CN113290429B - 一种基于机器学习的工业机器人柔顺力控磨削方法 - Google Patents

一种基于机器学习的工业机器人柔顺力控磨削方法 Download PDF

Info

Publication number
CN113290429B
CN113290429B CN202110715512.6A CN202110715512A CN113290429B CN 113290429 B CN113290429 B CN 113290429B CN 202110715512 A CN202110715512 A CN 202110715512A CN 113290429 B CN113290429 B CN 113290429B
Authority
CN
China
Prior art keywords
grinding
industrial robot
workpiece
point
end tool
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
CN202110715512.6A
Other languages
English (en)
Other versions
CN113290429A (zh
Inventor
李明富
张黎明
杨真真
赵文权
邓旭康
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.)
Xiangtan University
Original Assignee
Xiangtan University
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 Xiangtan University filed Critical Xiangtan University
Priority to CN202110715512.6A priority Critical patent/CN113290429B/zh
Publication of CN113290429A publication Critical patent/CN113290429A/zh
Application granted granted Critical
Publication of CN113290429B publication Critical patent/CN113290429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
    • 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
    • B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Manipulator (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Numerical Control (AREA)

Abstract

本发明提供了一种基于机器学习的工业机器人柔顺力控磨削方法，属于智能制造领域。本发明通过机器学习方法，对磨削过程中工业机器人末端工具与工件表面的接触压力进行学习和预测，然后利用柔顺控制对工业机器人末端工具的位置进行补偿，控制磨削过程中的实际接触压力与预测的接触压力保持一致。本发明通用性强，通过本发明可实现根据实际情况对工业机器人进行实时控制的目的，并且当待磨工件被更换时，不需要重新生成磨削程序，可以提高磨削的效率和磨削后的工件表面质量。

