CN110315396B - 一种基于大数据的工业机器人恒力磨抛方法 - Google Patents

Abstract

本发明属于工业机器人领域，并公开了一种基于大数据的工业机器人恒力磨抛方法，包括以下步骤：1)机器人运行数据采集：采用六维力传感器分别连接工业机器人和控制器，通过不断调节同一打磨轨迹的贴合程度，采集大量运行数据构成训练集；2)确定BP神经网络拓扑模型；3)根据步骤1)获得的运行数据对步骤2)所建立的BP神经网络拓扑模型进行训练；4)将训练好的BP神经网络拓扑模型运用到无传感器的工业机器人打磨实例中，获得工业机器人运行过程中的打磨力时域曲线，根据预设的打磨力阙值进行工业机器人轨迹调整，以便于获得恒力打磨效果。本发明可以重复路径微调的工作，这样就解决了磨抛生成效率低下，加工成本较高等问题。

Description

一种基于大数据的工业机器人恒力磨抛方法

技术领域

本发明属于工业机器人领域，更具体地，涉及一种工业机器人恒力磨抛方法。

背景技术

加工过程，如研磨，去毛刺，抛光，车削和铣削等，基本上是通过控制工艺特定的工具与被加工工件间的力来完成的。如果加工时接触力不受调节，加工接触力通常会在该过程中发生显着变化。将加工接触力调节在一定程度上具有许多优点，例如提高生产率、材料去除率，避免刀具破损，调节机器人和刀具偏转以及延长刀具寿命等等。对打磨、装配和高空擦玻璃，需要进行对力和位置同时控制的柔顺控制。飞机发动机、汽轮机叶片和模具等机械零部件，其外形轮廓复杂、精度要求高，国内外对这些复杂自由曲面的精加工多以手工打磨加工为主，但同时存在对工人经验技术要求较高且产品合格率不高的问题，因此采用机器人打磨已成为当前产业实现升级换代的理想的解决方案。

近年来，许多学者致力于机器人打磨力控制研究中，国外的A.Robertsson等人通过将外部传感器整合应用到工业机器人中，构建力控系统，使打磨和去毛刺具有良好的效果。日本东京理科大学的Fusaomi Nagata团队提出了一种具有学习型混合位置/力控制器的高精度打磨机器人系统，用于打磨PET瓶模具，取得了良好的效果。Jinno M,Ozaki F,Yoshimi T等人提出了工具力矩控制的方法，将力/力矩信号转换为位置修正信号，改进了机器人位置控制的精度，并将该力控制方法应用于打磨、倒角、去毛刺，取得了良好的效果。Shih-Tin Lin,Ang-Kiong Huang构建了一种带力/力矩传感器的混合模糊力控制系统，仿真和模拟显示此系统的执行力是可接受的。国内浙江大学的章健提出机器人去毛刺加工过程中切削法向力恒定控制策略，并对控制策略进行了去毛剌加工的实验验证。

申请号为“CN201710201635.1”的中国专利公开一种基于力传感器的机器人打磨作业控制系统，包括用于调整机器人当前运动矢量的PID控制器和执行机构；该执行机构包括：六自由度机械臂、用于检测机器人在打磨作业过程中刀具在三维空间坐标系上X、Y、Z轴方向受到的压力和扭力的六维力传感器、柔性夹具、通过所述柔性夹具与六维力传感器相连的刀具和通过感知刀具与铸件的作用力状态并输出受力状态的二值信号至所述PID控制器的触觉开关传感器；所述六维力传感器安装在六自由度机械臂的末端,刀具与六维力传感器通过柔性夹具相连,触觉开关传感器安装在柔性夹具上且该触觉开关传感器与刀具相接触。与传统的人工控制打磨法不同，此专利根据六维力传感器和触觉开关传感器的信号矫正机器人运动,从而有效提高了打磨精度和效率。此方法基于昂贵的力传感器，不利于工业大规模生产。

