CN118238156B - 五轴加工机器人的刀具运动控制方法及相关装置 - Google Patents
五轴加工机器人的刀具运动控制方法及相关装置 Download PDFInfo
- Publication number
- CN118238156B CN118238156B CN202410291785.6A CN202410291785A CN118238156B CN 118238156 B CN118238156 B CN 118238156B CN 202410291785 A CN202410291785 A CN 202410291785A CN 118238156 B CN118238156 B CN 118238156B
- Authority
- CN
- China
- Prior art keywords
- tool motion
- target
- error
- robot
- 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.)
- Active
Links
- 238000003754 machining Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 130
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 230000002787 reinforcement Effects 0.000 claims abstract description 19
- 238000009499 grossing Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 42
- 230000005489 elastic deformation Effects 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000003066 decision tree Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 239000012636 effector Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000000844 transformation Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本申请涉及刀具运动控制技术领域,公开了一种五轴加工机器人的刀具运动控制方法及相关装置。所述方法包括:对五轴加工机器人进行运动学模型分析,得到目标运动学模型;构建第一误差补偿策略;识别加工特征区域并规划多个初始刀具运动轨迹;进行刀具运动轨迹补偿,得到多个第一刀具运动轨迹并进行轨迹插补,得到多个第二刀具运动轨迹;进行轨迹平滑处理和控制点调整,得到多个目标刀具运动轨迹;进行工件加工和加工状态监控,得到每个目标刀具运动轨迹的加工状态数据,并通过深度强化学习算法对加工状态数据进行误差补偿分析,得到每个目标刀具运动轨迹的第二误差补偿策略,本申请提高了五轴加工机器人的刀具运动控制准确率。
Description
技术领域
本申请涉及刀具运动控制技术领域,尤其涉及一种五轴加工机器人的刀具运动控制方法及相关装置。
背景技术
五轴加工机器人因其能在复杂空间内进行高度灵活的加工而变得日益重要。这些机器人能够执行复杂的加工任务,如雕刻、钻孔和切割,其应用范围覆盖了航空、汽车制造、模具制造等多个领域。然而,随着加工精度要求的不断提高,传统的刀具运动控制方法面临着诸多挑战,特别是在处理机器人运动学误差、弹性变形误差以及加工过程中的动态调整等方面。
一方面,机器人的运动学模型并非完全准确,存在模型误差,这些误差会导致加工精度下降,影响产品质量。此外,机器人在加工过程中可能会因为负载变化、温度波动等因素发生弹性变形,这也会进一步降低加工精度。因此,如何准确建立机器人的运动学模型,并有效补偿弹性变形误差,成为了提高加工精度的关键。另一方面,随着加工复杂度的增加,单纯依赖预设的刀具轨迹已难以满足高精度加工的需求。加工过程中可能会遇到的各种不确定性因素要求机器人能够实时调整刀具轨迹,以适应实际加工条件的变化。此外,现有的误差补偿方法往往依赖于复杂的数学模型和大量的实验数据,这不仅增加了系统的复杂度,而且也限制了其在实际加工过程中的应用灵活性和效率。
发明内容
本申请提供了一种五轴加工机器人的刀具运动控制方法及相关装置,用于提高了五轴加工机器人的刀具运动控制准确率。
第一方面,本申请提供了一种五轴加工机器人的刀具运动控制方法,所述五轴加工机器人的刀具运动控制方法包括:
基于双四元数正向运动学解函数对所述五轴加工机器人进行运动学模型分析,得到初始运动学模型,并通过误差映射矩阵对所述初始运动学模型进行模型优化,得到目标运动学模型;
构建所述目标运动学模型的弹性变形误差模型,并采用加权正则化方法对所述弹性变形误差模型进行误差参数向量计算和误差补偿策略生成,得到第一误差补偿策略;
对目标工件进行三维模型重建和加工区域识别,得到加工特征区域,并通过所述目标运动学模型对所述加工特征区域进行刀具加工运动轨迹规划,得到多个初始刀具运动轨迹;
通过所述第一误差补偿策略分别对所述多个初始刀具运动轨迹进行刀具运动轨迹补偿,得到多个第一刀具运动轨迹,并基于有限脉冲响应滤波器对所述多个第一刀具运动轨迹进行轨迹插补,得到多个第二刀具运动轨迹;
基于B样条曲线算法分别对所述多个第二刀具运动轨迹进行轨迹平滑处理和控制点调整,得到多个目标刀具运动轨迹;
控制所述五轴加工机器人根据所述多个目标刀具运动轨迹对所述目标工件进行工件加工和加工状态监控,得到每个目标刀具运动轨迹的加工状态数据,并通过深度强化学习算法对每个目标刀具运动轨迹的加工状态数据进行误差补偿分析,得到每个目标刀具运动轨迹的第二误差补偿策略。
第二方面,本申请提供了一种五轴加工机器人的刀具运动控制装置,所述五轴加工机器人的刀具运动控制装置包括:
分析模块,用于基于双四元数正向运动学解函数对所述五轴加工机器人进行运动学模型分析,得到初始运动学模型,并通过误差映射矩阵对所述初始运动学模型进行模型优化,得到目标运动学模型;
