CN113159121B - 基于先验知识模型的机器人磨抛去除量预测方法及设备 - Google Patents

基于先验知识模型的机器人磨抛去除量预测方法及设备 Download PDF

Info

Publication number
CN113159121B
CN113159121B CN202110279839.3A CN202110279839A CN113159121B CN 113159121 B CN113159121 B CN 113159121B CN 202110279839 A CN202110279839 A CN 202110279839A CN 113159121 B CN113159121 B CN 113159121B
Authority
CN
China
Prior art keywords
grinding
polishing
model
knowledge model
matrix
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
Application number
CN202110279839.3A
Other languages
English (en)
Other versions
CN113159121A (zh
Inventor
严思杰
杨泽源
李�杰
徐小虎
丁汉
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.)
Wuhan Digital Design And Manufacturing Innovation Center Co ltd
Huazhong University of Science and Technology
Original Assignee
Wuhan Digital Design And Manufacturing Innovation Center Co ltd
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 Wuhan Digital Design And Manufacturing Innovation Center Co ltd, Huazhong University of Science and Technology filed Critical Wuhan Digital Design And Manufacturing Innovation Center Co ltd
Priority to CN202110279839.3A priority Critical patent/CN113159121B/zh
Publication of CN113159121A publication Critical patent/CN113159121A/zh
Application granted granted Critical
Publication of CN113159121B publication Critical patent/CN113159121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)

Abstract

本发明提供了一种基于先验知识模型的机器人磨抛去除量预测方法及设备。所述方法包括：获取磨抛工艺参数，将磨抛工艺参数及相应的材料去除深度组合得到训练样本集，并对训练样本集进行去噪，得到最终训练样本集；采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型；将磨抛工艺参数输入实用级先验知识模型进行回归预测，得到机器人磨抛去除量的预测结果。本发明可以辅助实现磨抛加工系统的动态修正，提高了实用级先验知识模型的泛化性能，优化了实用级先验知识模型在小样本下的训练能力，训练得到的实用级先验知识模型具有较好的鲁棒性及较高的磨抛材料去除预测精度。

Description

基于先验知识模型的机器人磨抛去除量预测方法及设备
技术领域
本发明实施例涉及机器人磨抛技术领域，尤其涉及一种基于先验知识模型的机器人磨抛去除量预测方法及设备。
背景技术
机器人磨抛加工作为替代数控磨抛加工的重要手段之一，在打磨等领域得到了广泛的应用。而磨抛材料去除量是机器人磨抛加工质量好坏的重要评估指标，实现材料去除量的准确预测是机器人智能磨抛闭环控制的关键所在。然而机器人在打磨过程中其自身刚度、精度均随着姿态的变化而变化，加之磨抛材料的去除是在加工材料物理属性、磨料物理属性、磨抛接触机理、加工环境等渐变或突变干扰因素的综合作用下产生，导致机器人磨抛系统无法在抗干扰的前提下实现材料去除量的准确预测，因此无法实现从加工质量到工艺输入的反馈控制，极大的降低了系统运行效率，制约了机器人磨抛智能化的发展。因此，开发一种基于先验知识模型的机器人磨抛去除量预测方法及设备，可以有效克服上述相关技术中的缺陷，是业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题，本发明实施例提供了一种基于先验知识模型的机器人磨抛去除量预测方法及设备。
第一方面，本发明的实施例提供了一种基于先验知识模型的机器人磨抛去除量预测方法，包括：获取磨抛工艺参数，将磨抛工艺参数及相应的材料去除深度组合得到训练样本集，并对训练样本集进行去噪，得到最终训练样本集；采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型；将磨抛工艺参数输入实用级先验知识模型进行回归预测，得到机器人磨抛去除量的预测结果。
在上述方法实施例内容的基础上，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述材料去除经验模型，包括：
Figure BDA0002978318690000011
其中，ap为磨抛材料去除切深；α、β、γ、c均为待定系数；vs为砂带线速度；vw为工件进给速度；Fn为法向力；Rc为磨粒的等效半径。
在上述方法实施例内容的基础上，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述并对训练样本集进行去噪，得到最终训练样本集，包括：采用最小二乘法对材料去除经验模型进行初步拟合，得到材料去除深度初步预测值，若实际采样的磨抛去除量的测量值与所述磨抛去除深度量的预测值之比不在预设阈值范围内，则将该磨抛点从训练样本集中剔除。
在上述方法实施例内容的基础上，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型，包括：将材料去除经验模型对数化并与最终训练样本集结合后确定输入矩阵、系数矩阵和预测矩阵，获取系数矩阵的先验分布和预测矩阵的似然函数分布，对所述先验分布和似然函数分布中的未知超参数赋以第一数值，根据贝叶斯理论及所述先验分布和似然函数分布得到系数矩阵的后验分布，根据初始后验分布期望值获取后验分布最大时未知超参数的第二数值，将第二数值与第一数值做差，若差值小于差值阈值，则将当前后验分布期望值带入所述系数矩阵，得到实用级系数矩阵，根据实用级系数矩阵得到后验模型，所述后验模型即为实用级先验知识模型。
在上述方法实施例内容的基础上，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述将材料去除经验模型对数化并与最终训练样本集结合后确定输入矩阵、系数矩阵和预测矩阵，包括：
Figure BDA0002978318690000021
其中，ap,m为第m个样本处的磨抛材料去除切深；vs,m为第m个样本处的砂带线速度；vw,m为第m个样本出的工件进给速度；Fn,m为第m个样本处的法向力；yr为预测矩阵；φ为输入矩阵；w为系数矩阵。
在上述方法实施例内容的基础上，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述系数矩阵的先验分布，包括：
Figure BDA0002978318690000022
Figure BDA0002978318690000031
其中，Ψ为系数矩阵的方差矩阵；λ1、λ2、λ3、λ4分别为α、β、γ、c的方差；P为系数矩阵的先验分布概率；D为系数矩阵的维度；
所述预测矩阵的似然函数分布，包括：
Figure BDA0002978318690000032
其中，λ5为噪声方差；m为样本数量。
在上述方法实施例内容的基础上，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述系数矩阵的后验分布，包括：
Figure BDA0002978318690000033
所述后验分布最大时未知超参数的第二数值，包括：
Figure BDA0002978318690000034
其中，B为由后验分布最大时未知超参数的第二数值所组成的矩阵；Tr为矩阵的迹；I为单位矩阵。
第二方面，本发明的实施例提供了一种基于先验知识模型的机器人磨抛去除量预测装置，包括：
第一主模块，用于获取磨抛工艺参数，将磨抛工艺参数及相应的材料去除深度组合得到训练样本集，并对训练样本集进行去噪，得到最终训练样本集；第二主模块，用于采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型；第三主模块，用于将磨抛工艺参数输入实用级先验知识模型进行回归预测，得到机器人磨抛去除量的预测结果。
第三方面，本发明的实施例提供了一种电子设备，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的基于先验知识模型的机器人磨抛去除量预测方法。
第四方面，本发明的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的基于先验知识模型的机器人磨抛去除量预测方法。
本发明实施例提供的基于先验知识模型的机器人磨抛去除量预测方法及设备，通过对磨抛工艺参数进行拟合及训练，得到的实用级先验知识模型可以有效帮助机器人磨抛加工中对法向力、磨抛速度等参数的精确选型，还可以辅助实现磨抛加工系统的动态修正，提高了实用级先验知识模型的泛化性能，优化了实用级先验知识模型在小样本下的训练能力，训练得到的实用级先验知识模型具有较好的鲁棒性及较高的磨抛预测精度。
附图说明
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，下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于先验知识模型的机器人磨抛去除量预测方法流程图；
图2为本发明实施例提供的基于先验知识模型的机器人磨抛去除量预测装置结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图；
图4为本发明实施例提供的训练集数据的材料去除量的真实值与预测值效果示意图；
图5为本发明实施例提供的测试集数据的材料去除量的真实值与预测值效果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明实施例提供了一种基于先验知识模型的机器人磨抛去除量预测方法，参见图1，该方法包括：获取磨抛工艺参数，将磨抛工艺参数及相应的材料去除深度组合得到训练样本集，并对训练样本集进行去噪，得到最终训练样本集；采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型；将磨抛工艺参数输入实用级先验知识模型进行回归预测，得到机器人磨抛去除量的预测结果。需要说明的是，机器人磨抛去除量具体是指机器人磨抛材料去除量深度。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述材料去除经验模型，包括：
Figure BDA0002978318690000051
其中，ap为磨抛材料去除切深；α、β、γ、c均为待定系数；vs为砂带线速度；vw为工件进给速度；Fn为法向力；Rc为磨粒的等效半径。
具体地，离线采集的训练样本集是指工艺参数(法向力Fn、工件进给速度vw、砂带线速度vs)及与之对应的磨抛材料去除切深ap，可表示为Ω＝{Fn,vs,vw,ap}；对训练样本集Ω进行去噪处理；利用Ω和材料去除经验模型f对先验知识模型进行训练。材料去除经验模型f可表示为(1)式。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述并对训练样本集进行去噪，得到最终训练样本集，包括：采用最小二乘法对材料去除经验模型进行初步拟合，得到材料去除深度初步预测值，若实际采样的磨抛去除量的测量值与所述磨抛去除深度量的预测值之比不在预设阈值范围内，则将该磨抛点从训练样本集中剔除。
具体地，经由传感器采样得到的数据不可避免会存在一定的噪音干扰，因而需要在先验知识模型进行训练前添加去噪处理。但当样本数量过小时，去噪会导致样本数量进一步减少，加剧了小样本过拟合问题。因而出于提高训练模型泛化性的需求，应设置一定阈值，当训练集累积大于阈值后，样本再进行去噪。具体采用最小二乘法对输入的离线磨抛工艺参数集进行回归预测，计算出对应工况下磨抛去除量的预测值，当采样得到的测量值与预测值之比大于预设阈值k或小于1/k时，说明该点在采样过程中噪音过大，将从训练样本中剔除。经过去噪后的样本需要进行交叉验证，将样本随机均分为N份，任选其中一份作为验证集、其余作为训练集，选取验证集均方差最小的一组作为最后输出的训练样本。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型，包括：将材料去除经验模型对数化并与最终训练样本集结合后确定输入矩阵、系数矩阵和预测矩阵，获取系数矩阵的先验分布和预测矩阵的似然函数分布，对所述先验分布和似然函数分布中的未知超参数赋以第一数值，根据贝叶斯理论及所述先验分布和似然函数分布得到系数矩阵的后验分布，根据初始后验分布期望值获取后验分布最大时未知超参数的第二数值，将第二数值与第一数值做差，若差值小于差值阈值，则将当前后验分布期望值带入所述系数矩阵，得到实用级系数矩阵，根据实用级系数矩阵得到后验模型，所述后验模型即为实用级先验知识模型。
具体地，根据训练样本集Ω和材料去除经验模型f配置先验模型。首先，对去除经验模型f进行合理变形(包括指数化、对数化等)；然后，将材料去除经验模型f与训练数据集Ω结合确定输入矩阵、系数矩阵、预测矩阵；最后，结合物理知识求解系数矩阵的先验分布与预测矩阵的似然函数分布，求解出先验模型；对配置好的先验模型中未知超参数θ用初值A进行赋值；根据贝叶斯理论推导系数矩阵的后验分布；求解在后验概率最大时，未知超参数θ的值B；计算B与A的差值Δ，与设定的阈值比对，如果小于阈值则输出系数矩阵后验分布的期望值，否则将B赋值给A，然后重新对配置好的先验模型中未知超参数θ用初值A进行赋值，进行后验推导、求解B；输出系数矩阵后验分布的期望值。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述将材料去除经验模型对数化并与最终训练样本集结合后确定输入矩阵、系数矩阵和预测矩阵，包括：
Figure BDA0002978318690000071
其中，ap,m为第m个样本处的磨抛材料去除切深；vs,m为第m个样本处的砂带线速度；vw,m为第m个样本出的工件进给速度；Fn,m为第m个样本处的法向力；yr为预测矩阵；φ为输入矩阵；w为系数矩阵。
系数矩阵w中的待定系数α、β、γ、c并不存在相应的物理意义，可以用高斯分布来表示系数矩阵的分布，则系数矩阵w的先验分布如(3)式和(4)式所示。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述系数矩阵的先验分布，包括：
Figure BDA0002978318690000072
Figure BDA0002978318690000073
其中，Ψ为系数矩阵的方差矩阵；λ1、λ2、λ3、λ4分别为α、β、γ、c的方差；P为系数矩阵的先验分布概率；D为系数矩阵的维度；
所述预测矩阵的似然函数分布，包括：
Figure BDA0002978318690000074
其中，λ5为噪声方差；m为样本数量。
具体地，预测矩阵yr中的磨抛材料去除切深ap为实验中采集到的，必然存在一定的噪音干扰，可以设定噪音分布为标准正态分布N(0,λ5)。因此，测量矩阵的似然函数分布如(5)式所示。在系数矩阵与测量矩阵共有5个待定超参数，用矩阵可以表示为θ＝[λ1,λ2,λ3,λ4,λ5]。对超参数矩阵进行初值设定，设定θ＝A＝[0.1,0.1,0.1,0.1,0.1]。
根据贝叶斯理论可知，由于似然函数分布的加入，先验分布会发生偏移，逐步向真实样本靠拢，其后验分布为：
Figure BDA0002978318690000081
其中P(w)为先验分布概率，P(yr|w)为似然函数分布概率，P(yr)为边缘分布概率，P(w|yr)为后验分布概率，将上文计算得到的先验分布概率、似然函数分布概率带入，可知后验分布概率也满足高斯分布如(6)式所示。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，所述系数矩阵的后验分布，包括：
Figure BDA0002978318690000082
所述后验分布最大时未知超参数的第二数值，包括：
Figure BDA0002978318690000083
其中，B为由后验分布最大时未知超参数的第二数值所组成的矩阵；Tr为矩阵的迹；I为单位矩阵。
具体地，(6)式的后验分布期望为：
E(P(w|yr))＝λ5 -1(Ψ-1+λ5 -1φTφ)-1φTyr (8)
对于得到的系数矩阵后验分布概率，其期望值受到噪声方差λ5、系数矩阵方差Ψ的影响，因此需要对超参数θ重新进行计算。而最大后验概率一方面可以考虑到先验分布，另一方面可以有效融合似然函数分布，采用最大后验概率对超参数进行分析计算，可以有效确定先验分布中超参数的最佳选取值。最大后验分布计算可表达为：
Figure BDA0002978318690000084
将(8)式代入求导，可以得到由后验分布最大时未知超参数的第二数值所组成的矩阵如(7)式所示。
计算B与A的差值Δ，与设定的阈值比对，如果大于阈值则将B赋值给超参数θ，重新进行后验概率计算、最大后验概率计算得到下一轮B，直至差值Δ小于阈值；最后将计算得到的后验分布期望值代入到系数矩阵w，再输出系数矩阵w：
w＝E(P(w|yr)) (10)
至此，后验模型训练完成。当新的磨抛工艺参数输入后，只需要与系数矩阵相乘就可以得到预测值yp：
yp＝φw (11)
本发明实施例提供的基于先验知识模型的机器人磨抛去除量预测方法，通过对磨抛工艺参数进行拟合及训练，得到的实用级先验知识模型可以有效帮助机器人磨抛加工中对法向力、磨抛速度等参数的精确选型，还可以辅助实现磨抛加工系统的动态修正，提高了实用级先验知识模型的泛化性能，优化了实用级先验知识模型在小样本下的训练能力，训练得到的实用级先验知识模型具有较好的鲁棒性及较高的磨抛预测精度。
本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，通过对采样得到的砂轮转速、法向力等工艺参数进行拟合、训练，实现对机器人磨抛系统的材料去除量进行预测。所得到的贝叶斯预测模型一方面可以有效帮助机器人磨抛加工中对法向力、磨抛速度等参数的精确选型，另一方面可以辅助实现磨抛加工系统的动态修正。本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，将磨抛加工的先验知识模型转换为先验知识融入贝叶斯预测模型，一方面提高了模型的泛化性能；另一方面优化了贝叶斯模型在小样本下的训练能力。本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测方法，引入的去噪处理提高了模型的鲁棒性，在异常点出现后，模型通过对样本训练集、测试集的误差计算，选择出合适的样本集，提高了磨抛预测的精度。实验中，针对采样得到的60多组样本进行训练，图4和图5中给出了具体的训练效果。其中，35组样本作为测试集，其余作为训练集。图4和图5中，正六边形点(黑点)代表预测值，交叉点代表真实值。证明了该发明在小样本下仍然可以保证良好的预测精度。
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种基于先验知识模型的机器人磨抛去除量预测装置，该装置用于执行上述方法实施例中的基于先验知识模型的机器人磨抛去除量预测方法。参见图2，该装置包括：
第一主模块，用于获取磨抛工艺参数，将磨抛工艺参数及相应的材料去除深度组合得到训练样本集，并对训练样本集进行去噪，得到最终训练样本集；第二主模块，用于采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型；第三主模块，用于将磨抛工艺参数输入实用级先验知识模型进行回归预测，得到机器人磨抛去除量的预测结果。
本发明实施例提供的基于先验知识模型的机器人磨抛去除量预测装置，采用图2中的若干模块，通过对磨抛工艺参数进行拟合及训练，得到的实用级先验知识模型可以有效帮助机器人磨抛加工中对法向力、磨抛速度等参数的精确选型，还可以辅助实现磨抛加工系统的动态修正，提高了实用级先验知识模型的泛化性能，优化了实用级先验知识模型在小样本下的训练能力，训练得到的实用级先验知识模型具有较好的鲁棒性及较高的磨抛预测精度。
需要说明的是，本发明提供的装置实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述装置实施例中的装置进行改进，从而得到相应的装置类实施例，用于实现其他方法类实施例中的方法。例如：
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测装置，还包括：第一子模块，用于实现所述材料去除经验模型，包括：
Figure BDA0002978318690000101
其中，ap为磨抛材料去除切深；α、β、γ、c均为待定系数；vs为砂带线速度；vw为工件进给速度；Fn为法向力；Rc为磨粒的等效半径。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测装置，还包括：第二子模块，用于实现所述并对训练样本集进行去噪，得到最终训练样本集，包括：采用最小二乘法对材料去除经验模型进行初步拟合，得到材料去除深度初步预测值，若实际采样的磨抛去除量的测量值与所述磨抛去除深度量的预测值之比不在预设阈值范围内，则将该磨抛点从训练样本集中剔除。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测装置，还包括：第三子模块，用于实现所述采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型，包括：将材料去除经验模型对数化并与最终训练样本集结合后确定输入矩阵、系数矩阵和预测矩阵，获取系数矩阵的先验分布和预测矩阵的似然函数分布，对所述先验分布和似然函数分布中的未知超参数赋以第一数值，根据贝叶斯理论及所述先验分布和似然函数分布得到系数矩阵的后验分布，根据初始后验分布期望值获取后验分布最大时未知超参数的第二数值，将第二数值与第一数值做差，若差值小于差值阈值，则将当前后验分布期望值带入所述系数矩阵，得到实用级系数矩阵，根据实用级系数矩阵得到后验模型，所述后验模型即为实用级先验知识模型。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测装置，还包括：第四子模块，用于实现所述将材料去除经验模型对数化并与最终训练样本集结合后确定输入矩阵、系数矩阵和预测矩阵，包括：
Figure BDA0002978318690000111
其中，ap,m为第m个样本处的磨抛材料去除切深；vs,m为第m个样本处的砂带线速度；vw,m为第m个样本出的工件进给速度；Fn,m为第m个样本处的法向力；yr为预测矩阵；φ为输入矩阵；w为系数矩阵。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测装置，还包括：第五子模块，用于实现所述系数矩阵的先验分布，包括：
Figure BDA0002978318690000112
Figure BDA0002978318690000121
其中，Ψ为系数矩阵的方差矩阵；λ1、λ2、λ3、λ4分别为α、β、γ、c的方差；P为系数矩阵的先验分布概率；D为系数矩阵的维度；
所述预测矩阵的似然函数分布，包括：
Figure BDA0002978318690000122
其中，λ5为噪声方差；m为样本数量。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于先验知识模型的机器人磨抛去除量预测装置，还包括：第六子模块，用于实现所述系数矩阵的后验分布，包括：
Figure BDA0002978318690000123
所述后验分布最大时未知超参数的第二数值，包括：
Figure BDA0002978318690000124
其中，B为由后验分布最大时未知超参数的第二数值所组成的矩阵；Tr为矩阵的迹；I为单位矩阵。
本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图3所示，该电子设备包括：至少一个处理器(processor)、通信接口(Communications Interface)、至少一个存储器(memory)和通信总线，其中，至少一个处理器，通信接口，至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外，上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
在本专利中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括……"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于先验知识模型的机器人磨抛去除量预测方法，其特征在于，包括：获取磨抛工艺参数，将磨抛工艺参数及相应的材料去除深度组合得到训练样本集，并对训练样本集进行去噪，得到最终训练样本集；采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型；将磨抛工艺参数输入实用级先验知识模型进行回归预测，得到机器人磨抛去除量的预测结果；
所述采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型，包括：将材料去除经验模型对数化并与最终训练样本集结合后确定输入矩阵、系数矩阵和预测矩阵，获取系数矩阵的先验分布和预测矩阵的似然函数分布，对所述先验分布和似然函数分布中的未知超参数赋以第一数值，根据贝叶斯理论及所述先验分布和似然函数分布得到系数矩阵的后验分布，根据初始后验分布期望值获取后验分布最大时未知超参数的第二数值，将第二数值与第一数值做差，若差值小于差值阈值，则将当前后验分布期望值带入所述系数矩阵，得到实用级系数矩阵，根据实用级系数矩阵得到后验模型，所述后验模型即为实用级先验知识模型。
2.根据权利要求1所述的基于先验知识模型的机器人磨抛去除量预测方法，其特征在于，所述材料去除经验模型，包括：
Figure FDA0003640072110000011
其中，ap为磨抛材料去除切深；α、β、γ、c均为待定系数；vs为砂带线速度；vw为工件进给速度；Fn为法向力；Rc为磨粒的等效半径。
3.根据权利要求2所述的基于先验知识模型的机器人磨抛去除量预测方法，其特征在于，所述并对训练样本集进行去噪，得到最终训练样本集，包括：采用最小二乘法对材料去除经验模型进行初步拟合，得到材料去除深度初步预测值，若实际采样的磨抛去除量的测量值与所述磨抛去除深度量的预测值之比不在预设阈值范围内，则将该磨抛点从训练样本集中剔除。
4.根据权利要求1所述的基于先验知识模型的机器人磨抛去除量预测方法，其特征在于，所述将材料去除经验模型对数化并与最终训练样本集结合后确定输入矩阵、系数矩阵和预测矩阵，包括：
Figure FDA0003640072110000021
其中，ap,m为第m个样本处的磨抛材料去除切深；vs,m为第m个样本处的砂带线速度；vw,m为第m个样本出的工件进给速度；Fn,m为第m个样本处的法向力；yr为预测矩阵；φ为输入矩阵；w为系数矩阵，α、β、γ、c均为待定系数；Rc为磨粒的等效半径。
5.根据权利要求4所述的基于先验知识模型的机器人磨抛去除量预测方法，其特征在于，所述系数矩阵的先验分布，包括：
Figure FDA0003640072110000022
Figure FDA0003640072110000023
其中，Ψ为系数矩阵的方差矩阵；λ1、λ2、λ3、λ4分别为α、β、γ、c的方差；P为系数矩阵的先验分布概率；D为系数矩阵的维度；
所述预测矩阵的似然函数分布，包括：
Figure FDA0003640072110000024
其中，λ5为噪声方差；m为样本数量。
6.根据权利要求5所述的基于先验知识模型的机器人磨抛去除量预测方法，其特征在于，所述系数矩阵的后验分布，包括：
Figure FDA0003640072110000025
所述后验分布最大时未知超参数的第二数值，包括：
Figure FDA0003640072110000031
其中，B为由后验分布最大时未知超参数的第二数值所组成的矩阵；Tr为矩阵的迹；I为单位矩阵。
7.一种基于先验知识模型的机器人磨抛去除量预测装置，其特征在于，包括：第一主模块，用于获取磨抛工艺参数，将磨抛工艺参数及相应的材料去除深度组合得到训练样本集，并对训练样本集进行去噪，得到最终训练样本集；第二主模块，用于采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型；第三主模块，用于将磨抛工艺参数输入实用级先验知识模型进行回归预测，得到机器人磨抛去除量的预测结果；
所述采用最终训练样本集和材料去除经验模型对先验知识模型进行训练，得到实用级先验知识模型，包括：将材料去除经验模型对数化并与最终训练样本集结合后确定输入矩阵、系数矩阵和预测矩阵，获取系数矩阵的先验分布和预测矩阵的似然函数分布，对所述先验分布和似然函数分布中的未知超参数赋以第一数值，根据贝叶斯理论及所述先验分布和似然函数分布得到系数矩阵的后验分布，根据初始后验分布期望值获取后验分布最大时未知超参数的第二数值，将第二数值与第一数值做差，若差值小于差值阈值，则将当前后验分布期望值带入所述系数矩阵，得到实用级系数矩阵，根据实用级系数矩阵得到后验模型，所述后验模型即为实用级先验知识模型。
8.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器和通信接口；其中，
所述处理器、存储器和通信接口相互间进行通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行权利要求1至6任一项权利要求所述的方法。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1至6中任一项权利要求所述的方法。
CN202110279839.3A 2021-03-16 2021-03-16 基于先验知识模型的机器人磨抛去除量预测方法及设备 Active CN113159121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110279839.3A CN113159121B (zh) 2021-03-16 2021-03-16 基于先验知识模型的机器人磨抛去除量预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110279839.3A CN113159121B (zh) 2021-03-16 2021-03-16 基于先验知识模型的机器人磨抛去除量预测方法及设备

Publications (2)

Publication Number Publication Date
CN113159121A CN113159121A (zh) 2021-07-23
CN113159121B true CN113159121B (zh) 2022-07-19

Family

ID=76887139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110279839.3A Active CN113159121B (zh) 2021-03-16 2021-03-16 基于先验知识模型的机器人磨抛去除量预测方法及设备

Country Status (1)

Country Link
CN (1) CN113159121B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113922366A (zh) * 2021-10-08 2022-01-11 广东电网有限责任公司广州供电局 一种电力系统等值惯性常数辨识方法及其相关装置
CN113887679B (zh) * 2021-12-08 2022-03-08 四川大学 融合后验概率校准的模型训练方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509947A (zh) * 2018-01-29 2018-09-07 佛山市南海区广工大数控装备协同创新研究院 一种基于人工神经网络的自动识别打磨方法
CN109483556A (zh) * 2018-10-30 2019-03-19 武汉大学 一种基于示教学习的机器人打磨系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8774958B2 (en) * 2011-04-29 2014-07-08 Applied Materials, Inc. Selection of polishing parameters to generate removal profile

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509947A (zh) * 2018-01-29 2018-09-07 佛山市南海区广工大数控装备协同创新研究院 一种基于人工神经网络的自动识别打磨方法
CN109483556A (zh) * 2018-10-30 2019-03-19 武汉大学 一种基于示教学习的机器人打磨系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Self-optimizing grinding machines using Gaussian process models and constrained Bayesian optimization》;Markus Maier，et al;《The International Journal of Advanced Manufacturing Technology》;20200516;第108卷;第I140-372页 *
《基于力反馈的机器人磨抛去除控制研究》;李小龙;《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》;20200315(第3期);第539-552页 *

Also Published As

Publication number Publication date
CN113159121A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113159121B (zh) 基于先验知识模型的机器人磨抛去除量预测方法及设备
Kennel et al. Determining embedding dimension for phase-space reconstruction using a geometrical construction
Elangovan et al. Studies on Bayes classifier for condition monitoring of single point carbide tipped tool based on statistical and histogram features
US20180307198A1 (en) Machined surface quality evaluation device
Antunes et al. Knee/elbow estimation based on first derivative threshold
EP3499329A1 (en) A data driven method for automated detection of anomalous work pieces during a production process
CN110991495B (zh) 生产制造过程中产品质量预测方法、系统、介质及设备
US10926475B2 (en) Method, system and program product for optimizing mechanical design for additive manufacturing
CN105893760A (zh) 基于广义磨损量的刀具磨损评价和预测方法及系统
CN112613617A (zh) 基于回归模型的不确定性估计方法和装置
van der Hofstad et al. Cluster tails for critical power-law inhomogeneous random graphs
CN118097025A (zh) 一种抗异常值干扰的复杂曲面重构方法及系统
Van Herreweghe et al. A machine learning-based approach for predicting tool wear in industrial milling processes
US8190536B2 (en) Method of performing parallel search optimization
Pai et al. Tool wear estimation using resource allocation network
CN109639283A (zh) 基于决策树的工件编码方法
Zabolotnii et al. Semi-parametric estimation of the change-point of parameters of non-Gaussian sequences by polynomial maximization method
RU2586025C2 (ru) Способ автоматической кластеризации объектов
CN115964619B (zh) 一种去除切削力信号噪声的方法、电子设备及存储介质
Mohammad et al. Comparing Gamma and Log-Normal GLMs in R Using Simulation and Real Data Set.
Schmidt et al. Automated modeling of stochastic reactions with large measurement time-gaps
CN113272746B (zh) 基于刀具更换记录的切削刀具寿命的设置方法、装置和系统
CN113836132B (zh) 一种多端报表的核对方法及装置
CN116010833B (zh) 基于缺失数据补全的数控机床健康状态评估方法及装置
Kaminskyi et al. Calculating the constant in the Hurst index for the time series

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