申请号为“CN201510919085.8”的中国专利公开一种基于力控制的龙门吊装机器人打磨加工方法,包括以下步骤：工控机根据工件模型生成离线路径,机器人根据离线路径对工件进行加工，力传感器实时采集机器人末端的力信息反馈至工控机,工控机根据力信息通过重力补偿得到反馈力；工控机将设定的力目标值与反馈力作差,并通过力控制器得到位置修正量；将位置修正量与机器人当前位置求和，并通过阻抗控制器得到控制量控制机器人加工的打磨作用力。本发明在打磨过程中消除了打磨工具本身重力对打磨作用力的干扰,从而保证检测及控制打磨加工作用力的精度；传感器测量精度高,机器人控制精度高，加工效果好。但仍然需要力传感器反馈进行支撑，依旧有难以大规模使用，费用高的缺点。

虽然国内外学者在机器人打磨控制上取得了良好的效果，但是当下一个工厂应用机器人数量多达十几台甚至上百台，给每一台机器人都安装一套昂贵的力传感器显然成本太高，无法进行大批量生产使用。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于大数据的机器人恒力磨抛方法，可在打磨一次后通过上述神经网络模型来估算法向打磨力，与预设法向打磨力进行比较，快速调整打磨路径，最终使后续工件被加工时能够达到恒力打磨效果。

为实现上述目的，按照本发明，提供了一种基于大数据的工业机器人恒力磨抛方法，其特征在于，包括以下步骤：

1)机器人运行数据采集：采用六维力传感器分别连接工业机器人和控制器，以将工业机器人运行过程中的运行数据实时保存到控制器中，通过不断调节同一打磨轨迹的贴合程度，采集大量运行数据构成训练集；

2)根据工业机器人运动学及动力学关系，选择输入变量及输出变量，确定BP神经网络拓扑模型；

3)根据步骤1)获得的运行数据对步骤2)所建立的BP神经网络拓扑模型进行训练；

4)将训练好的BP神经网络拓扑模型运用到无传感器的工业机器人打磨实例中，获得工业机器人运行过程中的打磨力时域曲线，根据预设的打磨力阙值进行工业机器人轨迹调整：计算预设的打磨力阙值与实际运行过程中的打磨力之间的误差，根据该误差及前期采集的运行数据，计算工业机器人的TCP应沿法向前进或后退的距离，即调整工业机器人的打磨轨迹，以便于此工业机器人重复加工后续工件时无需重复调整路径即可获得恒力打磨效果。

优选地，所述运行数据包括工业机器人的各轴转矩、当前实轴位置、机器人TCP速度和/或六维力传感器采集到的力。

优选地，所述控制器为华数II控制器。

优选地，所述六维力传感器为总线式传感器，其通过网线与控制器连接传输数据。

优选地，所述输入变量为工业机器人六轴实时转矩，所述输出变量为法向打磨力。

优选地，步骤1)的具备过程如下：

1.1)通过工业机器人工具标定，确定工业机器人上的打磨工具位置，再通过工件标定，确定工件所在位置，将工位所在位置信息导入机器人离线编程软件中，通过离线的方式生成机器人加工路径；

1.2)重复调节打磨工具与工件的贴合状况，采集运行数据，将采集到的运行数据进行解析并保存在控制器中。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1)本发明能够在现有的封闭式机器人控制器上实现力控制的效果，依靠位置控制来达到恒力打磨的效果；

2)本发明通过一个六维力传感器采集数据后建立神经网络模型，可以将模型利用到几台甚至十几台同样型号的机器人上，无需每一台机器人都安装一套昂贵的力传感器，可以达到节约成本的目的，便于大批量生产。

附图说明

图1是打磨受力分析图；

图2是机器人连杆受力分析图；

图3是BP神经网络拓扑模型模型图；

图4是磨抛生产流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

参照图1～图4，一种基于大数据的工业机器人恒力磨抛方法，其特征在于，包括以下步骤：

1)机器人运行数据采集：采用六维力传感器分别连接工业机器人和控制器，以将工业机器人运行过程中的运行数据实时保存到控制器中，通过不断调节同一打磨轨迹的贴合程度，采集大量运行数据构成训练集；