构建模块,用于构建所述目标运动学模型的弹性变形误差模型,并采用加权正则化方法对所述弹性变形误差模型进行误差参数向量计算和误差补偿策略生成,得到第一误差补偿策略;
规划模块,用于对目标工件进行三维模型重建和加工区域识别,得到加工特征区域,并通过所述目标运动学模型对所述加工特征区域进行刀具加工运动轨迹规划,得到多个初始刀具运动轨迹;
插补模块,用于通过所述第一误差补偿策略分别对所述多个初始刀具运动轨迹进行刀具运动轨迹补偿,得到多个第一刀具运动轨迹,并基于有限脉冲响应滤波器对所述多个第一刀具运动轨迹进行轨迹插补,得到多个第二刀具运动轨迹;
调整模块,用于基于B样条曲线算法分别对所述多个第二刀具运动轨迹进行轨迹平滑处理和控制点调整,得到多个目标刀具运动轨迹;
监控模块,用于控制所述五轴加工机器人根据所述多个目标刀具运动轨迹对所述目标工件进行工件加工和加工状态监控,得到每个目标刀具运动轨迹的加工状态数据,并通过深度强化学习算法对每个目标刀具运动轨迹的加工状态数据进行误差补偿分析,得到每个目标刀具运动轨迹的第二误差补偿策略。
本申请第三方面提供了一种五轴加工机器人的刀具运动控制设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述五轴加工机器人的刀具运动控制设备执行上述的五轴加工机器人的刀具运动控制方法。
本申请的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的五轴加工机器人的刀具运动控制方法。
本申请提供的技术方案中,通过基于双四元数的正向运动学解析与误差映射矩阵的应用,能够精确地分析和优化机器人的运动学模型。这种优化能够减小机器人在执行复杂加工任务时的位置和姿态误差,从而显著提高加工精度。同时,弹性变形误差模型和加权正则化方法的使用进一步增强了对加工过程中可能发生的微小变形和误差的补偿能力,确保了加工过程的稳定性和重复性。通过三维模型重建和加工区域识别,能够精确地确定加工特征区域,并根据目标运动学模型进行高效的刀具加工运动轨迹规划。这不仅确保了加工质量,而且通过有限脉冲响应滤波器和B样条曲线算法对加工轨迹进行优化处理,有效减少了不必要的运动和加工时间,提高了整体加工效率。通过深度强化学习算法对加工状态数据进行分析,生成针对每个目标刀具运动轨迹的误差补偿策略。这种智能化的误差补偿不仅能够实时调整加工参数以应对各种突发情况,还能够根据加工过程中收集到的数据不断学习和优化,使机器人在长期运行中展现出更好的自适应性和加工性能,进而提高了五轴加工机器人的刀具运动控制准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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,还可以基于这些附图获得其他的附图。
图1为本申请实施例中五轴加工机器人的刀具运动控制方法的一个实施例示意图;
图2为本申请实施例中五轴加工机器人的刀具运动控制装置的一个实施例示意图。
具体实施方式
本申请实施例提供了一种五轴加工机器人的刀具运动控制方法及相关装置。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中五轴加工机器人的刀具运动控制方法的一个实施例包括:
步骤S101、基于双四元数正向运动学解函数对五轴加工机器人进行运动学模型分析,得到初始运动学模型,并通过误差映射矩阵对初始运动学模型进行模型优化,得到目标运动学模型;
可以理解的是,本申请的执行主体可以为五轴加工机器人的刀具运动控制装置,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,基于双四元数的正向运动学解函数对五轴加工机器人进行初始位置和姿态分析。双四元数正向运动学解函数结合了旋转和平移的四元数表示,提供了一种有效描述机器人运动学的方法,从而得到机器人的初始位置和姿态。双四元数正向运动学解的特点在于能够准确且高效地处理旋转和平移的组合运动。运用双四元数表示,将两个连续空间变换的累积效应通过复合结果表示,简化运动学模型的构建过程,提高模型的准确性。根据初始机器人位置和姿态对五轴加工机器人进行运动学模型初始化,确保模型反映了机器人在实际加工开始时的准确状态。通过正向运动学解析,得到理论上的机器人位置和姿态。在实际加工过程中,机器人的实际位置和姿态可以通过传感器等手段获得,将其与理论位置和姿态进行比较,构建误差映射矩阵。通过双四元数正向运动学解函数对误差映射矩阵进行分析,计算出需要进行的双四元数调整量。双四元数调整量用于调整初始运动学模型,以减少理论和实际位置及姿态之间的差异。通过双四元数调整,可以有效地优化初始运动学模型,使其更接近于机器人的实际运动情况。根据双四元数调整量数据对初始运动学模型进行模型优化。优化后的模型能够更准确地指导机器人按照预定的轨迹进行加工,从而提高加工精度,减少加工误差,确保加工质量。
步骤S102、构建目标运动学模型的弹性变形误差模型,并采用加权正则化方法对弹性变形误差模型进行误差参数向量计算和误差补偿策略生成,得到第一误差补偿策略;
具体的,对目标运动学模型进行弹性变形误差分析,得到五轴加工机器人在实际运动过程中可能遭遇的各种弹性变形情况,这种变形可能来源于机器人自身的物理特性、加工过程中的外力作用,或是因为温度变化引起的材料膨胀等,从而得到弹性变形误差模型。通过弹性变形误差模型,对目标运动学模型进行变形量分析,获取变形量数据。变形量数据反映了机器人实际运动轨迹与理想运动轨迹之间的偏差。采用加权正则化方法对变形量数据进行处理,计算出误差参数向量。计算过程通过引入权重矩阵和正则化参数,考虑不同误差项的影响,通过正则化手段避免过拟合现象,确保误差补偿模型的泛化能力和鲁棒性。将误差参数向量输入预置的误差补偿模型,该模型包括了多个决策树,每个决策树根据输入的误差参数向量做出误差补偿策略的决策。基于决策树的误差补偿策略决策方法,能够从多个维度分析误差的成因和补偿方法,为实现精确的误差补偿提供了多角度的决策支持。每个决策树的预测误差补偿策略各有侧重,通过对它们进行加权投票分析,综合考虑多种因素,从而得出更为合理和有效的第一误差补偿策略。
步骤S103、对目标工件进行三维模型重建和加工区域识别,得到加工特征区域,并通过目标运动学模型对加工特征区域进行刀具加工运动轨迹规划,得到多个初始刀具运动轨迹;
具体的,通过预置的三维扫描仪对目标工件进行三维模型重建,确保得到的工件三维模型能够准确反映实际工件的形状和尺寸,得到工件三维模型。通过对工件三维模型进行加工区域识别,确定需要加工的特征区域。识别加工区域的位置和范围,并对加工区域进行合理的划分,形成多个目标特征区域。将目标特征区域与五轴加工机器人的机器人末端执行器进行对应关系匹配,确保每个特征区域都能被相应最适合的执行器加基于目标对应关系,运用目标运动学模型对每个目标特征区域进行刀具加工运动轨迹规划。考虑五轴加工机器人的运动特性和加工任务的具体要求,生成符合加工精度和效率要求的初始刀具运动轨迹。
步骤S104、通过第一误差补偿策略分别对多个初始刀具运动轨迹进行刀具运动轨迹补偿,得到多个第一刀具运动轨迹,并基于有限脉冲响应滤波器对多个第一刀具运动轨迹进行轨迹插补,得到多个第二刀具运动轨迹;
具体的,通过第一误差补偿策略对多个初始刀具运动轨迹进行补偿计算,对每个初始刀具运动轨迹的轨迹调整量进行计算,根据实际加工中遇到的各种误差,如机械振动、热膨胀等因素导致的轨迹偏移,进行有针对性的调整,从而得到调整后的第一刀具运动轨迹。根据轨迹调整量,对初始刀具运动轨迹进行动态调整,以实现轨迹的优化。动态调整考虑到每个轨迹点的偏移量以及轨迹调整过程中的连续性和平滑性,以防止在加工过程中产生突变或震动,影响加工质量。通过动态调整策略,将理论轨迹转化为实际加工中的第一刀具运动轨迹。基于有限脉冲响应滤波器的轨迹插补技术对第一刀具运动轨迹进行插补,进一步优化加工轨迹。有限脉冲响应滤波器通过对轨迹点进行加权平均,结合动态滤波器系数,对轨迹进行平滑处理和细节调整,以满足加工过程中对精度和平滑性的高要求。插补方法提高了轨迹的连续性,还优化了轨迹的形状,确保在加工过程中能够更加精确地跟随预定轨迹,减少加工误差。
步骤S105、基于B样条曲线算法分别对多个第二刀具运动轨迹进行轨迹平滑处理和控制点调整,得到多个目标刀具运动轨迹;
具体的,基于B样条曲线算法对多个第二刀具运动轨迹进行样条曲线构建,得到每个第二刀具运动轨迹的B样条曲线,将原始的折线或者不够平滑的轨迹转换为具有高度连续性和可控形状的平滑曲线,这有助于提高加工精度和加工表面质量。通过B样条基函数对每个第二刀具运动轨迹的B样条曲线进行控制点分析,识别和确定影响曲线形状的关键控制点,即第一控制点。通过B样条基函数,通过控制点和相应的基函数计算曲线的每一点,从而实现对曲线形状的精确描述和调整。在这个过程中,每个控制点都将对曲线的局部形状产生影响,而通过调整这些控制点的位置,实现对整个曲线形状的优化和调整。通过控制点调整函数对每个B样条曲线的控制点进行优化,得到调整后的第二控制点。基于对原始控制点位置的分析和预期轨迹形状的要求,通过计算每个控制点的位置调整量,并应用这些调整量来优化控制点的位置,进一步优化曲线的形状,使其更加符合加工要求和工件的几何特征,从而提高加工轨迹的平滑度和加工精度。基于每个B样条曲线的第二控制点,对多个第二刀具运动轨迹进行轨迹平滑度优化。对曲线控制点间的相互关系进行调整,以最小化控制点间距离的变化,从而实现轨迹的平滑度最大化。
步骤S106、控制五轴加工机器人根据多个目标刀具运动轨迹对目标工件进行工件加工和加工状态监控,得到每个目标刀具运动轨迹的加工状态数据,并通过深度强化学习算法对每个目标刀具运动轨迹的加工状态数据进行误差补偿分析,得到每个目标刀具运动轨迹的第二误差补偿策略。
具体的,控制五轴加工机器人根据多个目标刀具运动轨迹对目标工件进行工件加工。并对多个目标刀具运动轨迹进行加工状态监控,得到每个目标刀具运动轨迹的加工状态数据,包括刀具位置、速度、加工力等参数。通过深度强化学习算法对每个目标刀具运动轨迹的加工状态数据进行误差补偿分析。深度强化学习算法通过从历史加工数据中学习,能够识别出加工过程中可能导致误差的因素,并预测出初始的误差补偿参数组合。为了进一步优化误差补偿策略,对每个目标刀具运动轨迹进行奖励反馈数据计算。根据实际加工效果对初始误差补偿参数组合的效果进行评价,通过定义合适的奖励函数,算法能够根据加工结果的好坏给予相应的奖励或惩罚,从而得到每个目标刀具运动轨迹的奖励反馈参数。基于奖励反馈参数,深度强化学习算法对每个目标刀具运动轨迹的初始误差补偿参数组合进行动态更新,生成目标误差补偿参数组合。最终,通过应用目标误差补偿参数组合,对第一误差补偿策略进行策略优化,得到每个目标刀具运动轨迹的第二误差补偿策略。
本申请实施例中,通过基于双四元数的正向运动学解析与误差映射矩阵的应用,能够精确地分析和优化机器人的运动学模型。这种优化能够减小机器人在执行复杂加工任务时的位置和姿态误差,从而显著提高加工精度。同时,弹性变形误差模型和加权正则化方法的使用进一步增强了对加工过程中可能发生的微小变形和误差的补偿能力,确保了加工过程的稳定性和重复性。通过三维模型重建和加工区域识别,能够精确地确定加工特征区域,并根据目标运动学模型进行高效的刀具加工运动轨迹规划。这不仅确保了加工质量,而且通过有限脉冲响应滤波器和B样条曲线算法对加工轨迹进行优化处理,有效减少了不必要的运动和加工时间,提高了整体加工效率。通过深度强化学习算法对加工状态数据进行分析,生成针对每个目标刀具运动轨迹的误差补偿策略。这种智能化的误差补偿不仅能够实时调整加工参数以应对各种突发情况,还能够根据加工过程中收集到的数据不断学习和优化,使机器人在长期运行中展现出更好的自适应性和加工性能,进而提高了五轴加工机器人的刀具运动控制准确率。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)基于双四元数正向运动学解函数对五轴加工机器人进行初始位置和初始姿态分析,得到初始机器人位置和初始机器人姿态,其中,双四元数正向运动学解函数包括:,表示两个双四元数的复合结果,代表两个连续空间变换的累积效应,表示元数的乘法,·和×分别代表向量的点乘和又乘运算,表示旋转四元数,表示平移四元数,表示虚单位;
(2)根据初始机器人位置和初始机器人姿态对五轴加工机器人进行运动学模型初始化,得到初始运动学模型;
(3)对初始运动学模型进行正向运动学解析,得到理论机器人位置和理论机器人姿态;
(4)获取五轴加工机器人的实际机器人位置和实际机器人姿态,并根据实际机器人位置、实际机器人姿态、理论机器人位置和理论机器人姿态构建误差映射矩阵;