Description

一种基于机器学习的工业机器人柔顺力控磨削方法
技术领域
本发明属于智能制造领域，具体为一种基于机器学习的工业机器人柔顺力控磨削方法。
背景技术
磨削加工是改善工件表面质量的重要工序。目前传统的磨削方法都是采用手工完成的，不仅费时费力，而且效率低下，对磨削工人的技术要求也较高。然而随着工业机器人的发展，将工业机器人应用到磨削中变得越来越受关注。
现已有的工业机器人磨削工艺一般都是先通过离线编程软件生成工业机器人磨削程序，然后由工人根据实际运行效果进行微调，不能实现根据实际情况对工业机器人进行实时控制的目的，导致磨削后的工件表面质量较低，并且当待磨工件被更换时，需要重新生成磨削程序，导致磨削的效率较低。为了解决上述缺陷，提出一种基于机器学习的工业机器人柔顺力控磨削方法，通过机器学习对工业机器人末端工具与工件表面的接触压力进行预测，然后对工业机器人进行柔顺控制实现对工业机器人末端工具的位置补偿，可以提高磨削的效率和磨削后的工件表面质量。
发明内容
为了克服现有技术的上述局限性，本发明提供一种基于机器学习的工业机器人柔顺力控磨削方法。
本发明采用的技术方案是：一种基于机器学习的工业机器人柔顺力控磨削方法，其特征在于，包括以下步骤：
步骤1、通过标定得到工业机器人的世界坐标系、工具坐标系和工件坐标系；根据工件的CAD/CAM模型，预先规划好工业机器人的磨削路径，对于任意处于磨削路径中的点，定义该点的轮廓角为磨削进给方向与工件坐标系X轴的夹角，轮廓角为矢量，其正负方向按照右手坐标系法则判断；
步骤2、首先，按照曲率是否等于零，分别设定标准弧长所对应的基准采样点个数；然后，扫描规划好的磨削路径，并按照曲率恒定为零、曲率恒定但不为零及曲率连续变化三种情况将磨削路径划分为多个磨削路径段；根据磨削路径段的曲率与基准采样点个数，计算各个磨削路径段的采样点个数，且根据采样点个数在磨削路径段内均匀采样；最后，计算各个采样点相对于工件坐标系的坐标和轮廓角；
步骤3、首先给定待磨工件的期望表面粗糙度等级，然后通过协作机器人实现待磨工件的磨削示教，记录各采样点处的进给速度、磨头转速、工业机器人末端工具与工件表面的接触压力等数据，磨削结束后对该工件进行表面粗糙度测量；若测得的表面粗糙度不满足期望表面粗糙度等级要求，存在过磨或欠磨的现象，则首先对过磨或欠磨的区域进行标记，然后对标记的区域重新磨削，直至满足期望表面粗糙度等级要求，最后更新记录的数据；
步骤4、多次重复步骤3，获得由表面粗糙度、表面硬度、进给速度、磨头转速、磨头粒度和工业机器人末端工具与工件表面的接触压力等数据所构成的样本数据；然后，设定样本集的比例系数ε，将样本数据的ε·100％作为训练集，(1-ε)·100％作为验证集，ε的取值范围为0<ε<1；以训练集中的表面粗糙度、表面硬度、进给速度、磨头转速、磨头粒度为输入值，以工业机器人末端工具与工件表面的接触压力为输出值进行训练，得到初始回归模型，然后通过验证集对初始回归模型中的参数进行调整，得到最终回归模型；
步骤5、将待磨工件表面分为平面和非平面区域，分别运用平面磨削策略和非平面磨削策略，对所在区域的工业机器人末端工具与工件表面的接触压力进行预测；
步骤6、按照步骤5中所预测的工业机器人末端工具与工件表面的接触压力，控制工业机器人末端工具与工件表面的接触状态，然后对工业机器人进行柔顺控制实现对工业机器人末端工具的位置补偿，使磨削过程中工业机器人末端工具与工件表面的实际接触压力与最终回归模型预测的工业机器人末端工具与工件表面的接触压力相等。
