一种机器人搅拌摩擦焊压力控制方法与流程

本发明涉及机械数控加工技术领域，尤其涉及一种机器人搅拌摩擦焊压力控制方法。

背景技术：

机器人搅拌摩擦焊主轴主要由旋转摩擦焊接主轴和z向调节轴构成。焊接过程中，电机驱动旋转摩擦焊接主轴进行高速旋转，搅拌针受到顶锻力、前进抗力及侧向阻力共同作用。为了使焊接顺利进行并且保证稳定的焊缝质量，需要对焊接过程中的压力进行精确控制。不同板厚的工件焊接时需要的压力也不相同，因此伺服电机系统的压力控制极为重要。

目前关于搅拌摩擦焊压力控制的解决方法是通过pid(比例-proportion，积分-integral，微分-differential)控制器控制焊接压力，这种方法在外界干扰难以实现快速响应的恒压力控制问题，从而引发飞边过多、试件过热等问题，严重时可能使搅拌针与工件背部的垫板碰撞，损坏搅拌针。另外，控制系统发出指令与执行系统实际运动之间存在较大时滞，而pid控制器对大时滞系统控制效果不佳。

技术实现要素：

针对现有技术中存在的上述问题，现提供一种旨在通过pid算法和cmac(cerebellarmodelarticulationcontroller，小脑模型神经网络)函数结合计算实际压力，并且使实际压力接近与cmac函数得到的第二压力，从而使压力控制更为精确和稳定的机器人搅拌摩擦焊压力控制方法。

具体技术方案如下：

一种机器人搅拌摩擦焊压力控制方法，其中，应用于控制系统中，控制系统实时监控焊接过程中的实际压力；

机器人搅拌摩擦焊压力控制方法包括以下步骤：

步骤s1，设定预设压力；

步骤s2，将预设压力和实际压力依照第一算法进行计算，以得到第一压力；

步骤s3，将第一压力和预设压力依照第二算法进行计算，以得到第二压力；

步骤s4，将第一压力和第二压力进行求和，以得到实际压力，返回步骤s2，直到实际压力接近第二压力。

优选的，机器人搅拌摩擦焊压力控制方法，其中，步骤s2中第一算法为pid算法；

步骤s2具体包括：

步骤s21，将预设压力和实际压力进行求差，以得到压力偏差；

步骤s22，将压力偏差依照pid算法进行计算，以得到第一压力。

优选的，机器人搅拌摩擦焊压力控制方法，其中，步骤s3中的第二算法为cmac函数；在步骤s3之前具体包括：

步骤a1，对cmac函数进行量化，以得到cmac函数的概念映射；

步骤a2，根据概念映射得到cmac函数的实际映射。

优选的，机器人搅拌摩擦焊压力控制方法，其中，

概念映射通过以下公式获得：

实际映射根据概念映射获得以下公式：

其中，

ai用于表示联想向量；

si用于表示输入向量；

vi用于表示所述概念映射输入至所述实际映射中；

c用于表示泛化参数；

n用于表示量化个数。

优选的，机器人搅拌摩擦焊压力控制方法，其中，实际映射的参数为二进制选择参数，用于对权值进行选择。

优选的，机器人搅拌摩擦焊压力控制方法，其中，cmac函数根据以下公式获得：

其中，uc用于表示第二压力；

k用于表示时间；

wi用于表示权值。

优选的，机器人搅拌摩擦焊压力控制方法，其中，权值根据以下公式进行获取：

w(k)＝w(k-1)+δw(k)+α(w(k)-w(k-1))；

其中，η用于表示网络学习率；

α用于表示惯性量。

上述技术方案具有如下优点或有益效果：通过pid算法和cmac函数结合计算实际压力，并且使实际压力接近与cmac函数得到的第二压力，从而使压力控制更为精确和稳定。

附图说明

参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。

图1为本发明机器人搅拌摩擦焊压力控制方法实施例的流程图；

图2为本发明机器人搅拌摩擦焊压力控制方法实施例的步骤s2的流程图；

图3为本发明机器人搅拌摩擦焊压力控制方法实施例的实际映射的流程图。

具体实施方式

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，所描述的实施例仅仅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作出创造性劳动的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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明提供一种机器人搅拌摩擦焊压力控制方法，应用于控制系统中，控制系统实时监控焊接过程中的实际压力；