(5)通过双四元数正向运动学解函数对误差映射矩阵进行双四元数调整量计算,得到双四元数调整量数据;
(6)根据双四元数调整量数据对初始运动学模型进行模型优化,得到目标运动学模型。
具体的,基于双四元数正向运动学解函数对五轴加工机器人进行初始位置和姿态分析,得到机器人的初始机器人位置和姿态。将机器人的物理位置和空间方向转化为数学描述,即通过双四元数来表示。双四元数正向运动学解函数通过结合旋转四元数和平移四元数,能够描述机器人的空间状态,包括其位置和姿态。这种表示捕捉了旋转和平移这两种基本的空间变换,并通过复合双四元数来表示连续的空间变换累积效应。基于初始机器人位置和姿态,进行五轴加工机器人的运动学模型初始化。将初始的空间状态转化为运动学模型的输入参数。通过初始化,确保运动学模型能够准确反映机器人的实际物理状态。对初始运动学模型进行正向运动学解析,得到理论上的机器人位置和姿态。通过应用双四元数正向运动学解函数,将机器人的运动指令转化为预期的空间状态,即理论上的位置和姿态。理论分析是检验和优化机器人运动控制策略的重要手段,可以预测机器人在执行特定任务时的行为,为进一步的误差分析和补偿策略制定提供了依据。获取五轴加工机器人的实际机器人位置和姿态,并与理论位置和姿态进行比较,构建误差映射矩阵。实时监测机器人的实际行为,并将其与预期行为进行对比,从而识别出偏差和误差的具体形式和大小。通过应用双四元数正向运动学解函数对误差映射矩阵进行分析,计算出双四元数调整量,进而对初始运动学模型进行优化,得到目标运动学模型。通过调整量对模型进行微调,以补偿由于各种因素引起的误差,包括机械误差、控制误差等。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)对目标运动学模型进行弹性变形误差分析,得到弹性变形误差模型;
(2)通过弹性变形误差模型对目标运动学模型进行变形量分析,得到变形量数据;
(3)采用加权正则化方法对变形量数据进行误差参数向量计算,得到误差参数向量,其中,误差参数向量计算为:,是误差参数向量,是权重矩阵,用于加权不同误差项的影响,是正则化参数,是单位矩阵,是变形量数据;
(4)将误差参数向量输入预置的误差补偿模型,误差补偿模型包括多个决策树;
(5)通过多个决策树分别对误差参数向量进行误差补偿策略决策,得到每个决策树的预测误差补偿策略;
(6)对每个决策树的预测误差补偿策略进行加权投票分析,得到第一误差补偿策略。
具体的,对目标运动学模型进行弹性变形误差分析,建立一个能够描述机器人在实际操作中由于负载、加速度等因素导致的弹性变形情况的数学模型。通过分析机器人结构的物理特性和工作环境的实际条件,利用有关材料力学和结构力学的知识,预测在特定操作条件下机器人各部件可能出现的弹性变形,得到弹性变形误差模型,该模型能够量化地描述机器人在执行特定任务时,其结构的变形情况。基于弹性变形误差模型,对目标运动学模型进行变形量分析,获得变形量数据。将弹性变形误差模型应用到机器人的运动学模型中,通过数学和物理的计算确定在不同操作阶段机器人可能出现的变形量。变形量数据提供了机器人实际运动与理论运动之间差异的量化指标。采用加权正则化方法对变形量数据进行误差参数向量的计算。通过引入权重矩阵和正则化技术平衡不同误差项的影响,从而计算出一个能够有效反映机器人实际运动状态与理论状态之间差异的误差参数向量。权重矩阵用于加权不同误差项的影响,正则化参数用于防止过拟合,确保解决方案的泛化能力,而变形量数据则是误差分析的直接输入。将误差参数向量输入预置的误差补偿模型,该模型包括多个决策树,基于误差参数向量进行误差补偿策略的决策。每个决策树根据输入的误差参数向量,通过预设的决策逻辑预测最合适的误差补偿策略。基于决策树的方法能够从多维度考虑误差补偿的问题。通过对每个决策树预测的误差补偿策略进行加权投票分析,综合考虑各个策略的有效性和可行性,得到最终的第一误差补偿策略。通过汇总多个模型的预测结果提高整体预测的准确性和稳定性。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)通过预置的三维扫描仪对目标工件进行三维模型重建,得到工件三维模型;
(2)对工件三维模型进行加工区域识别,得到加工特征区域,并对加工特征区域进行加工区域划分,得到多个目标特征区域;
(3)对多个目标特征区域与五轴加工机器人的多个机器人末端执行器进行对应关系匹配,得到目标对应关系;
(4)根据目标对应关系,并通过目标运动学模型对多个目标特征区域进行刀具加工运动轨迹规划,得到每个目标特征区域的初始刀具运动轨迹。
具体的,通过预置的三维扫描仪对目标工件进行三维模型重建,得到工件三维模型,捕捉其几何形态和维度特征。基于重建的工件三维模型,进行加工区域识别和加工区域划分。对工件模型进行分析,识别出需要进行加工的特征区域,并根据加工需求和技术要求,将加工特征区域进一步划分为多个目标特征区域。加工区域的准确识别和合理划分能够帮助系统明确加工的重点和难点,优化加工策略。对多个目标特征区域与五轴加工机器人的多个机器人末端执行器进行对应关系匹配。根据每个目标特征区域的具体加工要求,选择最适合的机器人末端执行器。基于目标对应关系,并通过目标运动学模型对多个目标特征区域进行刀具加工运动轨迹规划。综合考虑机器人的动态特性、工件的几何特征、加工工艺要求等多方面因素,运用运动学模型和算法,为每个目标特征区域规划出最优的刀具运动轨迹。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)通过第一误差补偿策略分别对多个初始刀具运动轨迹进行刀具运动轨迹补偿计算,得到每个初始刀具运动轨迹的轨迹调整量;
(2)根据轨迹调整量对多个初始刀具运动轨迹进行刀具运动轨迹动态调整,得到多个第一刀具运动轨迹;
(3)基于有限脉冲响应滤波器对多个第一刀具运动轨迹进行轨迹插补,得到多个第二刀具运动轨迹,有限脉冲响应滤波器包括:,是在时间的插补轨迹位置,是在时间对应于时间偏移的动态滤波器系数,是在时间的原始或补偿后的轨迹位置,是滤波器的半长度,表示在当前时间点前后考虑的点的数量,是时间间隔,表示轨迹采样的时间分辨率。