作为优选，所述步骤2中，根据磨削路径段的曲率与基准采样点个数，计算各个磨削路径段的采样点个数的方法为：(1)对于曲率等于零的磨削路径段，定义标准弧长为L0，对应的基准采样点个数为N0；对于曲率恒定但不等于零的磨削路径段，设定基准曲率为ks、标准弧长为L1，对应的基准采样点个数为N1；(2)若磨削路径中某磨削路径段的曲率恒定为零，且该磨削路径段的总弧长为L′0，则该磨削路径段的采样点个数为总弧长L′0对标准弧长L0的比值与基准采样点个数N0的乘积；(3)若磨削路径中某磨削路径段的曲率k恒定但不为零，且该磨削路径段的总弧长为L′1，则该磨削路径段的采样点个数N′1由
Figure BDA0003133156830000031
计算，其中e为自然对数的底数；(4)若磨削路径中某磨削路径段的曲率连续变化，且该磨削路径段的总弧长为L′2，曲率由曲率k1连续变化至曲率k2，则该磨削路径段的采样点个数N′2由
Figure BDA0003133156830000032
计算，其中e为自然对数的底数。
作为优选，所述步骤5中，所述的平面磨削策略为：对于平面磨削，首先给定期望的表面粗糙度、表面硬度、进给速度、磨头转速、磨头粒度的值，然后通过最终回归模型预测采样点处的工业机器人末端工具与工件表面的接触压力，取其均值作为期望压力，进行恒力磨削。
作为优选，所述步骤5中，所述的非平面磨削策略为：步骤(ⅰ)：对于非平面磨削，首先给定期望的表面硬度、进给速度、磨头转速、磨头粒度、表面粗糙度最大值Ramax和表面粗糙度最小值Ramin；步骤(ⅱ)：给定工业机器人末端工具与工件表面的初始接触点P0，假设初始接触点P0的期望表面粗糙度为Ra，Ra的取值范围为Ramin<Ra<Ramax；步骤(ⅲ):将步骤(ⅰ)中的表面硬度、进给速度、磨头转速、磨头粒度及步骤(ⅱ)中的期望表面粗糙度Ra作为最终回归模型的输入值，得到预测的初始接触点P0处工业机器人末端工具与工件表面的接触压力F0；步骤(ⅳ)：基于采样点的轮廓角，通过插值计算得到初始接触点P0的轮廓角；步骤(ⅴ)：根据轮廓角的正负，利用期望表面粗糙度Ra对下一个接触点P1进行补偿，若轮廓角为正，则增大期望表面粗糙度为Ra＝Ra+ΔRa1，其中
Figure BDA0003133156830000033
Figure BDA0003133156830000034
若轮廓角为负，则减小期望表面粗糙度为Ra＝Ra-ΔRa2，其中
Figure BDA0003133156830000035
步骤(ⅵ)：将步骤(ⅰ)中的表面硬度、进给速度、磨头转速、磨头粒度及更新后的期望表面粗糙度Ra作为最终回归模型的输入值，得到P1点处工业机器人末端工具与工件表面的接触压力的预测值F1；步骤(ⅶ)：控制工业机器人末端工具与初始接触点P0的接触状态，当工业机器人末端工具与工件表面的实际接触压力等于F0时开始磨削，在磨削过程中当工业机器人末端工具与工件表面的实际接触压力等于F1时，记录此接触点为P1点，并记录P1点的相关信息，此时完成从P0点到P1点的磨削；步骤(ⅷ)：将步骤(ⅳ)中的初始接触点P0的相关信息更新为P1点的相关信息、步骤(ⅴ)中的下一个接触点P1更新为下一个接触点P2、步骤(ⅵ)中的预测值F1更新为预测值F2，重复步骤(ⅳ)、步骤(ⅴ)和步骤(ⅵ)，完成从P1点到P2点的磨削；依此类推，完成从P2点到P3点、P3点到P4点、…、Pn-1点到Pn点的磨削，其中Pn点为完成非平面磨削的最终接触点。
作为优选，所述步骤6中，对工业机器人进行柔顺控制实现对工业机器人末端工具的位置补偿的方法是令工业机器人末端工具与工件表面的期望压力等于通过最终回归模型预测的值，然后将磨削过程中工业机器人末端工具与工件表面的实际接触压力与期望压力的差值转化为工业机器人末端工具位置的修正信号，对工业机器人末端工具姿态进行调整。
具体实施方式
步骤1、根据工件的磨削工艺要求，确定所使用的工业机器人、打磨头型号及相应的卡具，将卡具及打磨头安装在工业机器人末端法兰盘上，通过标定得到工业机器人的世界坐标系、工具坐标系和工件坐标系，建立工业机器人的运动学模型；根据工件的CAD/CAM模型，预先规划好工业机器人的磨削路径，对于任意处于磨削路径中的点，定义该点的轮廓角为磨削进给方向与工件坐标系X轴的夹角，轮廓角为矢量，其正负方向按照右手坐标系法则判断；
所述建立工业机器人的运动学模型：首先建立工业机器人各个连杆的坐标系，然后建立D-H参数表，通过齐次变换矩阵推导出工业机器人的运动学正解，通过Pieper准则推导出工业机器人的运动学逆解；
步骤2、首先，按照曲率是否等于零，分别设定标准弧长所对应的基准采样点个数；然后，扫描规划好的磨削路径，并按照曲率恒定为零、曲率恒定但不为零及曲率连续变化三种情况将磨削路径划分为多个磨削路径段；根据磨削路径段的曲率与基准采样点个数，计算各个磨削路径段的采样点个数，且根据采样点个数在磨削路径段内均匀采样；最后，计算各个采样点相对于工件坐标系的坐标和轮廓角；
所述按照曲率是否等于零，分别设定标准弧长所对应的基准采样点个数：对于曲率等于零的磨削路径段，定义标准弧长为L0，对应的基准采样点个数为N0；对于曲率恒定但不等于零的磨削路径段，设定基准曲率为ks、标准弧长为L1，对应的基准采样点个数为N1；
所述根据磨削路径段的曲率与基准采样点个数，计算各个磨削路径段的采样点个数：(1)若磨削路径中某磨削路径段的曲率恒定为零，且该磨削路径段的总弧长为L′0，则该磨削路径段的采样点个数为总弧长L′0对标准弧长L0的比值与基准采样点个数N0的乘积；(2)若磨削路径中某磨削路径段的曲率k恒定但不为零，且该磨削路径段的总弧长为L′1，则该磨削路径段的采样点个数N′1由
Figure BDA0003133156830000051
Figure BDA0003133156830000052
计算，其中e为自然对数的底数；(3)若磨削路径中某磨削路径段的曲率连续变化，且该磨削路径段的总弧长为L′2，曲率由曲率k1连续变化至曲率k2，则该磨削路径段的采样点个数N′2由
Figure BDA0003133156830000053
计算，其中e为自然对数的底数。
步骤3、首先给定待磨工件的期望表面粗糙度等级，然后通过协作机器人实现待磨工件的磨削示教，记录各采样点处的表面粗糙度、表面硬度、进给速度、磨头转速、磨头粒度和业机器人末端工具与工件表面的接触压力，磨削结束后通过触针法对该工件进行表面粗糙度测量；若测得的表面粗糙度不满足期望表面粗糙度等级要求，存在过磨或欠磨的现象，则首先对过磨或欠磨的区域进行标记，然后对标记的区域重新磨削，直至满足期望表面粗糙度等级要求，最后更新记录的数据；
步骤4、多次重复步骤3，获得由表面粗糙度、表面硬度、进给速度、磨头转速、磨头粒度和工业机器人末端工具与工件表面的接触压力等数据所构成的样本数据；设定样本集的比例系数ε＝0.8，将样本数据的ε·100％作为训练集，(1-ε)·100％作为验证集，以训练集中的表面粗糙度、表面硬度、进给速度、磨头转速、磨头粒度为输入值，以工业机器人末端工具与工件表面的接触压力为输出值通过BP神经网络进行训练，得到初始回归模型，然后通过验证集对初始回归模型中的参数进行调整，得到最终回归模型；