如图1所示，机器人搅拌摩擦焊压力控制方法包括以下步骤：

步骤s1，设定一预设压力；

步骤s2，将预设压力和实际压力依照第一算法进行计算，以得到第一压力；

步骤s3，将第一压力和预设压力依照第二算法进行计算，以得到第二压力；

步骤s4，将第一压力和第二压力进行求和，以得到实际压力，返回步骤s2，直到实际压力接近第二压力。

进一步地，作为优选的实施方式，通过pid算法和cmac函数结合计算实际压力，并且使实际压力接近与小脑模型神经网络函数得到的第二压力，接着控制系统将第二压力作为控制系统的电机的控制电压，从而驱动z向调节轴电机动作，进而控制系统的顶锻力逐渐逼近理想值，即使压力控制更为精确和稳定。

进一步地，作为优选的实施方式，实际压力接近第二压力时，即第一压力趋近于零，第二压力趋近于实际压力，最终使得系统控制信号完全来自于cmac函数的输出从而提高压力控制的精确性和稳定性。

进一步地，在上述实施例中，步骤s2中第一算法为pid算法；

如图2所示，步骤s2具体包括：

步骤s21，将预设压力和实际压力进行求差，以得到压力偏差；

步骤s22，将压力偏差依照pid算法进行计算，以得到第一压力。

进一步地，作为优选的实施方式，通过下述公式计算得到压力偏差：

e＝ua-u；(1)

其中，e用于表示压力偏差；

ua用于表示预设压力；

u用于表示实际压力。

进一步地，在上述实施例中，步骤s3中的第二算法为cmac函数；在步骤s3之前具体包括实现cmac函数的实际映射的步骤，如图3所示：

步骤a1，对cmac函数进行量化，以得到cmac函数的概念映射；

步骤a2，根据概念映射得到cmac函数的实际映射。

进一步地，作为优选的实施方式，cmac结构是一种表达复杂非线性函数的表格查询型自适应神经网络。cmac结构包括：输入层(s,sensory)、中间层(a,association)和输出层(p,reponse)，

cmac结构的映射关系为：

f:s→a；(2)

g:a→p；(3)

其中，

公式(2)中的s→a的映射原则为：在输入层s邻近的两个输入n维向量，在中间层a中会激励部分重叠单元，距离越近，重叠越多，即局部泛化。

公式(3)中的a→p的映射原则为：中间层a通过杂散编码(hash-coding)技术，将被激励单元与权值向量w相乘，产生输出向量p。

进一步地，在上述实施例中，实现cmac的概念映射首先在输入空间(输入空间是指预设压力的范围)[smin,smax]上分出n+2c个量化间隔，从而对输入(即预设压力)进行选择，即概念映射通过以下公式获得：

实际映射根据概念映射获得以下公式：

其中，

ai用于表示联想向量；

si用于表示输入向量；

vi用于表示概念映射输入至实际映射中；

c用于表示泛化参数；

n用于表示量化个数。

进一步地，在上述实施例中，实际映射的参数为二进制选择参数，用于对权值进行选择。

进一步地，在上述实施例中，cmac函数根据以下公式获得：

其中，uc用于表示第二压力；

k用于表示时间；

wi用于表示权值。

在上述所述实施例中，cmac实际映射的二进制选择参数，用于对权值进行选择，然后累加输出，通过下述公式得到实际压力：

u(k)＝uc(k)+up(k)；(7)

其中，up用于表示第一压力；

进而通过上述公式(8)可以得到下述公式：

目的是使up(第一电压)逐渐趋近于零，从而使uc(第二电压)趋近于总控制量(即本实施例中的实际电压)，最终使得系统控制电压(即实际电压)完全来自于cmac的输出。

进一步地，在上述实施例中，权值根据以下公式进行获取：

w(k)＝w(k-1)+δw(k)+α(w(k)-w(k-1))；(10)

其中，η用于表示网络学习率；

α用于表示惯性量。

综上，当开始进行工作时，此时通过上述公式(1)得到的压力偏差为正数，此时，通过pid算法计算得到的第一压力为正数，而通过cmac函数计算得到第二压力为零，即此时的实际电压为正数；随着方法的循环进行，通过pid算法计算得到的第一压力逐渐为零，而通过cmac函数计算得到第二压力逐渐逼近实际电压，此时电机驱动z向调节轴电机动作，使实际压力逐渐逼近预设压力。即通过cmac+pid复合控制，就可以使机器人搅拌摩擦焊实时产生所需的负载力，从而产生相对应的顶锻压力，从而实现压力的协调加载控制，完成稳定高质量的焊接。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。