数据机理混合驱动的机器人铣削稳定性建模方法专利检索-控制调节专利检索查询-专利查询网

数据机理混合驱动的机器人铣削稳定性建模方法
申请号	CN202311250113.2	申请日	2023-09-26	公开(公告)号	CN117270457B	公开(公告)日	2024-04-19
申请人	北京航空航天大学;			发明人	樊伟; 张学鑫; 郑联语;
摘要	本发明公开一种数据机理混合驱动的机器人铣削稳定性建模方法，包括：步骤S1、获取连续域铣削稳定性模型；步骤S2、将连续域铣削稳定性模型的连续稳定性叶瓣图转化为理论离散数据点集Rt；步骤S3、根据理论离散数据点集，得到离散域铣削稳定性模型；步骤S4、根据离散域铣削稳定性模型，得到包含实际加工工艺参数与铣削状态的数据集Rr；步骤S5、根据Rt和Rr，得到优化更新后的离散域铣削稳定性模型；步骤S6、基于优化更新后离散域铣削稳定性模型，重复步骤S4至S5，直到S5中多次优化后的离散域铣削稳定性模型不再发生变化。采用本发明技术方案，可以准确地建立机器人铣削稳定性模型，有效指导机器人铣削加工工艺规划。
权利要求	1.一种数据机理混合驱动的机器人铣削稳定性建模方法，其特征在于，包括以下步骤：步骤S1、获取连续域铣削稳定性模型；步骤S2、将连续域铣削稳定性模型的连续稳定性叶瓣图转化为理论离散数据点集Rt；步骤S3、根据理论离散数据点集，得到离散域铣削稳定性模型；步骤S4、根据离散域铣削稳定性模型，得到包含实际加工工艺参数与铣削状态的数据集Rr；步骤S5、根据理论离散数据点集Rt和包含实际加工工艺参数与铣削状态的数据集Rr，得到优化更新后的离散域铣削稳定性模型；步骤S6、基于优化更新后离散域铣削稳定性模型，重复步骤S4至S5，直到S5中多次优化后的离散域铣削稳定性模型不再发生变化；步骤S1包括：根据特定位姿下加工机器人刀尖点频响函数，计算模态频率、阻尼比、模态刚度；根据模态频率、阻尼比、模态刚度，得到连续域铣削稳定性模型，其中，连续域铣削稳定性模型包含稳定性叶瓣图；步骤S3中，以理论离散数据点集为数据集，采用随机森林算法建立主轴转速、切削深度与铣削状态的映射模型，即离散域铣削稳定性模型；步骤S4中，根据离散域铣削稳定性模型选择合适的工艺参数进行铣削加工，并采集加工振动数据，采用基于深度学习的颤振检测方法，以加工振动数据为输入，输出铣削状态，获得包含实际加工工艺参数与铣削状态的数据集Rr；步骤S5中，将S2中得到的数据集Rt与S4中得到的数据集Rr进行融合，得到虚实融合的数据集Rf，并基于该数据集Rf重新建立基于随机森林的主轴转速、切削深度与铣削状态的映射模型，即优化更新后的离散域铣削稳定性模型。
说明书全文	数据机理混合驱动的机器人铣削稳定性建模方法技术领域 [0001] 本发明属于机器人加工技术领域，尤其涉及一种数据机理混合驱动的机器人铣削稳定性建模方法。背景技术 [0002] 机器人铣削加工相对于传统数控加工而言具有柔性高、成本低等优势，近年来逐渐应用到大型构件的加工中，然而机器人本体具有弱刚性的特点，在铣削加工中极易发生颤振，影响加工质量。 [0003] 在数控加工中，根据切削机理，并根据刀尖点的模态参数可建立加工稳定性模型并用稳定性叶瓣图进行表示。切削加工稳定性叶瓣图可准确表征特定工艺参数即主轴转速、切削深度对应的切削状态，判断是否会发生颤振，可有效指导加工工艺参数的选择。然而对于机器人加工而言，一方面，机器人本体的串联结构导致不同加工位姿下其刀尖点的模态参数不同，另一方面，本体的弱刚性导致根据切削机理建立的机器人加工稳定性模型不准确，因此，仅依靠切削机理建立的稳定性模型无法精确表达工艺参数与切削状态之间的关系。 [0004] 为此，针对机器人铣削加工，本发明提出一种数据机理混合驱动的机器人铣削稳定性建模方法，该方法通过将基于切削机理获得的连续域铣削稳定性模型转换至离散域，并转变为数据驱动的模型，在实际加工工艺中获取实际工艺数据后对模型进行优化更新，从而得到更加准确的机器人铣削稳定性模型。发明内容 [0005] 本发明针对机器人铣削加工工艺中，基于切削机理建立的铣削稳定性模型不准确的问题，提出一种数据机理混合驱动的机器人铣削稳定性建模方法，将根据切削机理建立的连续域铣削稳定性模型转换为数据驱动的离散域铣削稳定性模型，进而将实际工艺数据与理论数据进行融合，实现机器人加工铣削稳定性模型的迭代优化，得到更加准确的稳定性模型。 [0006] 为实现上述目的，本发明采用如下的技术方案： [0007] 一种数据机理混合驱动的机器人铣削稳定性建模方法，包括以下步骤： [0008] 步骤S1、获取连续域铣削稳定性模型； [0009] 步骤S2、将连续域铣削稳定性模型的连续稳定性叶瓣图转化为理论离散数据点集Rt； [0010] 步骤S3、根据理论离散数据点集，得到离散域铣削稳定性模型； [0011] 步骤S4、根据离散域铣削稳定性模型，得到包含实际加工工艺参数与铣削状态的数据集Rr； [0012] 步骤S5、根据理论离散数据点集Rt和包含实际加工工艺参数与铣削状态的数据集Rr，得到优化更新后的离散域铣削稳定性模型； [0013] 步骤S6、基于优化更新后离散域铣削稳定性模型，重复步骤S4至S5，直到S5中多次优化后的离散域铣削稳定性模型不再发生变化。 [0014] 作为优选，步骤S1包括： [0015] 根据特定位姿下加工机器人刀尖点频响函数，计算模态频率、阻尼比、模态刚度； [0016] 根据模态频率、阻尼比、模态刚度，得到连续域铣削稳定性模型，其中，连续域铣削稳定性模型包含稳定性叶瓣图。 [0017] 作为优选，步骤S3中，以理论离散数据点集为数据集，采用随机森林算法建立主轴转速、切削深度与铣削状态的映射模型，即离散域铣削稳定性模型。 [0018] 作为优选，步骤S4中，根据离散域铣削稳定性模型选择合适的工艺参数进行铣削加工，并采集加工振动数据，采用基于深度学习的颤振检测方法，以加工振动数据为输入，输出铣削状态，获得包含实际加工工艺参数与铣削状态的数据集Rr。 [0019] 作为优选，步骤S5中，将S2中得到的数据集Rt与S4中得到的数据集Rr进行融合，得到虚实融合的数据集Rf，并基于该数据集Rf重新建立基于随机森林的主轴转速、切削深度与铣削状态的映射模型，即优化更新后的离散域铣削稳定性模型。 [0020] 本发明具有如下技术效果： [0021] 本发明针对机器人铣削加工工艺中基于切削机理建立的铣削稳定性模型不准确的问题，通过将连续域铣削稳定性模型转换为离散域铣削稳定性模型，将机理模型转换为了理论数据驱动的模型。 [0022] 本发明利用数据驱动模型的优势，融合了实际工艺数据，实现了对实际工艺数据与理论数据的融合，建立了更加准确的机器人铣削稳定性模型。 [0023] 本发明操作过程简单，在具体工艺实施过程中，无需额外操作人员辅助。附图说明 [0024] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。 [0025] 图1为本发明实施例中数据机理混合驱动的机器人铣削稳定性建模方法流程图； [0026] 图2为本发明实施例中的连续域和离散域铣削稳定性模型；其中，(a)代表连续域铣削稳定性模型，(b)代表与连续域铣削稳定性模型对应的离散域铣削稳定性模型； [0027] 图3为本发明实施例中的机器人实际铣削状态数据； [0028] 图4为本发明实施例中的理论数据点、辐射数据点和实际数据点的融合过程。 [0029] 图5为本发明实施例中的在不同数量实际数据点的影响下离散域铣削稳定性模型的衍变过程。具体实施方式 [0030] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施实例，而不是全部的实施实例。基于本发明中的实施实例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施实例，都属于本发明保护的范围。 [0031] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。 [0032] 实施例1： [0033] 如图1所示为，本发明实施例提供一种数据机理混合驱动的机器人铣削稳定性建模方法，包括以下步骤： [0034] 步骤S1、获取特定位姿下加工机器人刀尖点频响函数，计算模态参数，根据切削机理计算稳定性叶瓣图，得到连续域铣削稳定性模型。特定位姿下的加工机器人刀尖点频响函数采用锤击实验获取，根据频响函数计算得到模态频率、阻尼比和模态刚度，采用ZOA(零阶频域解析法)计算得到连续域铣削稳定性叶瓣图，如图2中的(a)中所示，曲线以上表示颤振状态，曲线以下表示稳定状态。 [0035] 步骤S2、将步骤S1中计算所得连续的铣削稳定性叶瓣图转化为理论离散数据点集Rt，如图2中的(b)中所示。数据点集Rt中每个数据点可表示为(ap,n,s)，其中ap为切削深度，n为主轴转速，s为铣削状态，其中铣削状态在本发明中分为颤振状态、过渡状态和稳定状态，在图2(b)中，由于根据切削机理的计算结果仅包含颤振状态和稳定状态两种，因此，理论离散数据点集中也仅有这两种状态。 [0036] 步骤S3、以步骤S2所得理论离散数据点集为训练数据集，采用随机森林算法，输入数据为切削深度ap和主轴转速n，输出铣削状态，即颤振、过渡或稳定，得到离散域铣削稳定性模型M，该模型可在指定任意切削深度和主轴转速的情况下给出铣削状态，可用于指导机器人铣削工艺参数的选择。 [0037] 步骤S4、根据步骤S3所得离散域铣削稳定性模型选择合适的工艺参数进行铣削加工，并采集加工振动数据，采用基于深度学习的颤振检测方法，建立颤振检测模型，以加工振动数据为输入，输出铣削状态，基于深度学习的颤振检测模型，以切削振动数据为输入，输入数据维度为(4096，1)，模型结构包含6个一维卷积层，一个最大池化层和4个全连接层，6个一维卷积层的通道数为(64，64，128，256，512，1024)，3个全连接层的神经元数量为(1024，512，256，3)，记录加工振动数据所对应的切削深度和主轴转速，以及颤振检测模型的输出即铣削状态，所得结果构成数据集Rr，即实际铣削状态数据，如图3所示。 [0038] 步骤S5、将步骤S2中得到的数据集Rt与步骤S4中得到的数据集Rr进行融合，融合过程如图4所示。首先，基于数据集Rr中的每个数据点，生成辐射数据点集Rr'，以数据点Pi∈Rr为例，Pi对应的主轴转速、切削深度和铣削状态为(api,ni,si)，对应的辐射数据点Pj∈Rr'对应的主轴转速、切削深度和铣削状态为(apj,nj,sj)，其中，上述变量满足条件式中Sw表示转速范围，Sh表示切深范围，由此可得到Rr'。其次将数据集Rr与Rr'取并集得到Rr”＝Rr∪Rr'。最后，将理论离散数据点集Rt中与Rr”中对应数据点的铣削状态更改为与Rr”中的铣削状态相同，得到虚实融合的数据集Rf。基于该数据集重新建立基于随机森林的主轴转速、切削深度与铣削状态的映射模型，即优化更新后的离散域铣削稳定性模型M'。 [0039] 步骤S6、基于步骤S5得到的优化更新后离散域铣削稳定性模型M'，重复步骤S4至步骤S5，直到步骤S5中多次优化后的离散域铣削稳定性模型不再发生变化。如图5所示为不同数量的实际数据点与理论数据点融合后所生成的离散域铣削稳定性模型，随着实际数据点的增多，模型趋于稳定且与图3中的实际加工结果的铣削状态趋势相近。 [0040] 以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定保护范围。

意见反馈