所述BP神经网络的结构由一个输入层、两个中间层、一个输出层组成：第一层是输入层，输入层的节点数为5，所对应的输入值为表面粗糙度、表面硬度、进给速度、磨头转速、磨头粒度；第二、三层是中间层，中间层的节点数为3；第三层是输出层，输出层的节点数为1，所对应的输出值为工业机器人末端工具与工件表面的接触压力；激活函数选择Sigmoid函数，损失函数选择均方误差函数。
步骤5、将待磨工件表面分为平面和非平面区域，分别运用平面磨削策略和非平面磨削策略，对所在区域的工业机器人末端工具与工件表面的接触压力进行预测；
所述平面磨削策略：首先给定期望的表面粗糙度、表面硬度、进给速度、磨头转速、磨头粒度的值，然后通过最终回归模型预测采样点处的工业机器人末端工具与工件表面的接触压力，取其均值作为期望压力，进行恒力磨削。
所述非平面磨削策略：步骤(ⅰ)：对于非平面磨削，首先给定期望的表面硬度、进给速度、磨头转速、磨头粒度、表面粗糙度最大值Ramax和表面粗糙度最小值Ramin；步骤(ⅱ)：给定工业机器人末端工具与工件表面的初始接触点P0，假设初始接触点P0的期望表面粗糙度为Ra，Ra的取值范围为Ramin<Ra<Ramax；步骤(ⅲ):将步骤(ⅰ)中的表面硬度、进给速度、磨头转速、磨头粒度及步骤(ⅱ)中的期望表面粗糙度Ra作为最终回归模型的输入值，得到预测的初始接触点P0处工业机器人末端工具与工件表面的接触压力F0；步骤(ⅳ)：基于采样点的轮廓角，通过插值计算得到初始接触点P0的轮廓角；步骤(ⅴ)：根据轮廓角的正负，利用期望表面粗糙度Ra对下一个接触点P1进行补偿，若轮廓角为正，则增大期望表面粗糙度为Ra＝Ra+ΔRa1，其中
Figure BDA0003133156830000061
若轮廓角为负，则减小期望表面粗糙度为Ra＝Ra-ΔRa2，其中
Figure BDA0003133156830000062
步骤(ⅵ)：将步骤(ⅰ)中的表面硬度、进给速度、磨头转速、磨头粒度及更新后的期望表面粗糙度Ra作为最终回归模型的输入值，得到P1点处工业机器人末端工具与工件表面的接触压力的预测值F1；步骤(ⅶ)：控制工业机器人末端工具与初始接触点P0的接触状态，当工业机器人末端工具与工件表面的实际接触压力等于F0时开始磨削，在磨削过程中当工业机器人末端工具与工件表面的实际接触压力等于F1时，记录此接触点为P1点，并记录P1点的相关信息，此时完成从P0点到P1点的磨削；步骤(ⅷ)：将步骤(ⅳ)中的初始接触点P0的相关信息更新为P1点的相关信息、步骤(ⅴ)中的下一个接触点P1更新为下一个接触点P2、步骤(ⅵ)中的预测值F1更新为预测值F2，重复步骤(ⅳ)、步骤(ⅴ)和步骤(ⅵ)，完成从P1点到P2点的磨削；依此类推，完成从P2点到P3点、P3点到P4点、…、Pn-1点到Pn点的磨削，其中Pn点为完成非平面磨削的最终接触点。
步骤6、按照步骤5中所预测的工业机器人末端工具与工件表面的接触压力，控制工业机器人末端工具与工件表面的接触状态，然后对工业机器人进行柔顺控制实现对工业机器人末端工具的位置补偿，使磨削过程中工业机器人末端工具与工件表面的实际接触压力与最终回归模型预测的工业机器人末端工具与工件表面的接触压力相等。
所述对工业机器人进行柔顺控制实现对工业机器人末端工具的位置补偿的方法是令工业机器人末端工具与工件表面的期望压力等于通过最终回归模型预测的值，然后将磨削过程中工业机器人末端工具与工件表面的实际接触压力与期望压力的差值转化为工业机器人末端工具位置的修正信号，对工业机器人末端工具姿态进行调整。

Claims (5)

1.一种基于机器学习的工业机器人柔顺力控磨削方法，其特征在于，包括以下步骤：
步骤1、通过标定得到工业机器人的世界坐标系、工具坐标系和工件坐标系；根据工件的CAD/CAM模型，预先规划好工业机器人的磨削路径，对于任意处于磨削路径中的点，定义该点的轮廓角为磨削进给方向与工件坐标系X轴的夹角，轮廓角为矢量，其正负方向按照右手坐标系法则判断；
步骤2、首先，按照曲率是否等于零，分别设定标准弧长所对应的基准采样点个数；然后，扫描规划好的磨削路径，并按照曲率恒定为零、曲率恒定但不为零及曲率连续变化三种情况将磨削路径划分为多个磨削路径段；根据磨削路径段的曲率与基准采样点个数，计算各个磨削路径段的采样点个数，且根据采样点个数在磨削路径段内均匀采样；最后，计算各个采样点相对于工件坐标系的坐标和轮廓角；
步骤3、首先给定待磨工件的期望表面粗糙度等级，然后通过协作机器人实现待磨工件的磨削示教，记录各采样点处的进给速度、磨头转速、工业机器人末端工具与工件表面的接触压力，磨削结束后对该工件进行表面粗糙度测量；若测得的表面粗糙度不满足期望表面粗糙度等级要求，存在过磨或欠磨的现象，则首先对过磨或欠磨的区域进行标记，然后对标记的区域重新磨削，直至满足期望表面粗糙度等级要求，最后更新记录的数据；
步骤4、多次重复步骤3，获得由表面粗糙度、表面硬度、进给速度、磨头转速、磨头粒度和工业机器人末端工具与工件表面的接触压力所构成的样本数据；然后，设定样本集的比例系数ε，将样本数据的ε·100％作为训练集，(1-ε)·100％作为验证集，ε的取值范围为0＜ε＜1；以训练集中的表面粗糙度、表面硬度、进给速度、磨头转速、磨头粒度为输入值，以工业机器人末端工具与工件表面的接触压力为输出值进行训练，得到初始回归模型，然后通过验证集对初始回归模型中的参数进行调整，得到最终回归模型；
步骤5、将待磨工件表面分为平面和非平面区域，分别运用平面磨削策略和非平面磨削策略，对所在区域的工业机器人末端工具与工件表面的接触压力进行预测；
步骤6、按照步骤5中所预测的工业机器人末端工具与工件表面的接触压力，控制工业机器人末端工具与工件表面的接触状态，然后对工业机器人进行柔顺控制实现对工业机器人末端工具的位置补偿，使磨削过程中工业机器人末端工具与工件表面的实际接触压力与最终回归模型预测的工业机器人末端工具与工件表面的接触压力相等。
2.根据权利要求1中所述的基于机器学习的工业机器人柔顺力控磨削方法，其特征在于：所述步骤2中，根据磨削路径段的曲率与基准采样点个数，计算各个磨削路径段的采样点个数的方法为：(1)对于曲率等于零的磨削路径段，定义标准弧长为L0，对应的基准采样点个数为N0；对于曲率恒定但不等于零的磨削路径段，设定基准曲率为ks、标准弧长为L1，对应的基准采样点个数为N1；(2)若磨削路径中某磨削路径段的曲率恒定为零，且该磨削路径段的总弧长为L′0，则该磨削路径段的采样点个数为总弧长L′0对标准弧长L0的比值与基准采样点个数N0的乘积；(3)若磨削路径中某磨削路径段的曲率k恒定但不为零，且该磨削路径段的总弧长为L′1，则该磨削路径段的采样点个数N′1由
Figure FDA0003512166180000021
计算，其中e为自然对数的底数；(4)若磨削路径中某磨削路径段的曲率连续变化，且该磨削路径段的总弧长为L′2，曲率由曲率k1连续变化至曲率k2，则该磨削路径段的采样点个数N′2由
Figure FDA0003512166180000022
计算，其中e为自然对数的底数。
3.根据权利要求1中所述的基于机器学习的工业机器人柔顺力控磨削方法，其特征在于：所述步骤5中，所述的平面磨削策略为：对于平面磨削，首先给定期望的表面粗糙度、表面硬度、进给速度、磨头转速、磨头粒度的值，然后通过最终回归模型预测采样点处的工业机器人末端工具与工件表面的接触压力，取其均值作为期望压力，进行恒力磨削。
4.根据权利要求1中所述的基于机器学习的工业机器人柔顺力控磨削方法，其特征在于：所述步骤5中，所述的非平面磨削策略为：步骤(ⅰ)：对于非平面磨削，首先给定期望的表面硬度、进给速度、磨头转速、磨头粒度、表面粗糙度最大值Ramax和表面粗糙度最小值Ramin；步骤(ⅱ)：给定工业机器人末端工具与工件表面的初始接触点P0，假设初始接触点P0的期望表面粗糙度为Ra，Ra的取值范围为Ramin＜Ra＜Ramax；步骤(ⅲ):将步骤(ⅰ)中的表面硬度、进给速度、磨头转速、磨头粒度及步骤(ⅱ)中的期望表面粗糙度Ra作为最终回归模型的输入值，得到预测的初始接触点P0处工业机器人末端工具与工件表面的接触压力F0；步骤(ⅳ)：基于采样点的轮廓角，通过插值计算得到初始接触点P0的轮廓角；步骤(ⅴ)：根据轮廓角的正负，利用期望表面粗糙度Ra对下一个接触点P1进行补偿，若轮廓角为正，则增大期望表面粗糙度为Ra＝Ra+ΔRa1，其中
Figure FDA0003512166180000031
若轮廓角为负，则减小期望表面粗糙度为Ra＝Ra-ΔRa2，其中
Figure FDA0003512166180000032
步骤(ⅵ)：将步骤(ⅰ)中的表面硬度、进给速度、磨头转速、磨头粒度及更新后的期望表面粗糙度Ra作为最终回归模型的输入值，得到P1点处工业机器人末端工具与工件表面的接触压力的预测值F1；步骤(ⅶ)：控制工业机器人末端工具与初始接触点P0的接触状态，当工业机器人末端工具与工件表面的实际接触压力等于F0时开始磨削，在磨削过程中当工业机器人末端工具与工件表面的实际接触压力等于F1时，记录此接触点为P1点，并记录P1点的相关信息，此时完成从P0点到P1点的磨削；步骤(ⅷ)：将步骤(ⅳ)中的初始接触点P0的相关信息更新为P1点的相关信息、步骤(ⅴ)中的下一个接触点P1更新为下一个接触点P2、步骤(ⅵ)中的预测值F1更新为预测值F2，重复步骤(ⅳ)、步骤(ⅴ)和步骤(ⅵ)，完成从P1点到P2点的磨削；依此类推，完成从P2点到P3点、P3点到P4点、…、Pn-1点到Pn点的磨削，其中Pn点为完成非平面磨削的最终接触点。
5.根据权利要求1中所述的基于机器学习的工业机器人柔顺力控磨削方法，其特征在于：所述步骤6中，对工业机器人进行柔顺控制实现对工业机器人末端工具的位置补偿的方法是令工业机器人末端工具与工件表面的期望压力等于通过最终回归模型预测的值，然后将磨削过程中工业机器人末端工具与工件表面的实际接触压力与期望压力的差值转化为工业机器人末端工具位置的修正信号，对工业机器人末端工具姿态进行调整。
CN202110715512.6A 2021-06-25 2021-06-25 一种基于机器学习的工业机器人柔顺力控磨削方法 Active CN113290429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110715512.6A CN113290429B (zh) 2021-06-25 2021-06-25 一种基于机器学习的工业机器人柔顺力控磨削方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110715512.6A CN113290429B (zh) 2021-06-25 2021-06-25 一种基于机器学习的工业机器人柔顺力控磨削方法

