CN111752151A

CN111752151A - 一种工业叶片磨抛加工自适应力跟踪与补偿方法及系统

Info

Publication number: CN111752151A
Application number: CN202010552012.0A
Authority: CN
Inventors: 赵欢; 李振; 丁汉
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2020-06-17
Filing date: 2020-06-17
Publication date: 2020-10-09

Abstract

本发明属于机器人智能加工控制领域，并公开了一种工业叶片磨抛加工自适应力跟踪与补偿方法及系统。所述方法包括：对磨抛加工过程中的环境参数进行估计，构建自适应参考轨迹生成模型，生成机器人的参考轨迹；构建机器人磨抛加工的阻抗控制模型，输出轨迹修调量；获取力误差，并基于遗传算法优化神经网络的控制方法对位置跟踪误差引起的力误差进行实时补偿，获取补偿后的力误差；对机器人磨抛加工的运动进行跟踪控制。所述系统包括：机器人、环境参数估计器、自适应轨迹生成器、阻抗控制器、遗传算法优化神经网络控制器以及运动跟踪控制器。本发明对机器人在磨抛加工中的是适应力进行实时跟踪与补偿，使得机器人与砂带的交互力是适应的，鲁棒性好。

Description

一种工业叶片磨抛加工自适应力跟踪与补偿方法及系统

技术领域

本发明属于机器人智能加工控制技术领域，更具体地，涉及一种工业叶片磨抛加工自适应力跟踪与补偿方法及系统。

背景技术

工业领域的叶片在提供动力方面起着重要作用，例如风力发电叶片、航空发动机叶片等，叶片自身性能直接影响着整体的工作性能和使用寿命。工业领域所用的叶片具有弯扭程度较大、刚度差异大和流线型等显著特点，是典型的复杂曲面结构，叶片本身各特性之间的制约使得难以确保叶片达到应用要求的表面质量和形面精度，造成叶片表面一致性较差和表面裂纹、削边等问题。叶片磨抛加工是叶片成型加工的最后工序，对于提高叶片表面精度质量和形状精度具有重要作用，使得叶片满足预期应用要求的几何形面精度和表面质量，极大影响着叶片的整体使用性能。

针对叶片磨抛加工技术，人工磨抛加工表面质量取决于工人的技术水平，叶片磨抛后的表面质量差异大，并且表面一致性较差。多轴联动数控机床磨抛加工具有较高的加工精度和较好的灵活性，但存在工艺编程复杂和工艺实现难度大等问题，缺少相应磨抛加工和磨抛质量测量的全闭环自适应系统。随着近年来机器人技术的发展，工业机器人开始应用于磨抛加工中，尤其机器人砂带磨抛加工技术，通过工业机器人与砂带磨抛装置二者本身的优势互补，可以进一步提高叶片磨抛加工的表面质量和形面精度。由于存在系统建模不准确、接触环境不确定、控制方法和硬件等方面的影响，使得机器人-砂带磨抛加工过程中工业机器人的控制存在一定的误差，并且机器人所需交互的环境信息辨识较难，导致机器人磨抛加工过程中接触力的跟踪与补偿效果较差，存在较大的接触力跟踪误差。经典的阻抗控制简单有效，但对于不确定环境因素动态接触力跟踪磨抛加工操作时，缺少必要的环境参考信息与位置参考信息，使得在磨抛加工过程中参考轨迹难以准确获得，并不是一种较好的接触力跟踪解决方法。在原始阻抗控制的结构下，接触力由于受到系统建模误差、运动跟踪误差、参考轨迹和环境参数等多方面因素的影响，使得磨抛加工过程中接触力跟踪效果较差，存在一定的偏差。

为了获得更好的磨抛加工效果，使得接触力跟踪与补偿较为准确，磨抛加工过程中去除加工余量均匀，保证叶片磨抛加工的加工质量与表面精度，需要设计出一种有效解决接触力跟踪与补偿的控制方法。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种工业叶片磨抛加工自适应力跟踪与补偿方法及系统，其中结合机器人自身的特征及其工业叶片磨抛加工工艺特点，相应设计了一种跟踪力在存在较大不确定性或环境参数变化时，仍能提供鲁棒性的里控制器，并对其关键步骤如环境参数的估计、参考轨迹的生成、轨迹调修量的生成以及力误差跟踪与补偿进行研究和设计，相应的可在线生产参考轨迹作为力跟踪前馈输入，并根据优化得到的位置跟踪误差引起的力误差，对机器人在磨抛加工中的是适应力进行实时跟踪与补偿，使得磨抛加工过程中，机器人与砂带的交互力是适应的，而非抵抗的。

为实现上述目的，按照本发明的一个方面，提出了一种工业叶片磨抛加工自适应力跟踪与补偿方法，包括以下步骤：

S1根据机器人磨抛加工过程中的环境位置x_e以及环境阻抗参数k_e对环境参数进行估计，以获取环境估计参数；

S2根据环境估计参数以及机器人磨抛加工过程中的期望接触力构建自适应参考轨迹生成模型，以生成机器人的参考轨迹；

S3根据机器人磨抛加工的接触力和期望接触力构建机器人磨抛加工的阻抗控制模型，以输出轨迹修调量；

S4根据机器人磨抛加工的接触力和期望接触力获取力误差，并基于遗传算法优化神经网络的控制方法对位置跟踪误差引起的力误差进行实时补偿，以获取补偿后的力误差；

S6根据所述参考轨迹、轨迹修调量、补偿后的力误差对机器人磨抛加工的运动进行跟踪控制，以此方式，实现了机器人磨抛加工中的交互力是适应的。

作为进一步优选的，步骤S1中，环境参数估计的计算模型为：

其中，k_e为环境阻抗参数，x_e为环境位置，f为机器人磨抛加工的接触力，

为接触力的估计值，x为机器人的实际位置，λ₁，λ₂和λ₃均为常量。

作为进一步优选的，所述接触力的估计值根据环境估计参数以及机器人磨抛加工的接触力获取，其计算模型如下：

其中，k_e为环境阻抗参数，x_e为环境位置，x_c为机器人轨迹命令。

作为进一步优选的，步骤S2中，所述自适应参考轨迹生成模型为：

其中，k_e为环境阻抗参数，x_e为环境位置，f_d为机器人磨抛加工的期望接触力。

作为进一步优选的，步骤S3中，所述阻抗控制模型为：

其中，m为质量矩阵，b为阻尼矩阵，k为弹簧矩阵，e为轨迹修调量，f_d为机器人磨抛加工的期望接触力，f为机器人磨抛加工的接触力。

作为进一步优选的，步骤S4具体包括以下步骤：

S41根据机器人磨抛加工的接触力和期望接触力确定神经网络结构各级之间的权值与阈值，将力误差模型视为个体，力误差模型的参数视为构成个体的染色体，随机选取遗传算法所需的染色体数目；

S42根据力误差确定遗传算法的适应度函数，从而确定遗传算法中每个染色体的适应度数值，判断是否符合遗传算法的标准，若符合，则进入步骤S43，否则，返回至步骤S41；

S43对满足标准的染色体个体，依据遗传算法进行选择、交叉和变异，产生新个体；

S44判断新个体是否满足最优个体的要求，若满足，则进入步骤S45，否则，返回至步骤S42；

S45将步骤S44中得到的最优个体顺序拆分，将拆分后获取的参数分别作为神经网络结构各级之间的权值与阈值，并更新神经网络结构；

S46重复步骤S42至步骤S45，直至满足设定的迭代终止条件，输出位置跟踪误差引起的力误差补偿值，从而获取补偿后的力误差。

其中，位置跟踪误差引起的力误差模型为：Δf＝k_eΔx，Δx为位置跟踪误差。

作为进一步优选的，采用PID控制法对机器人磨抛加工的运动进行跟踪控制。

按照本发明的另一个方面，提供了一种工业叶片磨抛加工自适应力跟踪与补偿系统，包括：

用于对工业叶片进行磨抛加工的机器人；

用于根据机器人磨抛加工过程中的环境位置x_e以及环境阻抗参数k_e对环境参数进行估计的环境参数估计器；

用于根据环境估计参数以及机器人磨抛加工过程中的期望接触力生成机器人的参考轨迹的自适应轨迹生成器；

用于根据机器人磨抛加工的接触力和期望接触力输出轨迹修调量的阻抗控制器；

用于根据机器人磨抛加工的接触力和期望接触力获取力误差，并基于遗传算法优化神经网络的控制方法对位置跟踪误差引起的力误差进行实时补偿的遗传算法优化神经网络控制器；以及

用于根据所述参考轨迹、轨迹修调量、补偿后的力误差对机器人磨抛加工的运动进行跟踪控制的运动跟踪控制器。

作为进一步优选的，所述环境参数估计器的计算模型为：

为接触力的估计值，x为机器人的实际位置，λ₁，λ₂和λ₃均为常量；

所述自适应轨迹生成器的计算模型为：

其中，k_e为环境阻抗参数，x_e为环境位置，f_d为机器人磨抛加工的期望接触力；

所述阻抗控制器的计算模型为：

作为进一步优选的，所述运动跟踪控制器为PID控制器

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，主要具备以下的技术优点：

1.本发明在阻抗控制框架下，应用基于环境参数估计的参考轨迹自适应生成的控制方案，可以获得机器人-砂带磨抛加工接触的环境位置与刚度信息，根据实时在线估计的非结构化时变环境的刚度与位置信息，准确地获得自适应参考轨迹，提高原始阻抗控制的自适应能力与鲁棒性，实现较好的精准力控制与力跟踪效果。

2.本发明基于磨抛加工过程中的力位耦合的关系，磨抛过程中的位置跟踪误差会引起接触力误差，二者是相互影响的。为了提高力跟踪与补偿性能，提出一种遗传算法优化神经网络控制器，利用神经网络的自主学习能力与遗传算法的寻求最优解的能力，两种算法的优势相互结合，对接触力误差进行实时补偿与优化，有效提高磨抛加工过程的精准力跟踪控制。

3.本发明提出了一种接触力自适应阻抗控制方案，并利用遗传算法优化神经网络算法提高力跟踪性能。自适应方案根据所估计的环境刚度和位置信息，获得准确的参考轨迹。然后，基于遗传算法与神经网络算法，通过补偿位置跟踪误差进一步提高力跟踪性能。提出的力跟踪方案简单有效，可应用于环境参数未知的实际约束操作中。

附图说明

图1是本发明实施例涉及的一种工业叶片磨抛加工自适应力跟踪与补偿方法的流程图；

图2是本发明实施例所构建的接触稳态状态下阻抗控制原理示意图；

图3是发明实施例涉及的一种工业叶片磨抛加工自适应力跟踪与补偿系统的结构示意图；

图4为本发明实施例中涉及的遗传算法的流程图；

图5为本发明实施例中涉及的遗传算法优化神经网络控制器的流程图。

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。

如图2所示，机器人-砂带磨抛加工处于接触稳态时，工业机器人与待磨抛加工叶片所组成的外界环境和砂带磨抛装置在接触力的作用下会发生一定的形变，这种形变是微小的，很难进行准确的测量。在机器人砂带磨抛加工处于稳态接触时，Δx综合了工业机器人、砂带磨抛装置、叶片等发生的多种形变与侧隙，并且叶片扭曲大、叶片型面复杂，其精确相对表面x_e ⁰的获得也相对较为困难，使得磨抛加工过程接触力跟踪与补偿的精准实现较为困难。

经典的阻抗控制组成简单，提供了自由态到过渡态直到接触稳态的统一架构，可以实现较好的接触柔性操作，但实现精准力控制需要输入准确的参考轨迹与接触力误差，接触力误差常由力传感器准确的直接测量，而参考轨迹的准确获取完全取决于环境位置与刚度参数信息。如果知道操作环境的刚度和初始位置信息等环境参数信息，通过控制形变可实现接触力控制，但由于接触形变是微小的，并且难以直接测量，更重要的是在非结构化时变不确定的环境中环境参数信息是实时改变的，精确获得较为困难。

由于叶片磨抛加工属于高精度力控制约束操作，使得要求具有准确的参考轨迹，获取准确的参考轨迹能为接触力控制提供良好的基准，但参考轨迹的生成取决于外界环境的参数信息，包括位置值和刚度值。本发明以高精度接触力跟踪为出发点，设计了基于环境参数估计的参考轨迹自适应生成方法，所构建的框图如图3所示。进一步地，根据图3可以知道，机器人-砂带磨抛装置位移x包括了Δx的相关数据，根据实际接触力和位移参数可实现接触形变和环境刚度的获取，并根据所估计得到的环境参数信息设计出稳定的自适应参考轨迹生成器，提高阻抗控制的适应性与鲁棒性，获得精确的的接触力跟踪与补偿效果。

具体而言，如图1、图2、图3、图4以及图5所示，本发明实施例提供的一种工业叶片磨抛加工自适应力跟踪与补偿方法，其具体包括以下步骤：

步骤一，根据机器人磨抛加工过程中的环境位置x_e以及环境阻抗参数k_e对环境参数进行估计，以获取环境估计参数。

具体而言，根据机器人磨抛加工过程中的实际位置x对环境参数估计器中的位置参数进行估计，根据机器人的实际位置x以及环境位置x_e的差值求取磨抛加工中所接触的环境阻抗参数，以对环境参数估计器中的环境刚度参数进行估计。在本发明中，

环境参数估计的计算模型为：

为接触力的估计值，x为机器人磨抛加工的实际位置，λ₁，λ₂和λ₃均为常量。

机器人-砂带磨抛装置所接触的环境模型为：

f_e＝k_ex

其中：f_e为实际的接触力，k_e为所接触的环境刚度，x为机器人的实际位置。

如果在磨抛加工过程中不考虑位置跟踪误差，可以得到接触力f为：

f＝k_e(x_c-x_e)＝k_ex_c-k_ex_e

其中：x_c为机器人轨迹命令，x_e为机器人的环境位置。

接触力的估计值根据环境估计参数以及机器人磨抛加工的接触力获取，其计算模型如下：

步骤二，根据环境估计参数以及机器人磨抛加工过程中的期望接触力构建自适应参考轨迹生成模型，以生成机器人的参考轨迹。

其中，自适应参考轨迹生成模型为：

步骤三，根据机器人磨抛加工的接触力和期望接触力构建机器人磨抛加工的阻抗控制模型，以输出轨迹修调量。

对

和

进行估计是当t→∞时

令

分析可得：

根据阻抗控制模型：

可以输出轨迹修调量。其中，m为质量矩阵，b为阻尼矩阵，k为弹簧矩阵，e为轨迹修调量，f_d为机器人磨抛加工的期望接触力，f为机器人磨抛加工的接触力。

进一步地，可以得到下式：

上式收敛可得到

或

使界限

可以避免第二种情况。所以，设计合理的环境参数生成器能保证上式快速收敛，获得精确确的参考轨迹，实现稳定的接触期望力跟踪。

在实际情况中，接触力控制与位置跟踪控制是相互作用的，并且位置跟踪误差不存在的通常是不成立的，位置跟踪误差Δx设置为：

Δx＝x_c-x

进一步地，如果环境为刚度模型，则由位置跟踪引起的力跟踪误差为：

Δf＝k_eΔx

步骤四，根据机器人磨抛加工的接触力和期望接触力获取力误差，并基于遗传算法优化神经网络的控制方法对位置跟踪误差引起的力误差进行实时补偿，以获取补偿后的力误差。

通过上述分析可知，为了提高接触力跟踪性能，利用神经网络的自主学习能力与遗传算法的全局搜索能力，采用遗传算法优化神经网络控制器进行补偿。基于遗传算法优化神经网络控制补偿与环境参数估计的参考轨迹自适应生成的阻抗控制方法能有效提高力控砂带磨抛装置在加工稳态过程的力跟踪精度。

神经网络方法通常由输入层、隐含层、输出层组成，是在模仿人类大脑神经功能的基础上而建立的一种信息处理系统。BP神经网络通常采用的是梯度降低法，这种方法存在全局搜索能力较差、学习过程收敛速度慢、易陷入局部最优解等问题。遗传算法是基于自然界中生物的遗传机理和进化过程而形成的方法，是一种全局寻优搜索的迭代算法，并且不依赖梯度信息。遗传算法具有良好的鲁棒性、并行性、以及全局寻优能力，既能减小限于局部最优解，又能够优化神经网络的初始权重和阈值，进一步提高神经网络稳定性。遗传算法优化BP神经网络方法分为三个部分，即BP神经网络格式确定、遗传算法优化处理和BP神经网络预测分析。首先，依据拟合函数输入输出参数个数确定BP神经网络结构，从而确定遗传算法个体的长度。遗传算法优化处理基于遗传算法和BP神经网络的权值、阈值，设置的种群中个体都包含了一个网络所有的权值和阈值，个体通过适应度函数计算得到个体适应度值，遗传算法通过选择、交叉和变异方式找到最优适应度值对应的种群个体。最后，BP神经网络预测用遗传算法得到最优个体对网络初始权值和阈值赋值，网络经训练后预测函数输出。

结合上述分析，根据Δf＝k_eΔx可以知道，位置跟踪误差会引起接触力误差的变化，所以采用遗传算法优化神经网络控制器中的自主学习能力和获取最优解的能力，对Δf进行实时补偿，提高磨抛加工过程中在接触稳态时的力跟踪精度。

更具体而言，步骤四包括以下子步骤：

(1)根据机器人磨抛加工的接触力和期望接触力确定神经网络结构各级之间的权值与阈值，随机选取遗传算法所需的染色体数目。

即根基机器人磨抛加工过程中的接触力和期望接触力，构建力误差模型，对构成力误差模型的参数进行定义和初始化，然后将力误差模型视为个体，力误差模型的参数视为构成个体的染色体，同时，确定神经网络结构各级之间的权值与阈值，随机选取遗传算法所需的染色体数目。其中，力误差模型的参数至少包括机器人实际位置和期望位置。

(2)根据机器人磨抛加工过程中的力误差设定多个目标函数，即适应度函数，并根据该目标函数确定遗传算法中每个个体的适应度值，判断每个个体的适应度值是否满足遗传算法的标准，若符合，则进入步骤(3)，否则，返回至步骤(1)。

(3)根据该适应度值获取个体的非支配排序等级，根据所述非支配排序等级以及个体的拥挤度选择交配个体，形成交配池，将构成交配池中个体的染色体的基因进行交叉和变异，产生新个体。

(4)判断新个体是否满足最优个体的要求，即构成新个体的各个参数使得机器人在磨抛加工过程中因位置跟踪误差产生的力误差值最小，若满足，则进入步骤(5)，否则，返回至步骤(2)；

(5)将步骤(4)获取得到的最优个体顺序拆分，并将拆分后获取的参数分别当做神经网络结构各级之间的权值与阈值，更新神经网络结构；

(6)重复步骤(2)至步骤(5)，直至满足设定的迭代终止条件，输出因位置跟踪误差引起的力误差补偿值，从而获取补偿后的力误差。

步骤五，根据所述参考轨迹、轨迹修调量、补偿后的力误差对机器人磨抛加工的运动进行跟踪控制，以此方式，实现了机器人磨抛加工中的交互力是适应的。

本发明还提供了一种工业叶片磨抛加工自适应力跟踪与补偿系统，包括：

用于对工业叶片进行磨抛加工的机器人；

其中，所述运动跟踪控制器为PID控制器。当然不仅限于该控制器，其他能实现对运动跟踪控制的控制器也适用于本发明。

所述环境参数估计器的计算模型为：

所述自适应轨迹生成器的计算模型为：

所述阻抗控制器的计算模型为：

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。