2)根据工业机器人运动学及动力学关系，选择输入变量及输出变量，确定BP神经网络拓扑模型；

3)根据步骤1)获得的运行数据对步骤2)所建立的BP神经网络拓扑模型进行训练；

4)将训练好的BP神经网络拓扑模型运用到无传感器的工业机器人打磨实例中，获得工业机器人运行过程中的打磨力时域曲线，根据预设的打磨力阙值进行工业机器人轨迹调整：计算预设的打磨力阙值与实际运行过程中的打磨力之间的误差，根据该误差及前期采集的运行数据，计算工业机器人的TCP应沿法向前进或后退的距离，即调整工业机器人的打磨轨迹，以便于此工业机器人重复加工后续工件时无需重复调整路径即可获得恒力打磨效果。

进一步，所述运行数据包括工业机器人的各轴转矩、当前实轴位置、机器人TCP速度和/或六维力传感器采集到的力。

进一步，所述控制器为华数II控制器。

进一步，所述六维力传感器为总线式传感器，其通过网线与控制器连接传输数据。

进一步，所述输入变量为工业机器人六轴实时转矩，所述输出变量为法向打磨力。

进一步，步骤1)的具备过程如下：

1.1)通过工业机器人工具标定，确定工业机器人上的打磨工具位置，再通过工件标定，确定工件所在位置，将工位所在位置信息导入机器人离线编程软件中，通过离线的方式生成机器人加工路径；

1.2)重复调节打磨工具与工件的贴合状况，采集运行数据，将采集到的运行数据进行解析并保存在控制器中。

下面结合具体加工实例对本发明进行说明。

以加工某款手机外壳为例，首先标定工件(手机外壳)的加工位置与工业机器人工具的位置，然后根据三维模型在工业机器人离线编程软件中生成离线路径，随后通过不断的改变路径，即工业机器人与手机外壳磨抛接触贴合程度，采集加工过程中的数据，根据采集到的数据进行预处理后建立神经网络，输入特征主要有工业机器人各轴转矩，工业机器人末端TCP速度等，输出为加工过程中法向磨抛力。然后在进行同样工件磨抛工作时，可以先进行一次打磨，采集到输入特征的数据，随后通过建立的神经网络模型进行预测，根据预测值和数据模型去调节工业机器人打磨路径，使预测值趋近一个设定好的阙值，最后再进行打磨工件时可以根据调节好的路径获得恒力磨抛的效果。每加工一定数量的工件，可以重复路径微调的工作，这样就解决了磨抛生成效率低下，加工成本较高等问题。

具体地，该磨抛方法具体过程如下：

1)工业机器人运行数据采集

通过工业机器人工具标定，确定工具位置，通过工件标定，确定工件所在位置。将位置信息导入工业机器人离线编程软件中，通过离线的方式生成工业机器人加工路径。

根据华数II型控制器系统，对工业机器人运行过程中的数据进行保存，选取的六维力传感器为总线式传感器，可以通过网线与工业机器人控制器连接，传输数据。重复调节工业机器人路径，即调节工业机器人工具与工件的贴合状况，采集数据。将采集到的数据进行解析、保存在xls表格中。

2)确定神经网络拓扑结构

首先需要确定输出变量。打磨力的大小和方向总是在变化，检测和分析都很不方便，故可将打磨力F分解成切向打磨力F_c、法向打磨力F_p和轴向打磨力F_a进行研究，如图1所示。打磨时，磨粒末端圆角半径较大，切削性能不好，导致背吃量较小，所以切向打磨力F_c小于法向打磨力F_p，而轴向打磨力F_a一般忽略不计。F_p在数值上是最大，受工件材料、磨粒以及打磨工艺系统的影响。给定相同的打磨条件，统计得出切向打磨力F_c与轴向打磨力F_a、法向打磨力F_p成一定的比例关系，有经验公式：

F_a＝(0.1～0.2)F_c

F_p＝λF_c (1)

