CN114758176A - 基于工业机器人本体信息的打磨状态在线监测方法 - Google Patents

基于工业机器人本体信息的打磨状态在线监测方法 Download PDF

Info

Publication number
CN114758176A
CN114758176A CN202210398851.0A CN202210398851A CN114758176A CN 114758176 A CN114758176 A CN 114758176A CN 202210398851 A CN202210398851 A CN 202210398851A CN 114758176 A CN114758176 A CN 114758176A
Authority
CN
China
Prior art keywords
robot
grinding
polishing
grinding state
classification model
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
CN202210398851.0A
Other languages
English (en)
Inventor
庄春刚
卢岩
关达宇
熊振华
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202210398851.0A priority Critical patent/CN114758176A/zh
Publication of CN114758176A publication Critical patent/CN114758176A/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Manipulator (AREA)
  • Robotics (AREA)

Abstract

一种基于工业机器人本体信息的打磨状态在线监测方法，通过在预打磨实验时采集机器人关节电流，并在打磨完成后采集表面质量纹理；然后将关节电流时序信号转换为图像，从而生成打磨状态标签以及打磨状态分类模型数据集，并采用数据集训练打磨状态分类模型；最后在在线阶段采用训练后的打磨状态分类模型实现机器人闭环反馈控制。本发明采用卷积神经网络捕捉机器人关节电流中内蕴的时频域特征，建立了基于关节电流主成分分析的特征关节选取模型，实现了机器人打磨状态的在线监测。

Description

基于工业机器人本体信息的打磨状态在线监测方法
技术领域
本发明涉及的是一种自动化制造领域的技术，具体是一种基于工业机器人本体信息的打磨状态在线监测方法。
背景技术
受限于现有工业机器人和工件两方面的影响，工业机器人打磨容易出现欠磨和过磨等异常加工状态，会导致工件表面质量的下降，为了保障被打磨工件的加工质量，需要对打磨质量监测方法提出更准确与更高效的要求，最终实现对工件表面质量的在线监测并依据监测结果实时完成机器人自动化打磨的闭环控制。现有技术通过对采集到的加工信号进行信号分析和特征提取，结合工件表面纹理和粗糙度等评价指标，建立起信号特征与表面质量评价指标之间的映射关系。在工业机器人打磨状态在线监测方面，在文章“Onlineprocess monitoring based on vibration-surface quality map for roboticgrinding”中，Lu等人在安装被打磨工件的支座上布置加速度传感器采集机器人打磨过程振动信号，通过对称点模式图将时序信号转换为图片进行特征提取，依据工件表面图像纹理参数判定机器人打磨状态为欠磨、正常磨、过磨三种情况并生成对称点模式图的标签，最终采用卷积神经网络完成图片分类进而实现打磨状态的监测。
发明内容
本发明针对现有技术附加的加速度传感器，成本高昂，且受限于传感器的布置位置，所采集的加速度信号只能一定程度上反映工件的振动情况，而无法反映机器人的振动情况的不足，以及监测准确率取决于训练数据集的大小且在频繁调整工艺参数的同时难以保证其他参数的恒定等缺陷，提出一种基于工业机器人本体信息的打磨状态在线监测方法，采用卷积神经网络捕捉机器人关节电流中内蕴的时频域特征，建立了基于关节电流主成分分析的特征关节选取模型，实现了机器人打磨状态的在线监测。
本发明是通过以下技术方案实现的：
本发明涉及一种基于工业机器人本体信息的打磨状态在线监测方法，通过在预打磨实验时采集机器人关节电流，并在打磨完成后采集表面质量纹理；然后将关节电流时序信号转换为图像，从而生成打磨状态标签以及打磨状态分类模型数据集，并采用数据集训练打磨状态分类模型；最后在在线阶段采用训练后的打磨状态分类模型实现机器人闭环反馈控制。
所述的预打磨实验是指：通过设置机器人打磨的进给量，构造工件表面的欠磨、正常磨和过磨状态。
所述的采集机器人关节电流是指：采集不同加工状态下的机器人六个关节的电流信号，对采集的电流信号进行归一化处理，优选为：以10Khz频率采集打磨时工业机器人各关节的电流信号，计算测量电流与该关节额定电流的百分比，将采集的信号归一化。
所述的采集表面质量纹理是指：利用视觉检测系统，采集加工得到的工件的表面纹理图像，该视觉检测系统包括：直线移动滑台、高倍率显微镜和显微镜LED点光源，通过计算机控制滑台移动与显微镜拍照，实现加工工件表面纹理信息的自动化采集。
所述的机器人关节电流，优选进一步经主成分分析，具体为：对机器人关节电流信息进行数据降维处理，结合方差贡献率，选取出受机器人打磨状态影响最明显的关节电流信号，并在后续对该特征关节电流信号进行处理。
所述的主成分分析，具体包括：对机器人每个关节的以高频采集的电流信号进行去中心化；结合去中心化后的机器人关节电流计算协方差矩阵；采用奇异值分解的方法计算协方差矩阵的特征值和特征向量；将协方差矩阵的特征值从大到小依次排序；选择最大特征值对应的机器人关节电流信号作为特征关节电流信号。
所述的转换是指：将关节电流时序信号通过小波变换转换成二维时频图，作为机器人打磨状态分类模型的原始数据集，具体为：
Figure BDA0003598749310000021
其中：f(t)为原始信号，t为时间，a为尺度因子，b为时移因子，ψ*为ψ的共轭函数，ψa,b(t)为小波基函数，<x,y>为内积。
所述的打磨状态标签是指：基于灰度共生矩阵及其特征参数，计算采集到的工件的表面图像对应的纹理特征参数，在时域上完成机器人关节电流信号和工件表面纹理的对齐，自动生成机器人打磨状态标签。
所述的纹理特征参数，即灰度共生矩阵的自相关系数，具体通过以下方式得到：首先计算灰度共生矩阵的行均值
Figure BDA0003598749310000022
和灰度共生矩阵的列均值
Figure BDA0003598749310000023
然后计算灰度共生矩阵的行方差
Figure BDA0003598749310000024
和灰度共生矩阵的列方差
Figure BDA0003598749310000025
最后计算灰度共生矩阵的自相关系数
Figure BDA0003598749310000026
其中：G(i,j)为灰度共生矩阵第i行第j列的元素，μi为灰度共生矩阵的行均值，μj为灰度共生矩阵的列均值，Si为灰度共生矩阵的行标准差，Sj为灰度共生矩阵的列标准差。
所述的打磨状态分类模型数据集是指：利用带约束自编码器，将转换得到的二维时频图编码为特征向量，采用线性插值方法在特征空间内进行插值，扩充机器人打磨状态分类模型的数据集。
所述的带约束自编码器的损失函数，通过以下方式得到：将由带约束自编码器的编码器产生的特征向量组成输入矩阵FB×C，其中：B为网络训练的批量数，C为特征向量的通道数，fb c为输入矩阵第b行第c列的元素；定义目标均匀分布为U(0,1)；在区间(0,1)上离散U为B份，得到目标向量B×1，将目标向量重复C次并拼接，得到目标矩阵为TB×C,用
Figure BDA0003598749310000031
为目标矩阵第b行第c列的元素；对输入矩阵的每个通道进行排序，将B维度上的数值从小到大排列，得到排序后的输入矩阵F’B×C，
Figure BDA0003598749310000032
为排序后输入矩阵第b行第c列的元素；计算损失函数，具体计算公式为：
Figure BDA0003598749310000033
所述的打磨状态分类模型数据集，优选经特征向量编码和原始样本插值的增强处理，其中：原始样本插值部分基于混合思想，采用线性插值方法构造已有样本的凸组合，扩充原始样本的数量。
所述的线性插值具体包括：基于自相关系数完成对二维时频图编码出的特征向量的标签给定；选取同一标签类中的任意两个样本X1和X2；基于X1和X2构造原始样本的凸组合X＝γX1+(1-γ)X2；在区间(0,1)上调整γ的取值，构造出新的不同的样本。
所述的打磨状态分类模型根据由关节电流信息经小波变换和PCA处理得到的二维时频图输出机器人打磨状态如欠磨、正常磨和过磨等，依据带约束自编码器扩充得到的加工数据集对卷积神经网络进行迭代训练，最终采用训练后的卷积神经网络进行打磨状态分类。
所述的机器人闭环反馈控制是指：在新工件上进行打磨实验，并完成表面纹理信息采集，验证机器人打磨状态分类模型的实时监测效果；基于机器人打磨状态分类模型的输出结果，即欠磨、正常磨和过磨状态，调整机器人打磨时的切削量、法向正压力等参数，改变机器人打磨状态，实现机器人闭环反馈控制。
技术效果
与现有技术相比，本发明无需附加外部传感与数采设备仅依据机器人本体信息监测机器人打磨加工状态，减少机器人打磨加工数据集的采集成本至少50％以上，在0.35s内完成机器人打磨状态高效与准确的实时监测，机器人打磨状态的分类成功率最高可达99.4625％。
附图说明
图1为实施例系统示意图；
图2为带约束自编码器结构图；
图3为自编码器训练损失函数变化图；
图4为实施例原始采集数据及其分析结果的对应图；
图5为带约束自编码器的编码效果图；
图6为实施例流程图；
图7为实施例工件加工表面纹理特征视觉测量系统结构图；
图8为实施例监测网络损失函数与分类效果的变化图；
图9为实施例机器人打磨状态在线监测实验平台对应图；
图中：1高倍率显微镜、2移动滑台、3夹具、4被测量工件、5垫板、6末端打磨头、7被打磨工件、8夹具、9工装平台、10工业机器人本体、11机器人控制柜、12控制模块。
具体实施方式
如图1和图9所示，为本实施例涉及一种应用场景，包括：机器人本体、打磨头、控制柜、存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其中：机器人本体依据由上位机发出、经过控制柜传达的运动控制信息，通过打磨头进行工件打磨加工，在不同的加工状态下得到机器人的本体关节电流信息，上位机依据高频反馈的机器人本体关节电流信息，运行机器人打磨状态分类模型，在0.35s内判断机器人的打磨加工状态并向控制柜发出运动调整指令，在上位机中，依据采集到的机器人打磨加工状态信息进行数据集扩充处理，将原始加工过程数据扩充一倍以上，降低加工数据集采集成本，用于机器人状态分类模型的训练。
所述的机器人本体的六个关节均为旋转关节，伺服电机和驱动器选用松下MINASA6系列，采用倍福控制器对松下伺服电机进行控制，基于控制器的实时PLC内核，系统最高能以20Khz的频率采集伺服电机的状态信息。
本实施例中选用的打磨工具为博世琢美4300电磨机，最高空载转速可高达15000r/min，选用的磨头为80目的百叶轮磨头。
本实施例涉及一种基于上述应用场景的基于工业机器人本体信息的打磨状态在线监测方法，包括如下步骤：
步骤一，进行机器人预打磨实验，通过设置机器人打磨的进给量，构造工件表面的欠磨、正常磨和过磨状态，采集不同加工状态下的机器人六个关节的电流信号，其中综合考虑后续的数据集生成数量和机器人运行过程中的稳定性，基于倍福实时内核将PLC循环时间设置为100us，以10Khz频率采集机器人打磨时各关节的电流信号，计算测量电流与该关节额定电流的百分比，将采集的信号归一化，避免因各关节电流所在量级不同对后续主成分分析中的方差分析产生的干扰，并通过归一化观察出机器人打磨加工状态对各关节电流波动的影响。
步骤二，基于主成分分析方法，对步骤一中的机器人关节电流信息进行数据降维处理，结合方差贡献率，选取出受机器人打磨状态影响最明显的关节电流信号，并在后续对该特征关节电流信号进行处理，其中机器人关节电流信号的主成分分析具体为：对机器人每个关节的以10Khz频率采集的电流信号进行去中心化；结合去中心化后的机器人关节电流计算协方差矩阵；采用奇异值分解的方法计算协方差矩阵的特征值和特征向量；将协方差矩阵的特征值从大到小依次排序；选择最大特征值对应的机器人关节电流信号作为特征关节电流信号。
步骤三，以1024个点为一帧将步骤二中选择的关节电流信号进行划分，基于小波变换，将划分后的每1024个点转换为二维时频图，生成机器人打磨状态分类模型的原始数据集，其中一维连续小波变换具体为：
Figure BDA0003598749310000051
其中：f(t)表示原始信号，t是时间，a是尺度因子，b是时移因子，ψ*表示ψ的共轭函数，ψa,b(t)表示小波基函数，<x,y>表示内积。
步骤四，利用搭建的视觉检测系统，自动采集步骤一中加工工件的表面纹理信息，该视觉检测系统如图7所示，包括：直线移动滑台、高倍率显微镜和显微镜LED点光源，其中：计算机控制滑台移动与显微镜拍照，视觉检测系统可实现工件表面纹理信息的自动化采集，显微镜的放大倍数，滑台的运行速度和光源功率均会影响成像质量，选取显微镜的放大倍数为300倍，移动滑台的运行速度为2mm/s，LED光源的功率为6W。视觉检测系统设计中将显微镜安装在直线滑台上，将被测工件安装在平面垫板上，可避免因重力产生的工件变形超出显微镜景深而导致的显微镜图像采集模糊的问题。
步骤五，基于灰度共生矩阵及其特征参数，计算步骤四中采集的工件表面图像对应的纹理特征参数，基于工件表面的纹理特征参数，排除人工识别的不确定性后，利用自相关系数来判断机器人的打磨状态。在时域上完成机器人关节电流信号和工件表面纹理的对齐，自动生成机器人打磨状态标签。
如图4所示，为原始采集的机器人关节电流信号及其分析结果，本实施例中的工件表面纹理特征参数为灰度共生矩阵的自相关系数，该特征参数的计算过程为：首先计算灰度共生矩阵的行均值
Figure BDA0003598749310000052
和灰度共生矩阵的列均值
Figure BDA0003598749310000053
然后计算灰度共生矩阵的行方差
Figure BDA0003598749310000054
和灰度共生矩阵的列方差
Figure BDA0003598749310000061
最后计算灰度共生矩阵的自相关系数
Figure BDA0003598749310000062
其中：G(i,j)表示灰度共生矩阵第i行第j列的元素，μi表示灰度共生矩阵的行均值，μj表示灰度共生矩阵的列均值，Si表示灰度共生矩阵的行标准差，Sj表示表示灰度共生矩阵的列标准差。
步骤六，在Pytorch环境中搭建带约束自编码器，将步骤三中获得的时频图编码为特征向量，采用线性插值方法在特征空间内进行插值，扩充机器人打磨状态分类模型的数据集。
如图2所示，所述的数据集增强方法通过设计带约束自编码器的损失函数并反向传播更新自编码器的编码层参数，使编码出的特征向量的每个通道在特征空间均服从均匀分布，采取线性插值方法，构造已有样本的凸组合，实现数据集增强。
如图3所示，为所述的带约束自编码器的损失函数随训练代数的变化趋势，其最终编码的特征向量结果如图5所示，其中带约束自编码器的损失函数
Figure BDA0003598749310000063
其具体计算步骤为：将由带约束自编码器的编码器产生的特征向量组成输入矩阵FB×C，B为网络训练的批量数，C为特征向量的通道数，fb c表示输入矩阵第b行第c列的元素；定义目标均匀分布为U(0,1)；在区间(0,1)上离散U为B份，得到目标向量B×1，将目标向量重复C次并拼接，得到目标矩阵为TB×C,用
Figure BDA0003598749310000064
表示目标矩阵第b行第c列的元素；对输入矩阵的每个通道进行排序，将B维度上的数值从小到大排列，得到排序后的输入矩阵F’B×C，
Figure BDA0003598749310000065
表示排序后输入矩阵第b行第c列的元素。
所述的数据集增强包括：特征向量编码和原始样本插值，其中：原始样本插值部分基于混合思想，采用线性插值方法构造已有样本的凸组合，扩充原始样本的数量，具体为：基于自相关系数完成对时频图编码出的特征向量的标签给定；选取同一标签类中的任意两个样本X1和X2；基于X1和X2构造原始样本的凸组合X＝γX1+(1-γ)X2；在区间(0,1)上调整γ的取值，构造出新的不同的样本。
步骤七，在Pytorch环境中搭建基于卷积神经网络的机器人打磨状态分类模型并完成训练和测试，在新工件上完成打磨测试，并采集工件表面图像，验证机器人打磨状态分类模型的实时监测效果，机器人打磨状态分类模型的具体实现流程如图6所示。
所述的打磨状态分类模型的输入为由关节电流信息得到的时频图，模型的输出为机器人打磨状态如欠磨、正常磨和过磨等。依据扩充的加工数据集对模型进行迭代训练，最终得到一种有效的机器人打磨状态分类模型，机器人打磨状态分类模型的损失函数和分类成功率如图8所示。
步骤八，将机器人打磨状态分类模型的输出结果应用于机器人闭环反馈控制，改善机器人打磨的加工质量与效率，具体为：基于打磨状态分类模型输出的欠磨、正常磨和过磨状态，调整机器人打磨时的切削量、法向正压力等参数，改变机器人打磨状态，实现机器人闭环反馈控制。
经过具体实际实验，在电主轴预设转速为6000r/min、预设打磨深度为0.5-2.5mm、机器人打磨的进给速度为5mm/s的具体环境设置下，运行上述装置/方法，能够得到的实验数据是机器人打磨加工数据集的采集成本至少可降低50％，在无附加传感和数采设备的条件下，机器人打磨状态的分类成功率最高可达99.4625％。
与现有技术相比，本发明能有效降低机器人打磨加工数据集的采集成本降50％以上，最快可在0.35s内实现机器人打磨状态的实时监测，机器人打磨状态的分类成功率最高可达99.4625％。
综上，本发明可适用于无附加传感器的通用工业机器人打磨场景，仅依据机器人本体关节电流信息实现工业机器人打磨状态特征的提取，并给出了基于主成分分析的特征关节电流信号选取方法。本发明利用带约束自编码器实现原始数据集在特征空间上的每一维度均服从均匀分布，基于混合思想，构造原始数据及其标签的凸组合，扩大原始数据集的数据量，提升分类模型的泛化性，降低加工数据集的采集成本。本发明实现了机器人打磨状态的实时监测，并能依据监测结果对机器人运动控制进行实时反馈，从而实现工件的高质量打磨，对机器人打磨的大规模应用具有重要意义。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (10)

1.一种基于工业机器人本体信息的打磨状态在线监测方法，其特征在于，通过在预打磨实验时采集机器人关节电流，并在打磨完成后采集表面质量纹理；然后将关节电流时序信号转换为图像，从而生成打磨状态标签以及打磨状态分类模型数据集，并采用数据集训练打磨状态分类模型；最后在在线阶段采用训练后的打磨状态分类模型实现机器人闭环反馈控制。
所述的采集机器人关节电流是指：采集不同加工状态下的机器人六个关节的电流信号，对采集的电流信号进行归一化处理；
所述的纹理特征参数，即灰度共生矩阵的自相关系数，具体通过以下方式得到：首先计算灰度共生矩阵的行均值
Figure FDA0003598749300000011
和灰度共生矩阵的列均值
Figure FDA0003598749300000012
然后计算灰度共生矩阵的行方差
Figure FDA0003598749300000013
和灰度共生矩阵的列方差
Figure FDA0003598749300000014
最后计算灰度共生矩阵的自相关系数
Figure FDA0003598749300000015
其中：G(i,j)为灰度共生矩阵第i行第j列的元素，μi为灰度共生矩阵的行均值，μj为灰度共生矩阵的列均值，Si为灰度共生矩阵的行标准差，Sj为灰度共生矩阵的列标准差。
2.根据权利要求1所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的预打磨实验是指：通过设置机器人打磨的进给量，构造工件表面的欠磨、正常磨和过磨状态；
所述的采集表面质量纹理是指：利用视觉检测系统，采集加工得到的工件的表面纹理图像，该视觉检测系统包括：直线移动滑台、高倍率显微镜和显微镜LED点光源，通过计算机控制滑台移动与显微镜拍照，实现加工工件表面纹理信息的自动化采集。
3.根据权利要求1所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的机器人关节电流，进一步经主成分分析，具体为：对机器人关节电流信息进行数据降维处理，结合方差贡献率，选取出受机器人打磨状态影响最明显的关节电流信号，并在后续对该特征关节电流信号进行处理。
4.根据权利要求3所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的主成分分析，具体包括：对机器人每个关节的以高频采集的电流信号进行去中心化；结合去中心化后的机器人关节电流计算协方差矩阵；采用奇异值分解的方法计算协方差矩阵的特征值和特征向量；将协方差矩阵的特征值从大到小依次排序；选择最大特征值对应的机器人关节电流信号作为特征关节电流信号。
5.根据权利要求1所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的转换是指：将关节电流时序信号通过小波变换转换成二维时频图，作为机器人打磨状态分类模型的原始数据集，具体为：
Figure FDA0003598749300000021
其中：f(t)为原始信号，t为时间，a为尺度因子，b为时移因子，ψ*为ψ的共轭函数，ψa,b(t)为小波基函数，<x,y>为内积。
6.根据权利要求1所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的打磨状态标签是指：基于灰度共生矩阵及其特征参数，计算采集到的工件的表面图像对应的纹理特征参数，在时域上完成机器人关节电流信号和工件表面纹理的对齐，自动生成机器人打磨状态标签。
7.根据权利要求1所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的打磨状态分类模型数据集是指：利用带约束自编码器，将转换得到的二维时频图编码为特征向量，采用线性插值方法在特征空间内进行插值，扩充机器人打磨状态分类模型的数据集；
所述的带约束自编码器的损失函数，通过以下方式得到：将由带约束自编码器的编码器产生的特征向量组成输入矩阵FB×C，其中：B为网络训练的批量数，C为特征向量的通道数，fb c为输入矩阵第b行第c列的元素；定义目标均匀分布为U(0,1)；在区间(0,1)上离散U为B份，得到目标向量B×1，将目标向量重复C次并拼接，得到目标矩阵为TB×C,用
Figure FDA0003598749300000022
为目标矩阵第b行第c列的元素；对输入矩阵的每个通道进行排序，将B维度上的数值从小到大排列，得到排序后的输入矩阵F′B×C，
Figure FDA0003598749300000023
为排序后输入矩阵第b行第c列的元素；计算损失函数，具体计算公式为：
Figure FDA0003598749300000024
8.根据权利要求1或7所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的打磨状态分类模型数据集，经特征向量编码和原始样本插值的增强处理，其中：原始样本插值部分基于混合思想，采用线性插值方法构造已有样本的凸组合，扩充原始样本的数量。
9.根据权利要求1所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的打磨状态分类模型根据由关节电流信息经小波变换和PCA处理得到的二维时频图输出机器人打磨状态如欠磨、正常磨和过磨等，依据带约束自编码器扩充得到的加工数据集对卷积神经网络进行迭代训练，最终采用训练后的卷积神经网络进行打磨状态分类。
10.根据权利要求1所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的机器人闭环反馈控制是指：在新工件上进行打磨实验，并完成表面纹理信息采集，验证机器人打磨状态分类模型的实时监测效果；基于机器人打磨状态分类模型的输出结果，即欠磨、正常磨和过磨状态，调整机器人打磨时的切削量、法向正压力等参数，改变机器人打磨状态，实现机器人闭环反馈控制。
CN202210398851.0A 2022-04-15 2022-04-15 基于工业机器人本体信息的打磨状态在线监测方法 Pending CN114758176A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210398851.0A CN114758176A (zh) 2022-04-15 2022-04-15 基于工业机器人本体信息的打磨状态在线监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210398851.0A CN114758176A (zh) 2022-04-15 2022-04-15 基于工业机器人本体信息的打磨状态在线监测方法

Publications (1)

Publication Number Publication Date
CN114758176A true CN114758176A (zh) 2022-07-15

Family

ID=82332161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210398851.0A Pending CN114758176A (zh) 2022-04-15 2022-04-15 基于工业机器人本体信息的打磨状态在线监测方法

Country Status (1)

Country Link
CN (1) CN114758176A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116728291A (zh) * 2023-08-16 2023-09-12 湖南大学 基于边缘计算的机器人打磨系统状态监测方法和装置
CN117067004A (zh) * 2023-10-16 2023-11-17 杭州泓芯微半导体有限公司 一种平磨机及其控制方法
CN117409264A (zh) * 2023-12-16 2024-01-16 武汉理工大学 基于transformer的多传感器数据融合机器人地形感知方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116728291A (zh) * 2023-08-16 2023-09-12 湖南大学 基于边缘计算的机器人打磨系统状态监测方法和装置
CN116728291B (zh) * 2023-08-16 2023-10-31 湖南大学 基于边缘计算的机器人打磨系统状态监测方法和装置
CN117067004A (zh) * 2023-10-16 2023-11-17 杭州泓芯微半导体有限公司 一种平磨机及其控制方法
CN117067004B (zh) * 2023-10-16 2024-01-16 杭州泓芯微半导体有限公司 一种平磨机及其控制方法
CN117409264A (zh) * 2023-12-16 2024-01-16 武汉理工大学 基于transformer的多传感器数据融合机器人地形感知方法
CN117409264B (zh) * 2023-12-16 2024-03-08 武汉理工大学 基于transformer的多传感器数据融合机器人地形感知方法

Similar Documents

Publication Publication Date Title
CN114758176A (zh) 基于工业机器人本体信息的打磨状态在线监测方法
CN111468989B (zh) 一种五轴联动数控机械手抛光控制系统及方法
EP2920724B1 (en) Automated high speed metallographic system
CN112247674B (zh) 一种刀具磨损预测方法
CN100404201C (zh) 数字化精密曲线磨削的控制方法
CN102501172B (zh) 用于机器人修磨系统的面向空间曲面加工的在位测量方法
Palani et al. On-line prediction of micro-turning multi-response variables by machine vision system using adaptive neuro-fuzzy inference system (ANFIS)
CN114571326B (zh) 基于计算机视觉的变形曲面磨削方法、装置及系统
CN111633467A (zh) 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法
Khalifa et al. Image processing for chatter identification in machining processes
CN113034482A (zh) 基于机器视觉和机器学习的表面粗糙度检测方法
EP3736648A1 (en) Method for autonomous optimization of a grinding process
CN114102274A (zh) 3d打印零件加工方法
CN116551048A (zh) 一种几何自适应加工设备及方法
CN114139772A (zh) 一种基于优化广义回归神经网络预测工件表面质量的方法
Zhang et al. Fractal geometry applied to on-line monitoring of surface finish
Raju et al. Curvelet transform for estimation of machining performance
Palani et al. Prediction of surface roughness in end milling process by machine vision using neuro fuzzy network
CN116643020A (zh) 基于高密度水基泡沫切削液提高铣削工件表面质量的方法
Sun et al. Wear status prediction of micro milling tools by transfer learning and ViT model
CN114310493B (zh) 一种视觉伺服进给异形螺旋曲面螺杆砂带抛光装置和方法
CN113704922A (zh) 一种基于声振及纹理特征预测表面粗糙度的方法
CN115391936A (zh) 一种机器人铣削过程中参数动态多目标优化的方法
CN112265000B (zh) 一种弯管内表面磁粒研磨轨迹快速获取的装置及方法
Esquivel Digital Image Correlation Of Heterogeneous Deformations In Polycrystalline Material With Electron Backscatter Diffraction

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