具体的,通过第一误差补偿策略对多个初始刀具运动轨迹进行误差分析和补偿计算,识别出存在的误差和偏差。误差的来源可能包括机械振动、热膨胀、工具磨损等多种因素,通过计算确定其对刀具轨迹的具体影响。然后,基于分析结果,计算出每个初始刀具运动轨迹所需的轨迹调整量。这些调整量代表了为了补偿误差而需要对原始轨迹进行的具体修改。根据得到的轨迹调整量,对每个初始刀具运动轨迹进行动态调整,确保调整后的轨迹在几何和动态特性上都能满足加工要求。动态调整包括轨迹的空间位置的变化,还包括速度、加速度等动态参数的调整,以确保加工过程的平稳性和效率。通过动态调整,获得多个经过优化的第一刀具运动轨迹,这些轨迹在补偿了原始误差的同时,还保持了加工过程的连续性和稳定性。基于有限脉冲响应滤波器对第一刀具运动轨迹进行轨迹插补,提高轨迹平滑度和加工精度。有限脉冲响应滤波器通过在给定的时间窗口内,对轨迹点进行加权平均,有效地平滑轨迹,并减少轨迹中的突变和噪声,从而改善轨迹的几何特性,还能优化轨迹的动态特性,如速度和加速度分布。最终,得到多个第二刀具运动轨迹。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)基于B样条曲线算法分别对多个第二刀具运动轨迹进行样条曲线构建,得到每个第二刀具运动轨迹的B样条曲线;
(2)通过B样条基函数对每个第二刀具运动轨迹的B样条曲线进行曲线控制点分析,得到每个B样条曲线的多个第一控制点,B样条基函数包括:,表示在参数处的B样条曲线上的点,表示曲线的参数化变量,表示控制点的索引,从0到,用于遍历所有控制点,表示最后一个控制点的索引,表示第个控制点的阶B样条基函数,表示基函数的阶数,表示第个控制点的位置,,表示第个控制点的阶B样条基函数,表示节点向量中的第个节点,表示节点向量中相对于的其他节点值;
(3)通过控制点调整函数对每个B样条曲线的多个第一控制点进行控制点优化,得到每个B样条曲线的多个第二控制点,控制点调整函数为:,表示调整后的第个控制点的位置,表示原始的第个控制点的位置,表示第个控制点的位置调整量;
(4)根据每个B样条曲线的多个第二控制点,对多个第二刀具运动轨迹进行轨迹平滑度优化,得到多个目标刀具运动轨迹,其中,轨迹平滑度优化函数为:,min表示优化目标,表示控制点的索引,,,分别表示第、个控制点的位置,表示范数操作符。
具体的,基于B样条曲线算法对多个第二刀具运动轨迹进行样条曲线构建。将刀具的运动路径分解成一系列控制点,然后通过控制点构建B样条曲线。B样条曲线能够通过相对较少的控制点来精确描述复杂的路径,同时保持路径的连续性和光滑性。通过B样条基函数对每个B样条曲线进行控制点分析。B样条基函数定义了每个控制点对曲线形状的贡献度,从而使得通过调整这些控制点的位置,控制曲线的形状。通过这种方式,对曲线进行必要的调整,以适应特定的加工要求。例如,考虑加工一个复杂曲面,通过分析B样条基函数,确定哪些控制点需要调整,以及如何调整,以确保曲线能够精确贴合目标曲面。对每个B样条曲线的控制点进行优化。根据B样条基函数的分析结果,对控制点进行具体的位置调整。通过应用控制点调整函数,计算出每个控制点的最佳位置,从而得到优化后的B样条曲线。控制点优化不仅能够提高曲线的贴合度,还能够改善曲线的平滑度和连续性,从而为加工过程提供更优质的路径。基于优化后的控制点,进行轨迹平滑度的进一步优化。通过最小化控制点间距离的变化量来优化轨迹的平滑度,确保刀具在加工过程中的运动更加平稳,从而减少加工过程中可能出现的振动和误差,提高加工质量。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)控制五轴加工机器人根据多个目标刀具运动轨迹对目标工件进行工件加工,并对多个目标刀具运动轨迹进行加工状态监控,得到每个目标刀具运动轨迹的加工状态数据;
(2)通过深度强化学习算法对每个目标刀具运动轨迹的加工状态数据进行误差补偿分析,得到每个目标刀具运动轨迹的初始误差补偿参数组合;
(3)对每个目标刀具运动轨迹进行奖励反馈数据计算,得到每个目标刀具运动轨迹的奖励反馈参数;
(4)基于奖励反馈参数对每个目标刀具运动轨迹的初始误差补偿参数组合进行参数组合更新,生成每个目标刀具运动轨迹的目标误差补偿参数组合;
(5)通过目标误差补偿参数组合对第一误差补偿策略进行策略优化,得到每个目标刀具运动轨迹的第二误差补偿策略。
具体的,控制五轴加工机器人根据预定的多个目标刀具运动轨迹对目标工件进行精确加工,并实时监控加工状态。通过深度强化学习算法对每个目标刀具运动轨迹的加工状态数据进行误差补偿分析。深度强化学习算法通过从大量的加工状态数据中学习,能够识别出导致加工误差的关键因素,并据此预测出有效的初始误差补偿参数组合。例如,在加工一个高精度齿轮时,算法可能会发现在特定的加工阶段,由于刀具磨损和材料弹性变形的影响,需要对刀具的进给速度和切削深度进行适当调整,以减少加工误差。然后,对每个目标刀具运动轨迹进行奖励反馈数据计算,以评价初始误差补偿参数组合的效果。通过定义合适的奖励函数激励算法向着减少加工误差的方向进行学习和优化。奖励反馈参数的计算,反映了不同误差补偿参数组合在实际加工过程中的表现,为参数组合的进一步优化提供了依据。基于奖励反馈参数,深度强化学习算法对初始误差补偿参数组合进行更新,生成更加优化的目标误差补偿参数组合,并据此对第一误差补偿策略进行策略优化,得到每个目标刀具运动轨迹的最终误差补偿策略。这一过程实现了加工过程中误差补偿策略的动态优化和自我调整,使得加工过程能够不断适应变化的加工条件和实际情况,进而提高加工精度和效率。例如,在加工一个具有复杂几何形状的模具时,通过不断优化的误差补偿策略,有效应对加工过程中遇到的材料去除率变化、工具磨损加速等问题,确保加工质量满足高标准的要求。
上面对本申请实施例中五轴加工机器人的刀具运动控制方法进行了描述,下面对本申请实施例中五轴加工机器人的刀具运动控制装置进行描述,请参阅图2,本申请实施例中五轴加工机器人的刀具运动控制装置一个实施例包括:
分析模块201,用于基于双四元数正向运动学解函数对五轴加工机器人进行运动学模型分析,得到初始运动学模型,并通过误差映射矩阵对初始运动学模型进行模型优化,得到目标运动学模型;
构建模块202,用于构建目标运动学模型的弹性变形误差模型,并采用加权正则化方法对弹性变形误差模型进行误差参数向量计算和误差补偿策略生成,得到第一误差补偿策略;