式中λ为磨削力比值系数，钢材约为1.8-2.5，铸铁约为3，硬质合金约为4。

由公式1可知，打磨力各分力间成比例关系，且法向力F_p最大，即可采用打磨法向力恒定控制策略，提高打磨加工的性能。因此，BP神经网络输出变量选择法向打磨力F_p。

其次选择输入变量，在静止条件下，为建立关节力、力矩与工业机器人末端坐标系产生的力之间的关系，定义：

^HF＝[f_x f_y f_z m_x m_y m_z]^T

其中f_x,f_y,f_z是末端坐标系沿x,y,z轴的作用力，打磨力F大小等于f_x,f_y,f_z三个力合矢量的大小，方向与f_x,f_y,f_z三个力合矢量方向相反，m_x,m_y,m_z是关于x,y,z这三轴的力矩，H是工业机器人末端坐标系。

对关节也可以做类似的定义：

T＝[T₁ T₂ T₃ T₄ T₅ T₆]^T

即T表示机器人六个关节处的力矩(对转动关节)和力(对滑动关节)向量。

经过虚功原理推导可以得出公式：

T＝(^HJ)^T·^HF (2)

其中，J为工业机器人雅克比矩阵。

上式表明了在理想静止状态下，工业机器人末端广义静力与关节空间的静力之间的等效关系式。

而在工业机器人运动过程中，工业机器人各关节的驱动装置提供关节力和力矩，通过连杆传递到末端执行器，克服外界作用力和力矩。如图2所示，杆i通过关节i和关节i+1分别与杆i-1和杆i+1相连接，建立坐标系{i-1}和坐标系{i}。ⁱf_i为在{i}坐标系下连杆i-1作用在连杆i上的力，ⁱf_i+1为连杆i作用在连杆i+1上的力。ⁱn_i为连杆i-1作用在连杆i上的力距，ⁱn_i+1为连杆i作用在连杆i+1上的力距，

为连杆i上的质心位置。ⁱm_i为连杆i的质量，g为重力加速度。

为{i+1}坐标系原点相对于{i}坐标系下的表示，

表示{i+1}坐标系到{i}坐标系之间的变换矩阵。

连杆i处于平衡状态时，所受合力和合力矩均为零，力平衡和力矩平衡方程分别为：

ⁱf_i-ⁱf_i+1+ⁱm_ig＝0 (3)

连杆i在运动的情况下，作用在连杆i的合力为0，得力平衡式(不考虑重力)：

其中f_ci表示作用在连杆i上的外力合矢量。

作用在质心上的外力矩矢量合为零，得力矩平衡式(不考虑重力)：

ⁱn_ci表示作用在连杆i上的外力矩合矢量。

由上式可以得出理想状态下工业机器人运动时末端力与各轴转矩之间的关系，写成从末端连杆向内迭代的形式为：

综上所述，可以初步确定输入变量为工业机器人六轴实时转矩。

通过kolmogorov定理可知，只要用一个三层BP神经网络就可以在任意希望的精度上实现任意非线性函数的逼近。一般的，网络的输入、输出节点数是根据实际求解的问题确定的，只有隐含层节点数是可变的，它也常作为网络结构优化的对象。根据上述输入输出选择，要建立的BP神经网络为六输入一输出的网络结构模型。隐含层数和隐含层节点数可以根据经验公式在一定范围内选取，优先考虑网络的泛化能力，同时也兼顾网络的逼近能力，通过不断的实验对比验证，可以选取效果优良的隐含层节点数，确定了BP神经网络结构。另外，隐含层传递函数为logsig函数

输出层传递函数为purelin函数(y＝x)。因此，建立的BP神经网络拓扑结构模型如图3所示：

3)神经网络的训练

BP神经网络预测前首先要训练网络，通过训练使网络局域联想记忆及预测能力。BP神经网络的算法过程包括以下步骤。

3.1)网络初始化，根据输入输出序列(X,Y)确定网络输入层节点数n、隐含层节点数l，输出层节点数m，初始化输入层、隐含层和输出层神经元之间的连接权值w_ij，w_jk，初始化隐含层阙值a，输出层阙值b，给定学习率和神经元激励函数。

3.2)隐含层输出计算。根据输入变量X，输入层和隐含层连接权值w_ij以及隐含层阙值a，计算隐含层输出H：

H＝[H₁，H₂，…，H_l]

式中，l为隐含层节点数，f为隐含层激励函数，该函数有多种表达方式，本发明所选取函数为：

3.3)输出层输出计算。根据隐含层输出H，连接权值w_jk和阙值b，计算BP神经网络预测输出O：

O＝[O₁,O₂,…,O_m]

3.4)误差计算。根据网络预测输出O和期望输出Y，计算网络预测误差e：

e＝[e₁，e₂，…，e_m]

e_k＝Y_k-O_k k＝1,2,…,m (10)

3.5)权值更新。根据网络预测误差e利用梯度下降法更新网络连接权值w_ij，w_jk：

w_jk＝w_jk+ηH_je_k j＝1,2,…,l；k＝1,2,…,m (12)

式中，η为学习率。

3.6)阙值更新。根据网络预测误差e更新网络节点阙值a，b：

a＝[a₁,a₂,…,a_l]

b＝[b₁,b₂,…,b_m]

b_k＝b_k+e_kk＝1，2，...，m (14)

3.7)判断算法迭代是否结束，若没有结束，返回步骤3.2)。

4)恒力打磨

将训练好的BP神经网络拓扑模型运用到无传感器的工业机器人打磨实例中，获得工业机器人运行过程中的打磨力时域曲线，根据预设的打磨力阙值进行工业机器人轨迹调整：计算预设的打磨力阙值与实际运行过程中的打磨力之间的误差，根据该误差及前期采集的运行数据，计算工业机器人的TCP应沿法向前进或后退的距离，即调整工业机器人的打磨轨迹，以便于此工业机器人重复加工后续工件时无需重复调整路径即可获得恒力打磨效果。

图4为算法流程图，加工过程中，对大批量磨抛生产，可以采用先数据建模后根据预测打磨力调整路径的方法，获得工件恒力磨抛效果，提高生产效率。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于大数据的工业机器人恒力磨抛方法，其特征在于，包括以下步骤：

1)机器人运行数据采集：采用六维力传感器分别连接工业机器人和控制器，以将工业机器人运行过程中的运行数据实时保存到控制器中，通过不断调节同一打磨轨迹的贴合程度，采集大量运行数据构成训练集；

2)根据工业机器人运动学及动力学关系，选择输入变量及输出变量，确定BP神经网络拓扑模型；

3)根据步骤1)获得的运行数据对步骤2)所建立的BP神经网络拓扑模型进行训练；

4)将训练好的BP神经网络拓扑模型运用到无传感器的工业机器人打磨实例中，获得工业机器人运行过程中的打磨力时域曲线，根据预设的打磨力阙值进行工业机器人轨迹调整，计算预设的打磨力阙值与实际运行过程中的打磨力之间的误差，根据该误差及前期采集的运行数据，计算工业机器人的TCP应沿法向前进或后退的距离，即调整工业机器人的打磨轨迹，以便于此工业机器人重复加工后续工件时无需重复调整路径即可获得恒力打磨效果。

2.根据权利要求1所述的一种基于大数据的工业机器人恒力磨抛方法，其特征在于，所述运行数据包括工业机器人的各轴转矩、当前实轴位置、机器人TCP速度和/或六维力传感器采集到的力。

3.根据权利要求1所述的一种基于大数据的工业机器人恒力磨抛方法，其特征在于，所述控制器为华数II型控制器系统。

4.根据权利要求1所述的一种基于大数据的工业机器人恒力磨抛方法，其特征在于，所述六维力传感器为总线式传感器，其通过网线与控制器连接传输数据。

5.根据权利要求1所述的一种基于大数据的工业机器人恒力磨抛方法，其特征在于，所述输入变量为工业机器人六轴实时转矩，所述输出变量为法向打磨力。

6.根据权利要求1所述的一种基于大数据的工业机器人恒力磨抛方法，其特征在于，步骤1)的具备过程如下：

1.1)通过工业机器人工具标定，确定工业机器人上的打磨工具位置，再通过工件标定，确定工件所在位置，将工位所在位置信息导入机器人离线编程软件中，通过离线的方式生成机器人加工路径；

1.2)重复调节打磨工具与工件的贴合状况，采集运行数据，将采集到的运行数据进行解析并保存在控制器中。

Images