了优化算法在实际切削过程的应用，因为每次材料形状的变化都需要重新建立模拟仿真环境来迭代寻找路径的最优解。与优化算法的路径规划算法相比，人工智能算法在复杂系统规划中显示出巨大的潜力。一旦得到了满足需求的神经网络模型，那么每次材料形状变化都可以得到对应的路径规划。然而，使用人工智能算法的机器人规划仍然面临许多问题。一方面，机器人状态和行为的高维性使得从CAD分析、点云数据重建到机器人工作空间检索，很难计算每个状态行为的值；另一方面，与图像训练的大量样本不同，机器人训练过程可能会导致设备损坏或环境损坏，因此从真实物理系统中获取机器人的训练样本成本高昂。目前，使用数字孪生提供训练所需的数据已成为主流方法。当然，Gazebo、MuJoco、pybullet和Vrep等一些著名的机器人仿真工具也可用于构建机器人训练环境，在机器人迁移学习和强化学习方面具有良好的效果。 发明内容[0004] 针对弹性材料在切削加工时的弹性恢复问题，本发明的目的在于提供一种规划切削路径的方法，通过建立弹性材料切削模拟仿真环境，使用基于搜索的路径规划算法，如粒子群算法(PSO)、遗传算法(GA)，得到仿真环境对应的最优路径，然后将仿真环境的切削状态与最优路径一一组合建立数据集，使用数据集来训练神经网络模型，最终得到基于学习的路径规划方法。 [0005] 本发明为实现上述目的所采用的技术方案是： [0006] 一种面向弹性材料的切削路径规划方法，包括以下步骤： [0007] 1)构建弹性材料切削模拟仿真环境，并通过优化算法得到最优切削路径； [0008] 2)随机生成多种弹性材料状态，根据最优切削路径得到对应的最优切削路径规划方案，构建状态—路径规划方案样本对，进而构建数据集； [0010] 4)获取弹性材料表面图片，并对其进行处理得到弹性材料表面状态； [0011] 5)通过切削路径规划深度神经网络模型对弹性材料表面状态进行推理，得到路径规划方案，并将路径规划方案传输给机器人控制微处理器MCU，控制机器人的切削过程。 [0012] 通过有限元仿真分析方法构建弹性材料切削模拟仿真环境。 [0013] 所述优化算法包括：粒子群算法、遗传算法中的任意一种。 [0014] 所述最优切削路径为使优化算法适应度最高时算法输出的路径。 [0015] 所述步骤2)包括以下步骤： [0016] 2.1)随机生成弹性材料状态，并基于弹性材料状态模拟仿真环境； [0017] 2.2)在仿真环境中，基于最优切削路径，得到该条弹性材料状态的最优路径； [0018] 2.3)将弹性材料状态与最有路径组合为状态—路径规划方案样本对，并添加数据集中； [0019] 2.4)判断数据集中的样本对数量是否达到设定目标，如果是，则输出数据集并将数据集中的数据分成训练集、验证集和测试集，否则，返回步骤2.1)。 [0020] 所述切削路径规划深度神经网络模型包括顺序连接的二维卷积网络、多层感知机以及softmax层，所述深度神经网络模型的输入为弹性材料状态构成的二维图片，输出为弹性材料状态对应的路径规划方案。 [0021] 所述步骤4)中，对弹性材料表面图片进行处理具体为：对图片进行去畸变和配准处理。 [0023] 一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现所述的一种面向弹性材料的切削路径规划方法。 [0024] 本发明具有以下有益效果及优点： [0025] 1.本发明的一种面向弹性材料的切削路径规划方法，具备针对各种材料形状的自动化智能化路径规划的能力，替代了人工编写G代码等方式，极大地提高了作业效率。 [0026] 2.本发明一种面向弹性材料的切削路径规划方法，对弹性恢复和形变等加工过程中的材料形变特征进行了仿真模拟和预测，基于预测结果进行的路径规划方法，可以显著地减小加工作业误差，提高切削加工精度。附图说明 [0027] 图1为本发明的系统架构图； [0028] 图2为本发明的数据集制作流程图； [0029] 图3为本发明的神经网络模型训练流程图； [0030] 图4为本发明的部署流程图； [0031] 图5为具体实施例的深度神经网络结构图。 具体实施方式[0032] 下面结合附图及实施例对本发明做进一步的详细说明。 [0033] 如图1所示，本发明的一种面向弹性材料的切削路径规划方法，是在一个基于机械臂控制的面向弹性材料加工的系统中实现的，所述的系统包括固定在弹性材料上方的图像采集装置、包含中央处理器CPU的算法服务器、数据存储硬盘、机器人控制微处理器MCU、机械臂及其上固定刀具组成；所述的图像采集装置与中央处理器CPU通过信号数据传输线电性相连，中央处理器CPU与机器人控制微处理器MCU电性相连，MCU与机械臂电性相连； [0035] A.在算法服务器中建立弹性材料切削模拟仿真环境，通过优化算法，如粒子群算法、遗传算法等，得到最优切削路径规划方案； [0036] 在步骤A中，所述的弹性材料切削模拟仿真环境是通过有限元切削仿真分析，来模拟切削过程中材料形变过程，得到不同材料状态在切削时的形变程度，以切削后弹性恢复的形状与目标形状的差距来衡量此次切削路径规划的有效程度，相应地，在优化算法中，以适应度值来表征有效程度； [0037] 在步骤A中，所述的优化算法，以遗传算法为例，是通过预先给定多组路径规划方案作为初始，并计算每个方案的适应度值，将适应度值由高到低排序，适应度值越高的路径规划方案将有更大的概率被选为父辈基因，进行交叉和变异，经过多轮筛选和迭代以后，适应度值将趋于同一个值，此时说明迭代结束，适应度值最高的路径规划方案将作为最优的方案； [0038] B.随机生成多种弹性材料状态，根据步骤A所示方法得到对应的最优切削路径规划方案，构建状态——路径规划方案样本对，从而构建数据集，再将数据集按样本对数量，依照8：1：1的比例划分为训练集、验证集和测试集； [0039] 在步骤B中，如图2所示，当构建足够多的数据样本对以后，就得到了数据集； [0040] C.在算法服务器中，构建深度神经网络模型； [0041] 在步骤C中，所述的深度神经网络模型结构主体由二维卷积网络和多层感知机构成，深度神经网络模型的输入为弹性材料状态构成的二维图片，最后经过softmax层，得到对应的路径规划方案； [0042] 在所述的深度神经网络的一维卷积网络中，每层的激活函数均从sigmoid函数、Tanh函数、ReLU函数和LeakyReLU函数中选择，每个卷积层的卷积核大小为3和步长为1；为防止梯度爆炸或弥散并加训练速度，每一维卷积层后均引入一个批归一化Batch Normalization层； [0043] D.在算法服务器中利用上述深度神经网络模型进行训练时，分别使用训练集训练模型，使用验证集验证模型效果，并指导模型的训练，使用测试集测试模型泛化能力； [0044] 在步骤D中，在所述的利用深度神经网络模型进行训练时，网络的损失函数从交叉熵损失函数和均方误差损失函数中选择，优化器从Adam、RMSProp、AdaGrad中选择； [0045] 在步骤D中，在所述的分别使用训练集训练模型、使用验证集验证模型效果、并指导模型的训练过程中，如图3所示，如果模型精确度难以满足目标需求，则将再增加状态——路径规划方案样本对的采集，并制作成训练样本加入到原来的训练集中，重新训练模型，直至模型效果在验证集上达到理想效果。 [0046] E.将训练好的深度神经网络模型部署在算法服务器上； [0047] F.图像采集装置采集弹性材料表面图片，并传输给算法服务器； [0048] G.算法服务器对图片进行去畸变和配准处理，得到弹性材料表面状态； [0049] H.算法服务器将当前弹性材料状态通过步骤E中部署的深度神经网络模型进行推理，得到路径规划信息，并将路径规划方案传输给机器人控制微处理器MCU； [0050] I.机器人控制微处理器MCU将路径规划方案转换成切削机器动作指令，控制切削过程。 [0051] 简而言之，本发明的一种面向弹性材料的切削路径规划算法和系统，其概略步骤如下：首先，建立弹性材料切削过程的模拟仿真环境；然后，随机生成多组弹性材料状态，并通过优化算法，基于模拟仿真给出的适应度值，迭代得到每组状态对应的最优路径规划方案，构建状态——路径规划方案样本对，从而得到数据集；然后将数据集按照8：1：1的比例划分为训练集、验证集和测试集；然后，算法服务器建立深度神经网络模型，分别利用训练集训练模型，验证集验证模型效果，测试集测试模型泛化能力；然后，将算法服务器训练好的深度神经网络模型布署在模型布署机上；最后，由图像采集装置得到当前弹性材料表面图片，经过图像预处理后得到当前状态，通过算法服务器中的深度神经网络模型进行推理，得到当前的切削路径规划方案，再通过机器人控制微处理器MCU得到切削机器控制指令，并进行切削。 [0052] 实施例 [0053] 如图1所示，本发明的一种面向弹性材料的切削路径规划方法，是在一个基于机械臂控制的面向弹性材料加工的系统中实现的，所述的系统包括固定在弹性材料上方的图像采集装置、切削机械臂、待切削弹性材料、信号数据传输线缆、包含中央处理器CPU的算法服务器、数据存储硬盘、机器人控制微处理器组成。 [0054] 所述的图像采集装置与算法服务器通过信号数据传输线电性相连，算法服务器与数据存储硬盘电性相连，算法服务器与机器人控制微处理器MCU电性相连，MCU与机械臂电性相连； [0055] 如图2‑图5所示，本发明的一种面向向弹性材料的切削路径规划算法，采用上述切削路径规划系统，包括以下步骤： [0056] 步骤1：在算法服务器中建立弹性材料切削模拟仿真环境； [0057] 在本实施例中，弹性材料切削模拟仿真环境是基于有限元切削仿真，以待切削表面形状s作为状态、切削厚度h和固定切削速率做为过程建立切削仿真，从而得到对应某一状态下的，以某一切削厚度进行切削时的弹性材料形变变化，再将切削后材料弹性恢复后材料表面距离目标表面的距离d做为衡量切削精度的度量值，d越小说明对应该状态下，以该切削厚度进行切削可以有效地提高弹性材料的切削精度；该切削模拟仿真环境可以用f来表示，相应地d可以表示为： [0058] d＝f(h；s) [0059] 即在工件表面为s状态时，以切削厚度h进行切削，那么切削后的工件表面在弹性恢复后与目标表面的距离d为f(h；s)。 [0060] 步骤2：在算法服务器中，通过使用优化算法，如粒子群算法、遗传算法等，计算对于工件表面形状s状态下的，距离d最小时对应的切削厚度h的值；当进行连续切削时，一系列连续状态[s1,s2,...]下的最优切削厚度[h1,h2,...]就构成了最优切削路径规划方案； [0061] 在步骤2中，所述的优化算法，以遗传算法为例，对于给定的状态s，预先给定多组切削厚度h做为初始，并通过步骤1中的弹性材料切削模拟仿真环境，计算每个切削厚度h对应的切削后弹性恢复的形状与目标形状的距离d，以‑d做为遗传算法的适应度值，d越小，适应度值越大；将适应度值由高到低排序，适应度值越高的切削厚度将有更大的概率被选为父辈基因，进行交叉和变异，经过多轮筛选和迭代以后，适应度值将趋于同一个值，此时说明迭代结束，适应度值最高的切削厚度h将做为最优的切削路径方案； [0062] 步骤3：在算法服务器中，如图2所示，随机生成弹性材料状态s，根据步骤2中所述方法计算得到对应的最优切削厚度h，构建状态s——切削厚度h样本对；将构建的样本对做为1条数据添加到数据集中，如果数据集中数据量总数未达到阈值(本项目中设定为1000)，那么重复上述过程，知道数据集中数据量总数达到阈值，即可退出判断，输出数据集； [0063] 步骤4：在算法服务器中，将步骤3输出的数据集按数据数量，依照8：1：1的比例划分为训练集、验证集和测试集； [0064] 步骤5：在算法服务器中，构建深度神经网络模型； [0065] 在步骤5中，如图5所示，所述的深度神经网络模型结构主体由二维卷积网络和多层感知机构成，深度神经网络模型的输入为弹性材料状态s构成的二维图片，高宽为128x128(可根据实际情况自由设定)，然后经过第一层二维卷积层，卷积核大小为2x2，步长为1，卷积核数为32，数据特征维度变为128x128x32；然后经过一层批归一化层和一层激活函数，数据特征维度保持不变；再经过一次与上述第一层二维卷积层和批归一化层、激活函数一样的操作，数据特征维度保持不变；紧接着数据经过一层全连接层，数据维度变为 524288x1；再经过一层激活函数，数据维度保持不变；然后再经过一层全连接层，输出维度为256，数据维度变为256x1；再经过一层激活函数；最后经过一个归一化层，输出一个一维数组，数组为32个数值，分别对应切削厚度在[‑16,15]之间共32个数值的概率值，对该概率值数组值进行由大到小的排序处理，那么处理后的概率数组中的第一个数值即为概率最大的切削厚度值对应的概率值，同时对应的切削厚度值即为模型预测的最终结果； [0066] 在所述的深度神经网络的二维卷积网络中，每层的激活函数均从sigmoid函数、Tanh函数、ReLU函数和LeakyReLU函数中选择，本实施例中选择ReLU函数(线性整流函数)，每个卷积层的卷积核大小为3和步长为1；为防止梯度爆炸或弥散并加训练速度，每一维卷积层后均引入一个批归一化Batch Normalization层； [0067] 步骤6：在算法服务器中，利用步骤4中的训练集对步骤5所述的深度神经网络模型进行训练，本实施例中，训练的batch大小设置为128，本实施例中损失函数采用交叉熵损失‑3函数，本实施例中优化器采用Adam优化器，学习率设置为10 ； [0068] 步骤7：如图3所示，在算法服务器中，训练深度神经网络模型过程中，通过步骤4中的验证集验证深度神经网络模型在当前训练迭代次数时的效果，如果效果不理想，继续迭代训练深度神经网络模型，直至效果满足精度预期要求； [0069] 步骤8：如图3所示，在算法服务器中，以步骤4中的测试集测试通过步骤8得到的深度神经网络模型，用来测试深度神经网络模型的泛化能力，泛化能力好的深度神经网络模型能更好的实现切削厚度的预测；通过测试的深度神经网络模型输出后保存在数据存储硬盘中； [0070] 步骤9：如图4所示，本发明的面向弹性材料的的切削路径规划系统，部署应用时，首先在算法服务器中部署数据存储硬盘中训练号的深度神经网络模型； [0071] 步骤10：图像采集装置采集弹性材料表面图片，并通过信号数据传输线缆传输给算法服务器； [0072] 步骤11：算法服务器对图片进行畸变矫正和配准处理，得到弹性材料表面状态； [0073] 在本实施例中，畸变矫正是去除采集的原始图片的桶形失真，通过对原始图片除以畸变矩阵以得到去畸变的图片；畸变矫正厚度图片在与切削机械臂所在的世界坐标系进行配准处理，即将图片所谓坐标系乘以世界坐标系到图片坐标系的转移矩阵，以完成图片到世界坐标系的配准处理； [0074] 步骤12：算法服务器将当前弹性材料表面状态，通过步骤9中部署的深度神经网络模型进行推理，得到针对当前状态的切削厚度预测值； [0075] 步骤13：步骤10中图像采集装置可以连续采集弹性材料的表面状态，那么通过步骤11和步骤12的处理，可以得到连续的切削厚度预测值，将一段时间的切削厚度预测值组合成一维数组，即为路径规划方案，再将路径规划方案传输给机器人控制微处理器MCU； [0076] 步骤14：机器人控制微处理器MCU将路径规划方案转换成切削机械臂动作指令，从而完成控制切削弹性材料的过程。 [0077] 简而言之，本发明的一种面向弹性材料的切削路径规划方法，其概略步骤如下：首先，建立建立弹性材料切削过程的模拟仿真环境；然后，随机生成多组弹性材料状态，并通过优化算法，基于模拟仿真给出的适应度值，迭代得到每组状态对应的最优路径规划方案，构建状态——路径规划方案样本对，从而得到数据集；然后将数据集按照8：1：1的比例划分为训练集、验证集和测试集；然后，算法服务器建立深度神经网络模型，分别利用训练集训练模型，验证集验证模型效果，测试集测试模型泛化能力；然后，将算法服务器训练好的深度神经网络模型进行部署；最后，由图像采集装置得到当前弹性材料表面图片，经过算法服务器预处理后得到当前状态，通过算法服务器中的部署的深度神经网络模型的推理，得到当前的切削路径规划方案，再通过机器人控制微处理器MCU转换为切削机器控制指令，并进行切削。 |
||||||
QQ群二维码
意见反馈
意见反馈