CN112529099A - 一种机器人铣削加工颤振辨识方法 - Google Patents

一种机器人铣削加工颤振辨识方法 Download PDF

Info

Publication number
CN112529099A
CN112529099A CN202011552274.3A CN202011552274A CN112529099A CN 112529099 A CN112529099 A CN 112529099A CN 202011552274 A CN202011552274 A CN 202011552274A CN 112529099 A CN112529099 A CN 112529099A
Authority
CN
China
Prior art keywords
flutter
milling
robot
network model
chatter
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.)
Pending
Application number
CN202011552274.3A
Other languages
English (en)
Inventor
彭芳瑜
张腾
孙豪
赵晟强
张驰
闫蓉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202011552274.3A priority Critical patent/CN112529099A/zh
Publication of CN112529099A publication Critical patent/CN112529099A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Discrete Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Manipulator (AREA)

Abstract

本发明属于铣削加工颤振辨识领域，具体涉及一种机器人铣削加工颤振辨识方法，包括：采集机器人在铣削加工时加工工件表面形貌图像并输入铣削加工颤振类型预测模型，得到机器人颤振类型；铣削加工颤振类型预测模型构建方法为：根据机器人铣削加工时刀具端稳定性叶瓣图设置不同组合加工参数进行加工实验，并采集每次实验的振动信号以及工件表面形貌图像；基于各振动信号得到每张形貌图像所对应的颤振类型以得到训练样本集；采用公开数据集训练已知分类网络模型，根据颤振类型种类数修改已训练分类网络模型的输出结构，得到迁移后的网络模型；采用样本集微调该训练输出结构参数得到预测模型。本发明提高了颤振辨识效率，避免了训练数据不足的问题。

Description

一种机器人铣削加工颤振辨识方法
技术领域
本发明属于铣削加工颤振辨识领域，更具体地，涉及一种机器人铣削加工颤振辨识方法。
背景技术
机器人由于本身结构具有弱刚性，再加上铣削加工中，刀尖位置受到周期性切削力的作用，因此极易发生颤振。颤振的发生会直接影响加工工件的表面质量，加速刀具磨损，更进一步会使工件报废，刀具折断，严重影响加工效率。因此对加工过程中的颤振进行准确的辨识至关重要，辨识的结果可为后续颤振抑制策略的提出提供理论基础。
常规的颤振辨识的思路是通过获取加工装备末端刀尖位置的频响参数和加工过程的切削力数值(切削力系数)，再借助刀尖位置处的动力学方程，来求解刀具末端稳定性叶瓣图，作为后续颤振状态辨识的依据。之后对不同加工参数组合下的铣削加工过程的振动信号进行采集，通过FFT后，分析频谱中的频率成分，对比铣削加工的转频和齿频即可明确是否发生颤振。但该过程反应时间慢、效率低，很难准确、短时地判断出颤振类型。
发明内容
本发明提供一种机器人铣削加工颤振辨识方法，用以解决现有机器人铣削加工颤振辨识方法辨识效率低的技术问题。
本发明解决上述技术问题的技术方案如下：一种机器人铣削加工颤振辨识方法，包括：
采集颤振待辨识的机器人在铣削加工时加工工件的表面形貌图像并输入铣削加工颤振类型预测模型，得到机器人在铣削加工时的颤振类型；
其中，所述铣削加工颤振类型预测模型采用以下构建方法得到：
根据机器人在所述铣削加工场景下对应的刀具端稳定性叶瓣图，设置不同组合铣削加工参数，以在所述场景下进行加工实验并采集每次实验过程中的振动信号以及加工后加工工件表面形貌图像；基于各振动信号，得到颤振种类，以及每张形貌图像所对应的颤振类型以得到训练样本集；
采用公开数据集训练已知分类网络模型，并根据颤振种类个数修改已训练的分类网络模型的输出结构，得到迁移后的网络模型；采用所述训练样本集微调训练该模型的输出结构参数，得到铣削加工颤振类型预测模型。
本发明的有益效果是：本发明提出了一种基于迁移学习的机器人铣削加工颤振辨识方法。该方法是将在大规模数据集上预先训练好的图像分类深层网络模型的结构迁移到所研究的颤振辨识的问题中来，具体是，采用公开数据集训练已知分类网络模型，并根据颤振种类个数修改已训练的分类网络模型的输出结构，得到待迁移学习的网络模型(也就是固定已训练的分离网络模型的除输出结构以外的其他部分的参数，并对输出结构进行修改)，进一步结合采集到的加工过程中与颤振相关的振动信号和工件表面形貌来微调(即调整输出结构的参数)训练待迁移学习的网络模型，使得强大的图像分类深层网络模型可以被高效的应用到颤振辨识领域的具体加工场景中，在一定程度上提高了颤振辨识的效率，也避免了训练数据不足带来的问题。在实际应用中，若为同种刀具和同种材料的加工，仅需要为训练好的模型输入加工过程采集到的工件表面形貌图片即可较准确的辨识该状态下对应的颤振类型，便于后续颤振抑制工作的深入开展。
上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述稳定性叶瓣图通过以下方式获得：
获取加工装备末端刀尖位置的频响参数和加工过程的切削力数值，结合刀尖位置处的动力学方程，求解得到刀具端稳定性叶瓣图。
进一步，所述基于各振动信号，得到颤振种类，以及每张形貌图像所对应的颤振类型以得到训练样本集，实现方式为：
对所有组合铣削加工参数下的振动信号分别进行FFT变换；分析不同组合铣削加工参数下振动信号中的频率成分，对比转频、齿频及其倍频的位置，确定颤振种类以及每个振动信号所对应的颤振类型，并将每个颤振类型与形貌图像一一对应以构建得到训练样本集。
进一步，所述颤振种类有四种，包括颤振类型有：稳定、过渡、规则颤振、无规则颤振。
进一步，所述已知分类网络模型为ResNet-50，所述公开数据集为大规模图像数据集ImageNet。
本发明的进一步有益效果是：ImageNet数据集有较高精度的图像分类能力。而深度残差神经网络ResNet-50在结构上沿用了卷积神经网络的基本结构，即卷积层、池化层。实践表明，卷积层的数目越多，模型对于图像的处理效果会越好，但在这个过程中存在卷积层数目的增加和数据梯度减小之间的矛盾。该网络结构为了防止随着卷积层数目的增加带来的数据梯度消失问题，提出了一种网络子结构。该结构中存在一个不经过多层卷积处理的数据流道，这样的结构可以解决网络梯度消失的问题，因此后续的迁移学习预测模型的构建是基于该模型开展的。因此该方案提出的TResNet-49网络模型在泛化能力和鲁棒性上，都有较高的水平。
进一步，所述待迁移学习的网络模型的构建方法具体包括：
利用大规模数据集ImageNet对ResNet-50网络模型进行训练；
将训练好的ResNet-50网络模型的前49层网络结构及其参数配置固定，并自适应的构建后续输出部分结构，其中，ResNet-50网络模型第49层输出的节点数目为2048，在ResNet-50网络模型结构后补充一个2048×n的全连接神经网络以及一个n节点的SoftMax函数层，使得网络模型的n个输出节点所表示的是输入网络模型的工件表面形貌图像所对应各颤振类型的预测概率，其中，n表示所述颤振种类个数。
进一步，在所述采用所述训练样本集微调训练该模型的输出结构参数之后，利用准确率、召回率以及ROC曲线来评价微调后的网络模型的效果。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种机器人铣削加工颤振辨识方法。
附图说明
图1为本发明实施例提供的一种机器人铣削加工颤振辨识方法中铣削加工颤振类型预测模型构建流程框图；
图2为本发明实施例提供的一种基于迁移学习的机器人铣削加工颤振辨识方法流程图；
图3为本发明实施例提供的ResNet-50网络模型中两种残差块结构示意图；
图4为本发明实施例提供的TResNet-49网络模型的具体结构示意图。
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。
实施例一
一种机器人铣削加工颤振辨识方法，如图1所示，包括：
采集颤振待辨识的机器人在铣削加工时加工工件的表面形貌图像并输入铣削加工颤振类型预测模型，得到机器人在铣削加工时的颤振类型；
其中，铣削加工颤振类型预测模型采用以下构建方法得到：
根据机器人在上述铣削加工场景下对应的刀具端稳定性叶瓣图，设置不同组合铣削加工参数，以在上述场景下进行加工实验并采集每次实验过程中的振动信号以及加工后加工工件表面形貌图像；基于各振动信号，得到颤振种类，以及每张形貌图像所对应的颤振类型以得到训练样本集；
采用公开数据集训练已知分类网络模型，并根据颤振种类个数修改已训练的分类网络模型的输出结构，得到迁移后的网络模型；采用训练样本集微调训练该模型的输出结构参数，得到铣削加工颤振类型预测模型。
需要说明的是，根据机器人在铣削加工场景下所对应的刀具端稳定性叶瓣图，确定机器人稳定的加工参数区域和不稳定的加工参数区域，以设置不同组合铣削加工参数进行在上述场景下的铣削加工实验。
在铣削加工颤振类型预测模型构建中：首先，在对机器人系统刀尖稳定性叶瓣图分析的基础上获得不同加工参数组合下的机器人铣削加工不同颤振类型目标域数据集：数据集内容包含工业相机采集到的加工工件表面形貌图像和各个图像所对应的颤振类型标签；其次，构建待迁移学习的网络模型：采用公开数据集训练已知分类网络模型，并根据颤振种类个数修改已训练的分类网络模型的输出结构，形成最终的网络模型；最后利用构建的目标域数据集对构建的迁移学习预测模型进行微调(Finetune)训练。其中，仅仅根据颤振种类个数修改已训练的分类网络模型的输出结构，保持以训练的分离网络模型的除输出结构以外的部分的参数，形成最终的网络模型，既提高构建效率，也能继承原有分类模型在图像分类上学到的知识，保证分类精度。
本实施例提出了一种基于迁移学习的机器人铣削加工颤振辨识方法。该方法是将在大规模数据集上预先训练好的图像分类深层网络模型的结构迁移到所研究的颤振辨识的问题中来，结合采集到的加工过程中与颤振相关的振动信号和工件表面形貌来微调(Finetune)训练网络，使得强大的图像分类深层网络模型可以被高效的应用到颤振辨识领域，在一定程度上提高了颤振辨识的效率。在实际应用中，若为同种刀具和同种材料的加工，仅需要为训练好的模型输入加工过程采集到的工件表面形貌图片即可较准确的辨识该状态下对应的颤振类型，便于后续颤振抑制工作的深入开展。
优选的，上述稳定性叶瓣图通过以下方式获得：
获取加工装备末端刀尖位置的频响参数和加工过程的切削力数值，结合刀尖位置处的动力学方程，求解得到刀具端稳定性叶瓣图。
具体的，例如，待辨识的机器人所在的加工场景中，刀具为环形刀，该刀具对镍基青铜进行铣削加工，则如图2所示，在进行铣削加工颤振类型预测模型的训练数据集构建时，可采用如下流程：
(1)开展模态测试实验，获取刀尖点的模态参数，具体实验方式是使用PCB 086C03冲击力锤对φ25mm的环形刀进行锤击实验，分别沿X和Y两个方向开展五次锤击测试，对采集到的频率响应数据进行分析，通过拟合即可获得频率响应函数Gxx、Gyy、固有频率ωn、阻尼比ξ和模态质量。
(2)对环形刀切削力系数进行标定。利用上述刀具对镍基青铜进行铣削加工，利用奇石乐测力仪、电荷放大器和NI数采系统对加工过程中的切削力进行采集。通过采集到的切削力，借助下式，即可获得沿三个方向的切削力系数。
Figure BDA0002858346880000061
式中Ft为每齿进给量，
Figure BDA0002858346880000062
为给定的刀具旋转角，
Figure BDA0002858346880000063
为微元坐标系到刀具坐标系的坐标变化矩阵，
Figure BDA0002858346880000064
z分别为未变形切削的径向接触角和轴向位置，求得的
Figure BDA0002858346880000065
分别表示X、Y、Z三个方向的切削力系数。
(3)在获得了刀尖点的模态参数和切削力系数后，就可以将机器人铣削加工过程表示为如下的动力学模型，通过求解如下所示的动力学模型来判断不同参数、不同水平组合下的颤振状态。
Figure BDA0002858346880000071
式中M表示机器人刀具端的模态质量矩阵，C表示机器人刀具末端的阻尼矩阵，K表示机器人刀具末端刚度矩阵，这三个矩阵都是通过(1)中的模态实验获得的，x(t)-x(t-T)、y(t)-y(t-T)表示X和Y两个方向上产生的动态切削厚度。Kc表示切削力系数矩阵，是通过(2)中的实验获取到的。
(4)确定影响颤振类型比较大的参数种类组合，并将求解结果进行绘制，即可以获得机器人铣削加工刀具端的稳定性叶瓣图。
优选的，上述基于各振动信号，得到颤振种类，以及每张形貌图像所对应的颤振类型以得到训练样本集，实现方式为：
对所有组合铣削加工参数下的振动信号分别进行FFT变换；分析不同组合铣削加工参数下振动信号中的频率成分，对比转频、齿频及其倍频的位置，确定颤振种类以及每个振动信号所对应的颤振类型，并将每个颤振类型与形貌图像一一对应以构建得到训练样本集。
根据稳定性叶瓣图中计算出来的稳定和不稳定区域，设置铣削加工参数，开展铣削加工实验，采集实验过程中的振动信号(采用传感器)和加工之后加工工件表面的形貌图像。对振动信号进行FFT变换，分析不同加工参数下振动信号中的频率成分，对比转频、齿频及其倍频的位置，即可确定颤振类型，将判断获取的类型与采集到的加工工件表面形貌图像进行关联，即可获得一一对应的数据样本，样本类型为图片，样本标签为颤振类型编码。
其中，需要说明的是，在根据稳定性叶瓣图中计算出来的稳定和不稳定区域设置铣削加工参数时，可根据获得的稳定性叶瓣图来人为进行加工参数选择，选择的依据是尽可能多的包含颤振类型，具体在叶瓣图上的表现是在远离叶瓣分界线的位置选择部分参数点，获得稳定和无规则颤振类型，在接近叶瓣分界线的位置选择部分参数点，获得过渡和规则颤振的样本。
另外颤振类型的判断是依赖采集到的振动信号的频谱分析获得的，具体而言分类依据如下：稳定状态：振动信号的频谱成分单一，除了转频及其倍频之外，没有多余的频率成分；过渡状态：振动信号的频谱中，除了转频及其倍频之外，还存在少量的能量较小的谐波频率成分；规则颤振状态：振动信号的频谱中，出现较多转频及其倍频之外的颤振频率，符合经典意义上的再生颤振判定准则；规则颤振状态：转频及其倍频消失，出现了其他很多能量较大的谐波频率。
优选的，上述已知分类网络模型为ResNet-50，上述公开数据集为大规模图像数据集ImageNet。
大规模的图像数据集ImageNet包含1000类近1400万张不同类型的图像数据，该数据集是ImageNet国际计算机视觉挑战赛(ILSVRC)一直以来使用的数据集，在图像领域具有非常高的地位。在该比赛上诞生的优秀网络模型也数不胜数，ResNet-50是其中非常具有代表性的网络模型之一，对于ImageNet数据集有较高精度的图像分类能力。
另外，深度残差神经网络ResNet-50在结构上沿用了卷积神经网络的基本结构，即卷积层、池化层。实践表明，卷积层的数目越多，模型对于图像的处理效果会越好，但在这个过程中存在卷积层数目的增加和数据梯度减小之间的矛盾。该网络结构为了防止随着卷积层数目的增加带来的数据梯度消失问题，提出了一种如图3所示的网络子结构。该结构中存在一个不经过多层卷积处理的数据流道，这样的结构可以解决网络梯度消失的问题，因此后续的迁移学习预测模型的构建是基于该模型开展的。传统的颤振辨识也曾尝试使用机器学习和深度学习的方法来有效的预测铣削加工过程中的颤振，但由于网络结构对数据有较强的依赖性，而实际数据样本往往不能满足模型训练的要求，容易产生模型泛化能力差和过拟合的问题。
该实施例提出的TResNet-49网络模型在泛化能力和鲁棒性上，都有较高的水平。该方法可为机器人加工过程中的颤振类型辨识提供泛化能力较强的新方法，实现高效高准确率的颤振辨识。
则优选的，如图4所示，当颤振种类数为四时，上述待迁移学习的网络模型TResNet-49的构建方法具体包括：
首先利用大规模数据集ImageNet(作分类用)对ResNet-50网络模型进行训练，得到有较高分类精度的网络模型。将训练好的ResNet-50网络模型前49层的网络结构以及参数配置固定，再自适应的构建后续的输出部分结构。由于原模型第49层输出的节点数目为2048，因此在原模型后补充一个2048×4的全连接神经网络，和一个4节点的SoftMax函数层，确保网络的四个输出节点所表示的是输入网络的工件表面形貌图片所对应各个颤振类型的预测概率，最终工件表面形貌经过模型预测得到的结果即为概率最大的节点所对应的颤振类型编码。最终迁移后的预测模型共有51层。
优选的，在采用训练样本集微调训练该模型的输出结构参数之后，利用准确率、召回率以及ROC曲线来评价微调后的网络模型的效果。
具体的，关于微调的过程，可采用如下方法：
(1)利用已构建的目标域数据集对已构建的TResNet-49进行微调(Finetune)训练，微调的数据集和后续用来测试的数据集比例可为7:3，总测试集的数据规模可为160个样本，稳定、过渡、规则颤振、无规则颤振四种颤振类型所对应的数据比例分别为：28.75％、15％、26.875％和29.375％。模型微调(Finetune)训练过程中的数据按照如下所示的公式进行计算：
Figure BDA0002858346880000091
其中f所表示的激活函数为SoftMax函数，可确保各节点输出值所表征的是当前工件表面形貌对应各颤振类别的概率值，xi为输入参数向量x＝(x1,x2,...,xn)中的一个分量，wi为每个输入参数的权重值，对前一步2048个节点的输出进行加权，θ为偏差值。
预测过程中采用L2正则化方法来防止预测模型的过拟合，该法方法本质上是减小网络对特征的学习，减小非泛化特征的学习，同时惩罚不重要节点权重值，使其按照一定的概率分布消失，L2正则化所遵循的概率分布是高斯分布。具体的计算公式如下所示：
Figure BDA0002858346880000101
Figure BDA0002858346880000102
Figure BDA0002858346880000103
上述式中的λ即为正则化因子，可以看出，采用了L2正则化后，θj前的系数不恒为1，而是在衰减，这种衰减的现象就可以在模型拟合上减小过拟合的风险。
(2)模型的测试，选择目标域数据集中30％的数据样本，并且在测试验证过程中采用交叉验证的方法，具体而言所使用的8折交叉验证。准确度的计算公式如下所示：
Figure BDA0002858346880000104
Figure BDA0002858346880000105
式中Accuracym表示颤振类型的分类精度，AccuracyCV表示8次交叉验证获得的分类精度平均值，Yt表示当前工件表面振纹所对应的颤振类型实际值，Yt表示当前工件表面振纹所对应颤振类型的模型预测值。
(3)模型预测准确度的评估。在评估指标上除了(2)中所描述的准确度之外，还从召回率和ROC曲线两个角度对模型进行评价，召回率R的计算公式为：
Figure BDA0002858346880000111
式中TP表示分类正确的样本个数。即将一个本属于某一类的样本正确的预测分类到该类的样本数目，FN表示分类错误的样本个数，即将一个本应该属于某一类的样本判断为属于其他类别。ROC曲线所表示的是假真率和召回率之间的曲线，预测模型的好坏表现为曲线与横坐标之间所围面积的大小，越接近1，模型的预测准确率越高，即整个模型对机器人铣削加工所发生的颤振类型预测效果越好。
总的来说，由于工业机器人是多关节开式结构，动刚度低，运动精度差，因此在机器人铣削加工过程中，机器人末端执行器上安装的刀具受到周期性铣削力的作用，经常会产生颤振。而加工过程中的颤振会直接影响工件加工精度和表面质量，加剧刀具磨损，严重的会导致工件报废，刀具损坏折断等问题。在具体研究过程中，通常是借助实验采集到的振动信号，经过傅里叶变换后，对频谱成分进行分析，若除了转频和齿频及其倍频之外，出现了其他的频率成分，则发生了颤振。但这种方式很难对铣削加工颤振进行预测，通常只能在实验结束采集到相应的振动信号后，才可以对加工过程的颤振状态进行分析辨识。传统的颤振辨识也曾尝试使用机器学习和深度学习的方法来有效的预测铣削加工过程中的颤振，但由于上述网络结构对数据有较强的依赖性，而实际数据样本往往不能满足模型训练的要求，容易产生模型泛化能力差和过拟合的问题。鉴于上述情况，提出了一种基于迁移学习的机器人铣削加工颤振辨识方法。具体地，首先开展机器人铣削加工实验，获取带有标签的目标域数据集，之后对以大规模图像数据集ImageNet作为源域数据训练好的50层残差神经网络ResNet-50进行迁移，迁移的策略是冻结模型前49层结构和参数，根据目标域的样本类别数目，自适应的配置模型输出部分结构，整体上构成最终的预测模型TResNet-49。之后利用目标域中工件表面形貌图片微调(Finetune)模型参数，主要是对新配置的网络结构进行训练，确保深度迁移残差神经网络TResNet-49不仅具备较强的处理图像分类问题的能力，同时可以针对性的适应颤振辨识这一具体的工业应用场景。
实施例二
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上实施例一所述的一种机器人铣削加工颤振辨识方法。
相关技术方案同实施例一，在此不再赘述。
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 (8)

1.一种机器人铣削加工颤振辨识方法，其特征在于，包括：
采集颤振待辨识的机器人在铣削加工时加工工件的表面形貌图像并输入铣削加工颤振类型预测模型，得到机器人在铣削加工时的颤振类型；
其中，所述铣削加工颤振类型预测模型采用以下构建方法得到：
根据机器人在所述铣削加工场景下对应的刀具端稳定性叶瓣图，设置不同组合铣削加工参数，以在所述场景下进行加工实验并采集每次实验过程中的振动信号以及加工后加工工件表面形貌图像；基于各振动信号，得到颤振种类，以及每张形貌图像所对应的颤振类型以得到训练样本集；
采用公开数据集训练已知分类网络模型，并根据颤振种类个数修改已训练的分类网络模型的输出结构，得到迁移后的网络模型；采用所述训练样本集微调训练该模型的输出结构参数，得到铣削加工颤振类型预测模型。
2.根据权利要求1所述的一种机器人铣削加工颤振辨识方法，其特征在于，所述稳定性叶瓣图通过以下方式获得：
获取加工装备末端刀尖位置的频响参数和加工过程的切削力数值，结合刀尖位置处的动力学方程，求解得到刀具端稳定性叶瓣图。
3.根据权利要求1所述的一种机器人铣削加工颤振辨识方法，其特征在于，所述基于各振动信号，得到颤振种类，以及每张形貌图像所对应的颤振类型以得到训练样本集，实现方式为：
对所有组合铣削加工参数下的振动信号分别进行FFT变换；分析不同组合铣削加工参数下振动信号中的频率成分，对比转频、齿频及其倍频的位置，确定颤振种类以及每个振动信号所对应的颤振类型，并将每个颤振类型与形貌图像一一对应以构建得到训练样本集。
4.根据权利要求3所述的一种机器人铣削加工颤振辨识方法，其特征在于，所述颤振种类有四种，包括颤振类型有：稳定、过渡、规则颤振、无规则颤振。
5.根据权利要求1至4任一项所述的一种机器人铣削加工颤振辨识方法，其特征在于，所述已知分类网络模型为ResNet-50，所述公开数据集为大规模图像数据集ImageNet。
6.根据权利要求5所述的一种机器人铣削加工颤振辨识方法，其特征在于，所述迁移后的网络模型的构建方法具体包括：
利用大规模数据集ImageNet对ResNet-50网络模型进行训练；
将训练好的ResNet-50网络模型的前49层网络结构及其参数配置固定，并自适应的构建后续输出部分结构，其中，ResNet-50网络模型第49层输出的节点数目为2048，在ResNet-50网络模型结构后补充一个2048×n的全连接神经网络以及一个n节点的SoftMax函数层，使得网络模型的n个输出节点所表示的是输入网络模型的工件表面形貌图像所对应各颤振类型的预测概率，其中，n表示所述颤振种类个数。
7.根据权利要求1所述的一种机器人铣削加工颤振辨识方法，其特征在于，在所述采用所述训练样本集微调训练该模型的输出结构参数之后，利用准确率、召回率以及ROC曲线来评价微调后的网络模型的效果。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至7任一项所述的一种机器人铣削加工颤振辨识方法。
CN202011552274.3A 2020-12-24 2020-12-24 一种机器人铣削加工颤振辨识方法 Pending CN112529099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011552274.3A CN112529099A (zh) 2020-12-24 2020-12-24 一种机器人铣削加工颤振辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011552274.3A CN112529099A (zh) 2020-12-24 2020-12-24 一种机器人铣削加工颤振辨识方法

Publications (1)

Publication Number Publication Date
CN112529099A true CN112529099A (zh) 2021-03-19

Family

ID=74976229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011552274.3A Pending CN112529099A (zh) 2020-12-24 2020-12-24 一种机器人铣削加工颤振辨识方法

Country Status (1)

Country Link
CN (1) CN112529099A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309547A (zh) * 2023-05-10 2023-06-23 成都飞机工业（集团）有限责任公司 一种零件表面质量检测方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781921A (zh) * 2019-09-25 2020-02-11 浙江农林大学 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置
CN110928237A (zh) * 2019-12-20 2020-03-27 华中科技大学 一种基于振动信号的数控加工中心颤振在线辨识方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781921A (zh) * 2019-09-25 2020-02-11 浙江农林大学 一种基于深度残差网络与迁移学习的毒蕈图像识别方法和装置
CN110928237A (zh) * 2019-12-20 2020-03-27 华中科技大学 一种基于振动信号的数控加工中心颤振在线辨识方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张明锴: "基于残差卷积网和支持向量机的机器人铣削颤振辨识研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309547A (zh) * 2023-05-10 2023-06-23 成都飞机工业（集团）有限责任公司 一种零件表面质量检测方法、装置、设备及介质
CN116309547B (zh) * 2023-05-10 2023-09-19 成都飞机工业（集团）有限责任公司 一种零件表面质量检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109514349B (zh) 基于振动信号和Stacking集成模型的刀具磨损状态监测方法
WO2021004154A1 (zh) 一种数控机床刀具剩余寿命预测方法
CN110153802B (zh) 一种基于卷积神经网络和长短时记忆神经网络联合模型的刀具磨损状态辨识方法
US20180307203A1 (en) Machining defect factor estimation device
CN114619292B (zh) 一种基于小波降噪和注意力机制融合gru网络的铣削加工刀具磨损监测方法
CN101520652B (zh) 一种数控装备服役可靠性的评估方法
CN113927371A (zh) 一种基于多传感器特征融合的刀具磨损预测方法
CN110561191B (zh) 基于pca与自编码器的数控机床刀具磨损数据处理方法
JP7507601B2 (ja) 工作機械のびびり振動を予測するための方法
CN112395809B (zh) 一种加工零件表面振纹缺陷检测方法
CN113609789A (zh) 一种基于时空特征并行提取的刀具磨损状态预测方法
CN114492198A (zh) 一种基于改进pso算法辅助svm算法的切削力预测方法
CN113458873A (zh) 一种刀具磨损量和剩余寿命预测的方法
CN117592223B (zh) 一种面向航空航天材料的孔加工刀具智能设计方法
Gao et al. Identification of cutting chatter through deep learning and classification
CN114626015B (zh) 一种基于高斯过程回归的薄壁结构切削颤振预测方法
Zegarra et al. Comparison of CNN and CNN-LSTM architectures for tool wear estimation
Yu et al. Online stability boundary drifting prediction in milling process: An incremental learning approach
CN112529099A (zh) 一种机器人铣削加工颤振辨识方法
CN113077043B (zh) 基于改进图卷积网络的机床刀尖动力学特征预测方法
TW202147161A (zh) 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品
CN113673166B (zh) 面向加工质量预测的数字孪生模型工况自适应方法及系统
CN114819311A (zh) 一种数控加工表面粗糙度预测模型的构建方法
CN114118249A (zh) 基于优化堆叠自编码器和多信号融合的结构损伤诊断方法
CN108296881B (zh) 一种铣削颤振在线监测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210319

RJ01 Rejection of invention patent application after publication