Publications (2)

Publication Number Publication Date
CN113290429A CN113290429A (zh) 2021-08-24
CN113290429B true CN113290429B (zh) 2022-03-29

Family

ID=77329708

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110715512.6A Active CN113290429B (zh) 2021-06-25 2021-06-25 一种基于机器学习的工业机器人柔顺力控磨削方法

Country Status (1)

Country Link
CN (1) CN113290429B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115026701A (zh) * 2022-07-01 2022-09-09 深圳市永霖科技有限公司 检测补偿机构、抛光设备及抛光加工检测补偿方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103659602A (zh) * 2012-09-25 2014-03-26 宁波工程学院 数据融合技术检测外圆磨削表面粗糙度的方法及其装置
CN105045973A (zh) * 2015-07-02 2015-11-11 兰州理工大学 一种变弧长自适应采样方法
CN109202688A (zh) * 2018-08-02 2019-01-15 华南理工大学 一种恒力研磨装置及其研磨控制方法
CN110315396A (zh) * 2018-03-29 2019-10-11 华中科技大学 一种基于大数据的工业机器人恒力磨抛方法
CN110524371A (zh) * 2019-08-26 2019-12-03 南京工业大学 一种基于实时力控的复杂曲面恒定切除率的机器人打磨系统及方法
CN111468991A (zh) * 2020-04-30 2020-07-31 重庆见芒信息技术咨询服务有限公司 基于曲面修补的打磨抛光机器人的路径规划方法及系统
DE102019207746A1 (de) * 2019-05-27 2020-12-03 Robert Bosch Gmbh Verfahren zum Ermitteln einer Zustandsinformation betreffend eine Bandschleifmaschine mittels eines maschinellen Lernsystems

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103659602A (zh) * 2012-09-25 2014-03-26 宁波工程学院 数据融合技术检测外圆磨削表面粗糙度的方法及其装置
CN105045973A (zh) * 2015-07-02 2015-11-11 兰州理工大学 一种变弧长自适应采样方法
CN110315396A (zh) * 2018-03-29 2019-10-11 华中科技大学 一种基于大数据的工业机器人恒力磨抛方法
CN109202688A (zh) * 2018-08-02 2019-01-15 华南理工大学 一种恒力研磨装置及其研磨控制方法
DE102019207746A1 (de) * 2019-05-27 2020-12-03 Robert Bosch Gmbh Verfahren zum Ermitteln einer Zustandsinformation betreffend eine Bandschleifmaschine mittels eines maschinellen Lernsystems
CN110524371A (zh) * 2019-08-26 2019-12-03 南京工业大学 一种基于实时力控的复杂曲面恒定切除率的机器人打磨系统及方法
CN111468991A (zh) * 2020-04-30 2020-07-31 重庆见芒信息技术咨询服务有限公司 基于曲面修补的打磨抛光机器人的路径规划方法及系统

Also Published As

Publication number Publication date
CN113290429A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
Tian et al. Modeling and control of robotic automatic polishing for curved surfaces
CN108515519B (zh) 一种基于力传感器的打磨路径自适应校正方法
CN110315396B (zh) 一种基于大数据的工业机器人恒力磨抛方法
CN113290429B (zh) 一种基于机器学习的工业机器人柔顺力控磨削方法
CN111596614B (zh) 基于云边协同的运动控制误差补偿系统及方法
CN114454060B (zh) 一种机器人自适应曲面跟踪恒力磨抛方法及系统
CN113156819B (zh) 协调打磨机械臂系统自适应神经网络同步阻抗控制方法
CN112439971B (zh) 一种自适应非平整面的连续电弧增材制造方法及装置
CN111975579A (zh) 一种基于打磨模型和迭代算法的机器人恒力打磨系统
CN111496344B (zh) 一种基于激光传感器的v型坡口信息处理方法
CN109664295B (zh) 基于一维力传感器的机器人砂带打磨恒力控制方法及装置
Chong et al. A trajectory planning method on error compensation of residual height for aero-engine blades of robotic belt grinding
CN113618621B (zh) 研磨抛光模拟方法、系统及研磨抛光工艺转移方法
CN108107842A (zh) 基于力控制的机器人打磨轨迹估算方法
CN112288707A (zh) 一种基于特征点识别的机器人焊缝打磨算法
CN112676925A (zh) 航空发动机叶片磨抛方法、装置、设备及存储介质
CN111085902B (zh) 一种视觉在线检测及修正的工件打磨系统
CN113199491A (zh) 一种工业机器人恒力打磨方法
CN111037054A (zh) 一种电弧熔丝曲面增材位姿建模方法及控制方法
CN113110290B (zh) 一种基于力反馈控制的大型薄壁零件镜像加工方法
CN111515954B (zh) 一种机械臂高质量运动路径生成方法
CN115157272B (zh) 一种基于视觉扫描的自动化编程系统
CN114800542B (zh) 螺旋锥齿轮全角度柔性打磨机器装置、打磨方法及系统
CN108549323B (zh) 一种五轴数控工具磨床通用后置处理方法
CN114178990B (zh) 一种自动磨削分区加工力控方法

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
GR01 Patent grant
GR01 Patent grant