规划模块203,用于对目标工件进行三维模型重建和加工区域识别,得到加工特征区域,并通过目标运动学模型对加工特征区域进行刀具加工运动轨迹规划,得到多个初始刀具运动轨迹;
插补模块204,用于通过第一误差补偿策略分别对多个初始刀具运动轨迹进行刀具运动轨迹补偿,得到多个第一刀具运动轨迹,并基于有限脉冲响应滤波器对多个第一刀具运动轨迹进行轨迹插补,得到多个第二刀具运动轨迹;
调整模块205,用于基于B样条曲线算法分别对多个第二刀具运动轨迹进行轨迹平滑处理和控制点调整,得到多个目标刀具运动轨迹;
监控模块206,用于控制五轴加工机器人根据多个目标刀具运动轨迹对目标工件进行工件加工和加工状态监控,得到每个目标刀具运动轨迹的加工状态数据,并通过深度强化学习算法对每个目标刀具运动轨迹的加工状态数据进行误差补偿分析,得到每个目标刀具运动轨迹的第二误差补偿策略。
通过上述各个组成部分的协同合作,通过基于双四元数的正向运动学解析与误差映射矩阵的应用,能够精确地分析和优化机器人的运动学模型。这种优化能够减小机器人在执行复杂加工任务时的位置和姿态误差,从而显著提高加工精度。同时,弹性变形误差模型和加权正则化方法的使用进一步增强了对加工过程中可能发生的微小变形和误差的补偿能力,确保了加工过程的稳定性和重复性。通过三维模型重建和加工区域识别,能够精确地确定加工特征区域,并根据目标运动学模型进行高效的刀具加工运动轨迹规划。这不仅确保了加工质量,而且通过有限脉冲响应滤波器和B样条曲线算法对加工轨迹进行优化处理,有效减少了不必要的运动和加工时间,提高了整体加工效率。通过深度强化学习算法对加工状态数据进行分析,生成针对每个目标刀具运动轨迹的误差补偿策略。这种智能化的误差补偿不仅能够实时调整加工参数以应对各种突发情况,还能够根据加工过程中收集到的数据不断学习和优化,使机器人在长期运行中展现出更好的自适应性和加工性能,进而提高了五轴加工机器人的刀具运动控制准确率。
本申请还提供一种五轴加工机器人的刀具运动控制设备,所述五轴加工机器人的刀具运动控制设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述五轴加工机器人的刀具运动控制方法的步骤。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述五轴加工机器人的刀具运动控制方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以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,本申请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全部或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)执行本申请各个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(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (10)
1.一种五轴加工机器人的刀具运动控制方法,其特征在于,所述五轴加工机器人的刀具运动控制方法包括:
基于双四元数正向运动学解函数对所述五轴加工机器人进行运动学模型分析,得到初始运动学模型,并通过误差映射矩阵对所述初始运动学模型进行模型优化,得到目标运动学模型;
构建所述目标运动学模型的弹性变形误差模型,并采用加权正则化方法对所述弹性变形误差模型进行误差参数向量计算和误差补偿策略生成,得到第一误差补偿策略;
对目标工件进行三维模型重建和加工区域识别,得到加工特征区域,并通过所述目标运动学模型对所述加工特征区域进行刀具加工运动轨迹规划,得到多个初始刀具运动轨迹;
通过所述第一误差补偿策略分别对所述多个初始刀具运动轨迹进行刀具运动轨迹补偿,得到多个第一刀具运动轨迹,并基于有限脉冲响应滤波器对所述多个第一刀具运动轨迹进行轨迹插补,得到多个第二刀具运动轨迹;
基于B样条曲线算法分别对所述多个第二刀具运动轨迹进行轨迹平滑处理和控制点调整,得到多个目标刀具运动轨迹;
控制所述五轴加工机器人根据所述多个目标刀具运动轨迹对所述目标工件进行工件加工和加工状态监控,得到每个目标刀具运动轨迹的加工状态数据,并通过深度强化学习算法对每个目标刀具运动轨迹的加工状态数据进行误差补偿分析,得到每个目标刀具运动轨迹的第二误差补偿策略。
2.根据权利要求1所述的五轴加工机器人的刀具运动控制方法,其特征在于,所述基于双四元数正向运动学解函数对所述五轴加工机器人进行运动学模型分析,得到初始运动学模型,并通过误差映射矩阵对所述初始运动学模型进行模型优化,得到目标运动学模型,包括:
基于双四元数正向运动学解函数对所述五轴加工机器人进行初始位置和初始姿态分析,得到初始机器人位置和初始机器人姿态,其中,所述双四元数正向运动学解函数包括:,表示两个双四元数的复合结果,代表两个连续空间变换的累积效应,表示元数的乘法,·和×分别代表向量的点乘和又乘运算,表示旋转四元数,表示平移四元数,表示虚单位;
根据所述初始机器人位置和所述初始机器人姿态对所述五轴加工机器人进行运动学模型初始化,得到初始运动学模型;
对所述初始运动学模型进行正向运动学解析,得到理论机器人位置和理论机器人姿态;
获取所述五轴加工机器人的实际机器人位置和实际机器人姿态,并根据所述实际机器人位置、所述实际机器人姿态、所述理论机器人位置和所述理论机器人姿态构建误差映射矩阵;
通过所述双四元数正向运动学解函数对所述误差映射矩阵进行双四元数调整量计算,得到双四元数调整量数据;
根据所述双四元数调整量数据对所述初始运动学模型进行模型优化,得到目标运动学模型。
3.根据权利要求1所述的五轴加工机器人的刀具运动控制方法,其特征在于,所述构建所述目标运动学模型的弹性变形误差模型,并采用加权正则化方法对所述弹性变形误差模型进行误差参数向量计算和误差补偿策略生成,得到第一误差补偿策略,包括:
对所述目标运动学模型进行弹性变形误差分析,得到弹性变形误差模型;
通过所述弹性变形误差模型对所述目标运动学模型进行变形量分析,得到变形量数据;
采用加权正则化方法对所述变形量数据进行误差参数向量计算,得到误差参数向量,其中,误差参数向量计算为:,是误差参数向量,是权重矩阵,用于加权不同误差项的影响,是正则化参数,是单位矩阵,是变形量数据;
将所述误差参数向量输入预置的误差补偿模型,所述误差补偿模型包括多个决策树;
通过所述多个决策树分别对所述误差参数向量进行误差补偿策略决策,得到每个决策树的预测误差补偿策略;
对每个决策树的预测误差补偿策略进行加权投票分析,得到第一误差补偿策略。
4.根据权利要求1所述的五轴加工机器人的刀具运动控制方法,其特征在于,所述对目标工件进行三维模型重建和加工区域识别,得到加工特征区域,并通过所述目标运动学模型对所述加工特征区域进行刀具加工运动轨迹规划,得到多个初始刀具运动轨迹,包括:
通过预置的三维扫描仪对目标工件进行三维模型重建,得到工件三维模型;
对所述工件三维模型进行加工区域识别,得到加工特征区域,并对所述加工特征区域进行加工区域划分,得到多个目标特征区域;
对所述多个目标特征区域与所述五轴加工机器人的多个机器人末端执行器进行对应关系匹配,得到目标对应关系;
根据所述目标对应关系,并通过所述目标运动学模型对所述多个目标特征区域进行刀具加工运动轨迹规划,得到每个目标特征区域的初始刀具运动轨迹。
5.根据权利要求4所述的五轴加工机器人的刀具运动控制方法,其特征在于,所述通过所述第一误差补偿策略分别对所述多个初始刀具运动轨迹进行刀具运动轨迹补偿,得到多个第一刀具运动轨迹,并基于有限脉冲响应滤波器对所述多个第一刀具运动轨迹进行轨迹插补,得到多个第二刀具运动轨迹,包括:
通过所述第一误差补偿策略分别对所述多个初始刀具运动轨迹进行刀具运动轨迹补偿计算,得到每个初始刀具运动轨迹的轨迹调整量;
根据所述轨迹调整量对所述多个初始刀具运动轨迹进行刀具运动轨迹动态调整,得到多个第一刀具运动轨迹;
基于有限脉冲响应滤波器对所述多个第一刀具运动轨迹进行轨迹插补,得到多个第二刀具运动轨迹,所述有限脉冲响应滤波器包括:,是在时间的插补轨迹位置,是在时间对应于时间偏移的动态滤波器系数,是在时间的原始或补偿后的轨迹位置,是滤波器的半长度,表示在当前时间点前后考虑的点的数量,是时间间隔,表示轨迹采样的时间分辨率。
6.根据权利要求1所述的五轴加工机器人的刀具运动控制方法,其特征在于,所述基于B样条曲线算法分别对所述多个第二刀具运动轨迹进行轨迹平滑处理和控制点调整,得到多个目标刀具运动轨迹,包括:
基于B样条曲线算法分别对所述多个第二刀具运动轨迹进行样条曲线构建,得到每个第二刀具运动轨迹的B样条曲线;
通过B样条基函数对每个第二刀具运动轨迹的B样条曲线进行曲线控制点分析,得到每个B样条曲线的多个第一控制点,所述B样条基函数包括:,表示在参数处的B样条曲线上的点,表示曲线的参数化变量,表示控制点的索引,从0到,用于遍历所有控制点,表示最后一个控制点的索引,表示第个控制点的阶B样条基函数,表示基函数的阶数,表示第个控制点的位置,,表示第个控制点的阶B样条基函数,表示节点向量中的第个节点,表示节点向量中相对于的其他节点值;
通过控制点调整函数对每个B样条曲线的多个第一控制点进行控制点优化,得到每个B样条曲线的多个第二控制点,所述控制点调整函数为:,表示调整后的第个控制点的位置,表示原始的第个控制点的位置,表示第个控制点的位置调整量;
根据每个B样条曲线的多个第二控制点,对所述多个第二刀具运动轨迹进行轨迹平滑度优化,得到多个目标刀具运动轨迹,其中,轨迹平滑度优化函数为:,min表示优化目标,表示控制点的索引,分别表示第、个控制点的位置,表示范数操作符。
7.根据权利要求1所述的五轴加工机器人的刀具运动控制方法,其特征在于,所述控制所述五轴加工机器人根据所述多个目标刀具运动轨迹对所述目标工件进行工件加工和加工状态监控,得到每个目标刀具运动轨迹的加工状态数据,并通过深度强化学习算法对每个目标刀具运动轨迹的加工状态数据进行误差补偿分析,得到每个目标刀具运动轨迹的第二误差补偿策略,包括:
控制所述五轴加工机器人根据所述多个目标刀具运动轨迹对所述目标工件进行工件加工,并对所述多个目标刀具运动轨迹进行加工状态监控,得到每个目标刀具运动轨迹的加工状态数据;
通过深度强化学习算法对每个目标刀具运动轨迹的加工状态数据进行误差补偿分析,得到每个目标刀具运动轨迹的初始误差补偿参数组合;
对每个目标刀具运动轨迹进行奖励反馈数据计算,得到每个目标刀具运动轨迹的奖励反馈参数;
基于所述奖励反馈参数对每个目标刀具运动轨迹的初始误差补偿参数组合进行参数组合更新,生成每个目标刀具运动轨迹的目标误差补偿参数组合;
通过所述目标误差补偿参数组合对所述第一误差补偿策略进行策略优化,得到每个目标刀具运动轨迹的第二误差补偿策略。
8.一种五轴加工机器人的刀具运动控制装置,其特征在于,所述五轴加工机器人的刀具运动控制装置包括:
分析模块,用于基于双四元数正向运动学解函数对所述五轴加工机器人进行运动学模型分析,得到初始运动学模型,并通过误差映射矩阵对所述初始运动学模型进行模型优化,得到目标运动学模型;
构建模块,用于构建所述目标运动学模型的弹性变形误差模型,并采用加权正则化方法对所述弹性变形误差模型进行误差参数向量计算和误差补偿策略生成,得到第一误差补偿策略;
规划模块,用于对目标工件进行三维模型重建和加工区域识别,得到加工特征区域,并通过所述目标运动学模型对所述加工特征区域进行刀具加工运动轨迹规划,得到多个初始刀具运动轨迹;
插补模块,用于通过所述第一误差补偿策略分别对所述多个初始刀具运动轨迹进行刀具运动轨迹补偿,得到多个第一刀具运动轨迹,并基于有限脉冲响应滤波器对所述多个第一刀具运动轨迹进行轨迹插补,得到多个第二刀具运动轨迹;
调整模块,用于基于B样条曲线算法分别对所述多个第二刀具运动轨迹进行轨迹平滑处理和控制点调整,得到多个目标刀具运动轨迹;
监控模块,用于控制所述五轴加工机器人根据所述多个目标刀具运动轨迹对所述目标工件进行工件加工和加工状态监控,得到每个目标刀具运动轨迹的加工状态数据,并通过深度强化学习算法对每个目标刀具运动轨迹的加工状态数据进行误差补偿分析,得到每个目标刀具运动轨迹的第二误差补偿策略。
9.一种五轴加工机器人的刀具运动控制设备,其特征在于,所述五轴加工机器人的刀具运动控制设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述五轴加工机器人的刀具运动控制设备执行如权利要求1-7中任一项所述的五轴加工机器人的刀具运动控制方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的五轴加工机器人的刀具运动控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410291785.6A CN118238156B (zh) | 2024-03-14 | 五轴加工机器人的刀具运动控制方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410291785.6A CN118238156B (zh) | 2024-03-14 | 五轴加工机器人的刀具运动控制方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118238156A CN118238156A (zh) | 2024-06-25 |
CN118238156B true CN118238156B (zh) | 2024-07-16 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503373A (zh) * | 2016-11-04 | 2017-03-15 | 湘潭大学 | 一种基于b样条曲线的双机器人协调装配的轨迹规划方法 |
CN111230864A (zh) * | 2020-01-15 | 2020-06-05 | 清华大学 | 一种五轴并联加工机器人的刀具路径规划方法 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503373A (zh) * | 2016-11-04 | 2017-03-15 | 湘潭大学 | 一种基于b样条曲线的双机器人协调装配的轨迹规划方法 |
CN111230864A (zh) * | 2020-01-15 | 2020-06-05 | 清华大学 | 一种五轴并联加工机器人的刀具路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108908327B (zh) | 一种机器人定位误差分级补偿方法 | |
US20100204828A1 (en) | Movement path generation device for robot | |
EP3424650B1 (en) | A method and apparatus for performing control of a movement of a robot arm | |
CN109274314A (zh) | 机器学习装置、伺服电动机控制装置、伺服电动机控制系统以及机器学习方法 | |
Ogbemhe et al. | Towards achieving a fully intelligent robotic arc welding: a review | |
CN111890350A (zh) | 机器人及其控制方法、计算机可读存储介质 | |
CN111983926B (zh) | 一种最大协熵扩展椭球集员滤波方法 | |
CN111752151A (zh) | 一种工业叶片磨抛加工自适应力跟踪与补偿方法及系统 | |
US11263373B2 (en) | Predictive machining for forging distortions | |
Balakrishna et al. | On-policy robot imitation learning from a converging supervisor | |
Feng et al. | A novel feature-guided trajectory generation method based on point cloud for robotic grinding of freeform welds | |
Wegener et al. | Dawn of new machining concepts:: Compensated, intelligent, bioinspired | |
CN111283683B (zh) | 一种机器人视觉特征规划轨迹的伺服跟踪加速收敛方法 | |
CN111673733A (zh) | 未知环境下机器人的智能自适应柔顺控制方法 | |
CN113910218A (zh) | 基于运动学与深度神经网络融合的机器人标定方法和装置 | |
CN113910001B (zh) | 一种数控机床空间误差辨识方法 | |
Dong et al. | Friction modeling and compensation for haptic master manipulator based on deep Gaussian process | |
CN118238156B (zh) | 五轴加工机器人的刀具运动控制方法及相关装置 | |
Song et al. | An efficient calibration method for serial industrial robots based on kinematics decomposition and equivalent systems | |
massoud Farahmand et al. | Model-based and model-free reinforcement learning for visual servoing | |
Djurdjanovic et al. | Process and operations control in modern manufacturing | |
Mekhnacha et al. | The design and implementation of a bayesian CAD modeler for robotic applications | |
CN118238156A (zh) | 五轴加工机器人的刀具运动控制方法及相关装置 | |
CN116551686A (zh) | 一种关节型工业机器人动力学参数辨识方法 | |
CN114193458B (zh) | 一种基于高斯过程在线学习的机器人控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |