CN110509186B - 一种基于加工振动特征的机器人磨抛质量表征方法 - Google Patents
一种基于加工振动特征的机器人磨抛质量表征方法 Download PDFInfo
- Publication number
- CN110509186B CN110509186B CN201910807091.2A CN201910807091A CN110509186B CN 110509186 B CN110509186 B CN 110509186B CN 201910807091 A CN201910807091 A CN 201910807091A CN 110509186 B CN110509186 B CN 110509186B
- Authority
- CN
- China
- Prior art keywords
- image
- grinding
- gray
- vibration
- texture image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/005—Manipulators for mechanical processing tasks
- B25J11/0065—Polishing or grinding
Abstract
本发明属于机器人磨抛领域,并公开了一种基于加工振动特征的机器人磨抛质量表征方法。该方法包括:(a)采集机器人磨抛加工过程中待磨抛工件上振动信号,以及相应的磨抛后待磨抛工件表面的纹理图像;(b)采用对称点分析法对一维振动信号进行变换,获得每段振动信号对应的灰度图像;采用稀疏自编码对纹理图像进行处理,使得纹理图像转化为对应的灰度图像;(c)利用灰度共生矩阵分别计算振动信号与纹理图像对应灰度图像的特征值,获得各自对应的特征值,根据振动信号与纹理图像的一一对应关系,建立振动信号‑纹理图像的特征值关系,实现机器人磨抛质量表征。通过本发明,避免了直接对磨抛质量进行在线监测带来的诸多问题。
Description
技术领域
本发明属于机器人磨抛领域,更具体地,涉及一种基于加工振动特征的机器人磨抛质量表征方法。
背景技术
近年来,随着机器人技术的快速发展,工业机器人以其自动化、智能化和高灵活性等特点越来越多的应用于机械加工制造领域中。尤其对于磨抛加工领域,传统人工磨抛方式效率低、对人体危害大,而机床加工灵活度低,加工对象具有一定局限性。所以机器人磨抛加工具有十分重要的意义。但目前机器人磨抛仍然存在一些问题,即机器人的弱刚性使得其在磨抛过程中容易发生颤振,从而影响加工质量,所以针对飞机结构件和涡轮叶片等高成本、高精度的零件,需要对加工过程进行实时监测去控制表面加工质量,提高加工精度。
在过去几十年中,加工状态监测已被广泛研究,在简单工况下针对刀具磨损、工件变形及颤振的在线监测技术已经相当成熟。然而,由于机器人的弱刚性使得其加工动力学十分复杂,与工件的耦合颤振机理仍不明确,使得传统的在线监测技术并不适用,并且由于磨抛过程中恶劣环境的影响,难以采用视觉或激光对表面纹理或粗糙度进行直接监测,所以目前针对机器人磨抛加工仍然没有成熟的在线监测方法。
已有技术中,专利CN201710062144.3提出一种用于机器人打磨的在线视觉检测系统,它包括三维激光测量机构和二维运动机构,其中三维激光测量机构用于对工件单个位置扫描测量,当需要对工件表面多个位置整体测量时,通过二维运动机构的X方向导轨和Y方向导轨的移动来实现。该方法的不足在于其没有考虑打磨加工过程中环境对激光测量的影响,并且该机构较为复杂,其机构本身误差和安装误差也会对测量结果的准确性产生影响。
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加工振动特征的机器人磨抛质量表征方法,其通过采集磨抛过程中的振动信号和磨抛后的纹理图像,并通过对振动信号和纹理图像的处理最终获得振动信号和纹理图像的关系,是吸纳磨抛质量的表征,由此解决目前采用视觉和激光等传感器直接对机器人磨抛质量进行监测的方法受环境干扰大、设备复杂、成本高的技术问题。
为实现上述目的,按照本发明,提供了一种基于加工振动特征的机器人磨抛质量表征方法,所述方法包括下列步骤:
(a)针对不同加工条件下的机器人磨抛加工过程,采集每个加工过程中待磨抛工件上振动信号,以及与该振动信号相对应的磨抛后待磨抛工件表面的纹理图像,其中,所述振动信号用于反映时间和振幅的关系;
(b)采用对称点分析法对所述振动信号进行变换,使得所述振动信号转化为二维图像,以此获得每个振动信号相应的灰度图像;采用稀疏自编码对所述纹理图像进行处理,使得所述纹理图像转化为与其相应的灰度图像;
(c)利用灰度共生矩阵分别计算每个所述振动信号相应的灰度图像与每幅所述纹理图像相应的灰度图像的特征值,即获得所有振动信号相应的特征值和每幅纹理图像相应的特征值,根据振动信号与纹理图像的一一对应关系,建立每个振动信号相应的特征值与每幅纹理图像相应的特征值的对应关系,以此获得振动信号-纹理图像的特征值关系,即实现机器人磨抛质量表征。
进一步优选地,在步骤(b)中,所述采用对称点分析法对所述一维振动信号进行变换优选按照下列公式进行变换:
其中,i是时域信号的离散采样点序号,xi是时间点i对应的幅值,r(i)是点在极坐标中的半径,θ(i)是点在极坐标中逆时针沿镜像对称平面偏转的角度,φ(i)是点在极坐标中顺时针沿镜像对称平面的偏转角度;xmax是振动信号的最大幅值,xmin是振动信号的最小幅值,l是时间间隔参数,θ是镜像对称平面旋转角;ζ是放大因子,ζ≤θ。
进一步优选地,在步骤(b)中,所述稀疏自编码采用包括输入层、隐藏层和输出层的三层神经网络,采用稀疏自编码对所述纹理图像进行处理时,优选按照下列步骤,首先,将所述纹理图像作为输入,输出为输入层到所述隐藏层的权值;然后,将获得输入层到所述隐藏层的权值进行归一化处理获得归一化值,该归一化值作为灰度值;最后,将该灰度值转化为灰度图像即获得所述纹理图像对应的灰度图像。
进一步优选地,在步骤(c)中,利用灰度共生矩阵分别计算每个所述振动信号相应的灰度图像与每幅所述纹理图像相应的灰度图像的特征值,优选按照下列公式计算:
其中,m,n分别是分辨率为k×k的灰度图像中不同方向的坐标值,G(m,n)是点(m,n)对应的灰度值在整个灰度图像中出现的概率,u1是灰度共生矩阵的水平平均值,u2是垂直平均值,S1和S2分别时水平标准差和垂直标准差。
进一步优选地,在步骤(b)中,所述振动信号的样本长度至少包含3个自振周期,表面纹理图像的样本面积至少为2×2mm2。
进一步优选地,在步骤(a)中,所述待磨抛工件的材料为薄壁金属材料,磨抛的工具为百页轮,所述纹理图像采用高倍率相机获取。
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、本发明利用对称点分析法将一维振动信号转换为能表示其特征的二维图像,利用稀疏自编码提取打磨纹理图像的隐藏特征,用灰度共生矩阵中的相关性指标对两种特征图像进行辨识和匹配,建立振动信号-磨抛质量匹配模型,最终实现用振动信号表征磨抛质量,该过程中计算简单,不受环境干扰、成本低。
2、本发明实现用振动信号表征磨抛质量,从而可以在机器人磨抛中通过加速度传感器对振动信号进行在线监测,以实现对磨抛质量的在线监测,避免了直接对磨抛质量进行在线监测带来的诸多问题,振动信号具有低延迟、易测量、不受环境干扰等优点,该方法适用范围广,可扩展适用于其他的加工方法。
附图说明
图1是按照本发明的优选实施例所构建的振动信号-磨抛质量匹配模型建立方法流程图。
图2是按照本发明的优选实施例所构建的10组不同磨抛质量下振动信号示意图;
图3是按照本发明的优选实施例所构建的10组不同磨抛质量下纹理图像示意图;
图4是按照本发明的优选实施例所构建的振动信号对应的表示其特征的灰度图像;
图5是按照本发明的优选实施例所构建的纹理图像对应的表示其特征的灰度图像;
图6是按照本发明的优选实施例所构建的振动信号特征值示意图;
图7是按照本发明的优选实施例所构建的纹理图像特征值示意图;
图8是按照本发明的优选实施例所构建的振动信号与纹理图像特征值的关系示意图。
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。
图1是本发明的振动信号-磨抛质量匹配模型建立流程图,它包括以下步骤:
1、试验环境
本实例的试验条件,一台机械臂,一台安装在机械臂末端的打磨机,1000×100×4mm铝合金工件,百页轮磨抛工具,加速度传感器,高倍率相机,以及工件夹具。
2、数据采集与分片
通过改变加工力与机械臂姿态,设计从粗糙到均匀10组不同磨抛质量的加工条件。在加工过程中采集工件上的振动信号,在加工完成后拍摄加工表面纹理图像。之后将振动信号与纹理图像划分为若干小样本,其中振动信号的样本长度为0.2s,表面纹理图像的样本大小为3.1×3.1mm。如图2和3所示,图中10组不同磨抛质量下的振动信号与加工后表面纹理图像的示意图。
3、振动信号特征提取
利用对称点分析法将一维振动信号转换为二维图像,用i表示时域信号的离散采样点序号,取时间点i对应的幅值xi,与时间点i+l对应的幅值xi+l,通过SDP变换,使其变成极坐标空间s[r(i),θ(i),φ(i)]中的点。其中,时域波形中的点xi,被转化为极坐标空间中第i点的半径成分,即r(i);其相邻点xi+l被转化为极坐标空间中第i点的角度成分,即θ(i)和φ(i),r(i)、θ(i)、φ(i)3个函数的具体计算公式为:
式中,r(i)为点在极坐标中的半径;θ(i)为点在极坐标中逆时针沿镜像对称平面偏转的角度;φ(i)为点在极坐标中顺时针沿镜像对称平面的偏转角度;xmax为该信号的最大幅值;xmin为该信号的最小幅值;l为时间间隔参数;θ为镜像对称平面旋转角;ζ为放大因子(ζ≤θ)。其中参数取l=0.0001s,θ=60°,ζ=20°,最终得到的10组振动信号的特征图像如图4所示。
4、磨抛纹理图像特征提取
利用稀疏自编码从纹理图像中提取隐藏特征,稀疏自编码是一种三层神经网络,分别为输入层、隐藏层、输出层,我们的目标是使输出值层与输入层尽量相等,这样得到的隐藏层就是输入层的压缩表示,对输入层到隐藏层的权重进行可视化,得到的图像即为打磨纹理图像的隐藏特征。该神经网络的参数如下:输入层16×16像素,隐藏层5×5像素,稀疏参数0.01,学习率0.0001,最终得到的10组纹理图像的特征图像如图5所示。
5、特征辨识与模型建立
利用灰度共生矩阵计算特征图像的相关性指标COR,作为特征值,其公式如下:
式中,对于分辨率为k×k的特征图像中的一点(m,n),以及另一点(m+a,n+b),假设该点对的灰度值为(g1,g2),则(g1,g2)在整个图像中出现的概率为G(m,n),其他参数如下:
取采样间隔为(1,0),如图6和7所示,图中分别是10组振动信号与纹理图像的特征值分布。其中纹理图像的特征值由小到大对应磨抛质量由均匀到粗糙。如图8所示,由图中可以看出随着振动信号特征值由小增大,磨抛纹理图像特征值由大变小,此对应关系即为振动信号-磨抛质量匹配模型。
实验结果表明,本发明所述方法可以建立机器人磨抛加工的振动信号-磨抛质量匹配模型,实现由振动信号表征磨抛质量。
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 (3)
1.一种基于加工振动特征的机器人磨抛质量表征方法,其特征在于,所述方法包括下列步骤:
(a)针对不同加工条件下的机器人磨抛加工过程,采集每个加工过程中待磨抛工件上振动信号,以及与该振动信号相对应的磨抛后待磨抛工件表面的纹理图像,其中,所述振动信号用于反映时间和振幅的关系;
(b)采用对称点分析法对所述振动信号进行变换,使得所述振动信号转化为二维图像,以此获得每段振动信号相应的能表示其特征的灰度图像;采用稀疏自编码对所述纹理图像进行处理,使得所述纹理图像转化为能表示其特征的灰度图像;
(c)利用灰度共生矩阵分别计算每段所述振动信号相应的灰度图像与每幅所述纹理图像相应的灰度图像的特征值,即获得所有振动信号相应的特征值和每幅纹理图像相应的特征值,根据振动信号与纹理图像的一一对应关系,建立每个振动信号相应的特征值与每幅纹理图像相应的特征值的对应关系,以此获得振动信号-纹理图像的特征值关系,即实现机器人磨抛质量表征;
在步骤(b)中,所述采用对称点分析法对所述振动信号进行变换按照下列公式进行变换:
其中,i是时域信号的离散采样点序号,xi是时间点i对应的幅值,xi+1是时间点i+1对应的幅值,r(i)是点在极坐标中的半径,θ(i)是点在极坐标中逆时针沿镜像对称平面偏转的角度,φ(i)是点在极坐标中顺时针沿镜像对称平面的偏转角度;xmax是振动信号的最大幅值,xmin是振动信号的最小幅值,l是时间间隔参数,θ是镜像对称平面旋转角;ζ是放大因子,ζ≤θ;
在步骤(b)中,所述稀疏自编码采用包括输入层、隐藏层和输出层的三层神经网络,采用稀疏自编码对所述纹理图像进行处理时,按照下列步骤,首先,将所述纹理图像作为输入,输出为输入层到所述隐藏层的权值;然后,将获得输入层到所述隐藏层的权值进行归一化处理获得归一化值,该归一化值作为灰度值;最后,将该灰度值转化为灰度图像即获得所述纹理图像对应的灰度图像;
在步骤(c)中,利用灰度共生矩阵分别计算每个所述振动信号对应的灰度图像与每幅所述纹理图像对应的灰度图像的特征值COR,按照下列公式计算:
其中,m,n分别是分辨率为k×k的灰度图像中不同方向的坐标值,G(m,n)是点(m,n)对应的灰度值在整个灰度图像中出现的概率,u1是灰度共生矩阵的水平平均值,u2是垂直平均值,S1和S2分别是水平标准差和垂直标准差。
2.如权利要求1所述的一种基于加工振动特征的机器人磨抛质量表征方法,其特征在于,在步骤(b)中,所述振动信号的样本长度至少包含3个自振周期,表面纹理图像的样本面积至少为2×2mm2。
3.如权利要求1或2所述的一种基于加工振动特征的机器人磨抛质量表征方法,其特征在于,在步骤(a)中,所述待磨抛工件的材料为薄壁金属材料,磨抛的工具为百页轮,所述纹理图像采用高倍率相机获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807091.2A CN110509186B (zh) | 2019-08-29 | 2019-08-29 | 一种基于加工振动特征的机器人磨抛质量表征方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910807091.2A CN110509186B (zh) | 2019-08-29 | 2019-08-29 | 一种基于加工振动特征的机器人磨抛质量表征方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110509186A CN110509186A (zh) | 2019-11-29 |
CN110509186B true CN110509186B (zh) | 2020-11-24 |
Family
ID=68628837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910807091.2A Active CN110509186B (zh) | 2019-08-29 | 2019-08-29 | 一种基于加工振动特征的机器人磨抛质量表征方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110509186B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111775051B (zh) * | 2020-06-15 | 2021-08-10 | 德尔福柴油系统(烟台)有限公司 | 一种检测磨削产品是否合格的方法 |
CN113704922B (zh) * | 2021-09-01 | 2024-02-02 | 江苏师范大学 | 一种基于声振及纹理特征预测表面粗糙度的方法 |
CN113792397A (zh) * | 2021-09-02 | 2021-12-14 | 江苏新道格自控科技有限公司 | 一种基于深度学习的旋转机械齿轮箱故障诊断方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9075713B2 (en) * | 2012-05-24 | 2015-07-07 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting anomalies in multivariate time series data |
CN107505392B (zh) * | 2017-07-24 | 2020-01-31 | 清华大学 | 基于纹理表面接触加速度触觉信息的材质分析方法及装置 |
CN107657633A (zh) * | 2017-09-28 | 2018-02-02 | 哈尔滨工业大学 | 一种基于bp神经网络和传感器数据采集的土地秸秆覆盖率测算方法 |
CN108340214B (zh) * | 2018-01-10 | 2019-10-29 | 上海理工大学 | 超声振动辅助磨削的材料亚表面裂纹深度预测方法 |
CN108536780B (zh) * | 2018-03-29 | 2020-04-03 | 清华大学 | 一种基于触觉纹理特征的跨模态物体材质检索方法 |
CN109299705B (zh) * | 2018-10-24 | 2021-08-20 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN109753632A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于数据挖掘的表面粗糙度监测模型及构建方法 |
-
2019
- 2019-08-29 CN CN201910807091.2A patent/CN110509186B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110509186A (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110509186B (zh) | 一种基于加工振动特征的机器人磨抛质量表征方法 | |
CN110986778B (zh) | 碳纤维复合材料铆钉孔尺寸检测系统及方法 | |
CN110906875B (zh) | 一种孔径测量的视觉处理方法 | |
CN112247674B (zh) | 一种刀具磨损预测方法 | |
CN110146017B (zh) | 工业机器人重复定位精度测量方法 | |
CN111540001B (zh) | 航空发动机涡轮叶片气膜孔轴线方向检测方法 | |
CN113865508B (zh) | 一种蜂窝夹芯复合材料声衬的通孔率自动化检测装置与方法 | |
CN108444921B (zh) | 一种基于信号相关分析的增材制造构件在线检测方法 | |
CN110763136B (zh) | 一种高精度三维工件尺寸检测系统及方法 | |
CN105865341A (zh) | 工业机器人空间位姿重复定位精度测量装置和方法 | |
CN112361958B (zh) | 一种线激光与机械臂标定方法 | |
CN106556606A (zh) | 基于机器视觉的大型机械产品总成件的在线质量控制方法 | |
CN113702384A (zh) | 一种回转构件表面缺陷检测装置、检测方法及标定方法 | |
CN116399241B (zh) | 一种贴片式电感几何参数测量方法及系统 | |
Jianming et al. | Error correction for high-precision measurement of cylindrical objects diameter based on machine vision | |
CN113704922B (zh) | 一种基于声振及纹理特征预测表面粗糙度的方法 | |
Li et al. | Non-contact dimension measurement of mechanical parts based on image processing | |
Su et al. | Neural networks for precise measurement in computer vision systems | |
CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
CN114913229A (zh) | 机器人用于局部不连续区域打磨的视觉定位方法及系统 | |
CN109753018B (zh) | 一种基于云端智能的误差补偿系统及动态补偿方法 | |
Zhao et al. | Sub-microscale precision repeatability position measurement using integrated polar microstructure and feature extraction method | |
CN112966560A (zh) | 基于反卷积成像的电主轴故障诊断方法和装置 | |
Chen et al. | A Point Cloud-Based Feature Recognition and Path Planning Method | |
Cao et al. | Roundness measurement of cigarette based on visual information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |