一种机器人恒力磨削优化方法、系统、设备和介质

1.本发明涉及一种机器人恒力磨削优化方法、系统、设备和介质，尤其涉及一种基于深度学习的机器人恒力磨削优化方法、系统、设备和介质，属于复合材料加工领域。


背景技术：

2.针对小批量、复杂型面的复合材料加工工况，打磨作为最后一道工序，对成形体的表面性能有很大影响，打磨时如果出现错误，往往会造成整个工件的浪费。为了确定打磨参数，需要经验丰富的工程师，并进行大量实验进行数据拟合才能确定。为了能提高打磨表面质量，并且降低实验成本，需要通过一种高效的方法找到最优的打磨参数，确定工艺优化方案。
3.区别于普通打磨，使用机器人控制末端对复合材料进行打磨时，机器人控制的恒力打磨，打磨头为砂纸吸附的恒力末端，打磨工件为复杂型面的复合材料，影响打磨表面粗糙度和打磨均匀性的打磨参数主要取决于磨削速度、进给速度、打磨时施加的恒力和打磨轨迹间距。同时，由于打磨时机器人控制末端使用恒力气动打磨头，将砂纸吸附在末端旋转部件上，使用砂纸代替砂轮进行打磨，针对不同被打磨体的材料和表面形状，很难给出确切的目标函数，众多打磨参数需要大量实验和数学公式拟合确定，这无疑浪费了时间，在面对小批量生产时又加大了生产成本。


技术实现要素：

4.针对上述问题，本发明的目的是提供一种机器人恒力磨削优化方法、系统、设备和介质，针对复合材料机器人恒力打磨的优化模型，确定了优化目标函数和约束条件，并采用深度学习神经网络的方法，避免了数据拟合或遗传算法需要计算确切参数的问题，直接构建磨削参数和表面加工质量之间的关系网络，为小批量，难加工工件的打磨提供了一种科学有效的方法，可以实现高效，低成本的机器人恒力打磨。
5.为实现上述目的，本发明采取以下技术方案：
6.第一方面，本发明提供一种机器人恒力磨削优化方法，其包括以下步骤：
7.建立机器人恒力磨削优化模型并确定其约束条件；
8.基于确定的机器人恒力磨削优化模型，建立基于变历史影响因子的bp神经网络；
9.将待测工况下的磨削参数输入训练好的bp神经网络，得到该磨削参数对应的复合材料工件的表面加工质量预测结果。
10.进一步，所述建立机器人恒力磨削优化模型并确定其约束条件的方法，包括：
11.对机器人恒力打磨复合材料工件的特点进行分析，确定影响复合材料工件成型后表面粗糙度和打磨均匀性的影响因素，所述影响因素包括进给速度vf、磨削速度vs、恒定压力f、打磨轨迹间距d；
12.根据确定的各影响因素，建立以表面粗糙度和打磨均匀性为目标的优化函数；
13.确定目标优化函数的约束条件，其包括工况变量约束和砂纸耐用度约束。
14.进一步，所述表面粗糙度计算公式为：
[0015][0016]
其中，ra为表面粗糙度；k为比例系数；b、c、u为系数；vf为进给速度；vs为磨削速度；k
p
为preston常数；l
′
为打磨头与前一条打磨轨迹之间的相贯线；f为恒定压力；s
′
为两条轨迹重叠部分；
[0017]
所述打磨均匀性计算公式为：
[0018][0019]
其中，r为打磨头半径；s＝2
·
π
·
r为打磨头底面积；l
min
为打磨头前进过程中与被打磨体之间的最短相贯线；s
max
为有重叠区域时打磨头前进过程中与被打磨体之间最大的接触面积；h
max
和h
min
为打磨轨迹中最高点和最低点。
[0020]
进一步，所述基于确定的机器人恒力磨削优化模型，建立基于变历史影响因子的bp神经网络的方法，包括：
[0021]
确定bp神经网络结构；
[0022]
确定激活函数、优化器和损失函数；
[0023]
通过正交实验法获取磨削参数和加工目标之间的实验数据，将预设比例的数据作为训练集，将剩余数据作为测试集，并对所有数据进行归一化；
[0024]
基于得到的归一化后的训练集和测试集，以确定的激活函数、优化器和损失函数对建立的bp神经网络进行训练，直到训练达到误差要求，得到训练好的bp神经网络。
[0025]
进一步，所述bp神经网络包括输入层、隐藏层和输出层，所述输入层以进给速度vf、磨削速度vs、恒定压力f和打磨轨迹间距d为输入向量；所述输出层以表面粗糙度ra和打磨均匀性re为输出向量；所述隐藏层为单隐藏层，且节点数设置为预设值。
[0026]
进一步，所述bp神经网络的各层的激活函数均采用relu激活函数；所述损失函数采用均方误差函数，所述优化器采用nadam优化器，且计算公式为：
[0027][0028]v(t)
＝β
1v(t-1)
+(1-β1)δw
(t)i
[0029]s(t)
＝β2s
(t-1)
+(1-β2)δw
(t)i
·
δw
(t)i
[0030]
式中，w
(t)i
为t时刻的权重值；w
(t-1)i
为t-1时刻的权重值；δw
(t)i
为权重每次迭代的变化量；v
(t)
为t时刻的δw
(t)
之和；v
(t-1)
为t-1时刻的δw
(t)
之和；β1和β2为历史影响因子系数；η为学习率；s
(t)
为累积平方梯度；s
(t-1)
为上一时刻的累积平方梯度；ε为常数；γ为系数；n
(t+1)
为下一时刻的权重值；t表示时刻。
[0031]
进一步，所述历史影响因子系数β1采用以下方法确定：
[0032]
首先，在梯度下降过程中检测梯度下降变化率g，其计算公式为：
[0033][0034]
其次，设定当梯度下降变化率满足预设条件时为梯度平缓状态，并记录连续梯度平缓状态的步数g
t
；
[0035]
最后，根据记录的连续梯度平缓步数g
t
设定β1参数，其中，g
t
和β1之间的关系由指数加权移动平均法的临界值1/e确定。
[0036]
第二方面，本发明提供一种机器人恒力磨削优化系统，其包括：
[0037]
优化模型建立模块，用于建立机器人恒力磨削优化模型并确定其约束条件；
[0038]
神经网络模块，用于基于确定的机器人恒力磨削优化模型，建立基于变历史影响因子的bp神经网络；
[0039]
预测模块，用于将待测工况下的磨削参数输入训练好的bp神经网络，得到该磨削参数对应的复合材料工件的表面加工质量预测结果。
[0040]
第三方面，本发明提供一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时执行以实现所述机器人恒力磨削优化方法的步骤。
[0041]
第四方面，本发明提供一种计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现所述机器人恒力磨削优化方法的步骤。
[0042]
本发明由于采取以上技术方案，其具有以下优点：
[0043]
1、针对机器人恒力打磨，且打磨工件为复杂型面的复合材料的情况推导了优化模型，并分析了影响打磨表面粗糙度和打磨均匀性的打磨参数主要取决于磨削速度、进给速度、打磨时施加的恒力和打磨轨迹间距；
[0044]
2、提出了基于指数加权移动平均法的变历史影响因子的优化梯度下降法，使下降速度更快，并有效减小了梯度震荡问题。
[0045]
因此，本发明可以广泛应用于复合材料加工领域。
附图说明
[0046]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
[0047]
图1是本发明实施例提供的机器人恒力打磨优化方法流程图；
[0048]
图2是本发明实施例提供的两条打磨轨迹之间的切面积计算示意图；
[0049]
图3是本发明实施例提供的机器人打磨轨迹示意图；
[0050]
图4是本发明实施例提供的打磨均匀性示意图。
具体实施方式
[0051]
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的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
[0052]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0053]
本发明对机器人恒力打磨和普通手工打磨进行分析后可知，二者的主要区别在于：
[0054]
1、使用机器人控制刀路轨迹进行打磨，打磨轨迹预先设定；
[0055]
2、打磨由夹持在机器人末端的打磨头进行，打磨头设定恒定压力而不是固定磨削深度，磨削深度由恒定压力、在单位面积上的停留时间确定；
[0056]
3、打磨头通过砂纸打磨，而不是砂轮。
[0057]
也即，机器人恒力打磨相对于普通手工打磨，可以精确控制打磨轨迹，打磨效率。然而，机器人打磨过程中难以进行动态调整，需要提前设定好磨削参数，否则会造成打磨不均匀，磨削深度不达标，表面粗糙度不合格的问题，需要人工进行调整，极大的增加了成本和时间。
[0058]
基于以上分析，本发明的一些实施例中公开了一种机器人恒力磨削优化方法，首先，基于以往对于手工打磨的研究基础，结合机器人恒力打磨复合材料的特点，建立表面粗糙度和打磨均匀性的优化模型，以表面粗糙度和打磨均匀性为目标函数，同时确定工况变量约束和砂纸耐用度约束条件；然后基于bp神经网络对多目标问题进行优化，从而获得最优的机器人恒力磨削工艺参数和磨削加工质量。
[0059]
与之相对应地，本发明的另一些实施例中提供一种机器人恒力磨削优化系统、设备和介质。
[0060]
实施例1
[0061]
如图1所示，本实施例提供一种机器人恒力磨削优化方法，包括以下步骤：
[0062]
1)建立模型：建立机器人恒力磨削优化模型并确定其约束条件，其中，该优化模型以进给速度vf、磨削速度vs、恒定压力f、打磨轨迹间距d为磨削参数变量，以表面粗糙度和打磨均匀性为目标函数，以工况变量约束和砂纸耐用度约束作为约束条件。
[0063]
具体地，包括以下步骤：
[0064]
1.1)对机器人恒力打磨复合材料工件的特点进行分析，确定影响复合材料工件成型后表面粗糙度和打磨均匀性的影响因素。
[0065]
其中，本发明中确定的影像复合材料工件成型后表面粗糙度和打磨均匀性的影像因素包括进给速度vf、磨削速度vs、恒定压力f、打磨轨迹间距d。
[0066]
1.2)根据确定的各影响因素，建立以表面粗糙度和打磨均匀性为目标的优化函数。
[0067]
其中，建立的机器人恒力打磨理想表面粗糙度公式为：
[0068][0069]
其中，ra为表面粗糙度；k为比例系数；b、c、u为系数；vf为进给速度；vs为磨削速度；k
p
为preston常数；l
′
为打磨头与前一条打磨轨迹之间的相贯线；f为恒定压力；s
′
为两条轨迹重叠部分，即打磨头和前一条轨迹之间的切面积。
[0070]
如图2所示，s
′
的计算公式为：
[0071][0072]
其中，d为打磨头与接触面未重叠部分的横向长度；r为打磨头半径；x为积分变量。
[0073]
建立的机器人恒力打磨均匀性模型，即打磨轨迹中最低点和最高点之间打磨误差re的公式为：
[0074][0075][0076][0077]
由式(3)，(4)，(5)可得：
[0078][0079]
其中，r为打磨头半径；s＝2
·
π
·
r为打磨头底面积；l
min
为打磨头前进过程中与被打磨体之间的最短相贯线；s
max
为有重叠区域时打磨头前进过程中与被打磨体之间最大的接触面积；h
max
和h
min
为打磨轨迹中最高点和最低点。其中，l
min
和s
max
由打磨头恒定压力f、磨削速度vs、进给速度vf影响。
[0080]
1.3)确定目标优化函数的约束条件，其包括工况变量约束和砂纸耐用度约束。
[0081]
具体地，工况变量约束是指在打磨过程中，磨削速度、进给速度和打磨压力不能超过机器人和末端执行器的限定值，也即：
[0082]
磨削速度vs：转速为4500r/min-10000r/min，应保证2
·
π
·r·nmin
≤vs≤2
·
π
·r·nmax
，即
[0083]
282.6m/s≤vs≤628m/s
ꢀꢀꢀ
(7)
[0084]
其中，n
min
为打磨头最小转速，n
max
为打磨头最大转速。
[0085]
进给速度vf由机器人限定，即
[0086]
0mm/s＜vf≤5mm/s
ꢀꢀꢀ
(8)
[0087]
打磨压力f由末端执行器限定，即
[0088]
0n＜f≤45n
ꢀꢀꢀ
(9)
[0089]
通常情况下，砂纸耐用度由实验测得，即在打磨长度为ls，砂纸达到最大耐用度es，则要求打磨去除量e≤es。其中，es的计算公式为：
[0090][0091]
其中，p为单位面积压力。
[0092]
2)网络训练：基于确定的机器人恒力磨削优化模型，建立基于变历史影响因子的bp神经网络，该bp神经网络以进给速度vf、磨削速度vs、恒定压力f和打磨轨迹间距d作为输入向量，以表面粗糙度和打磨均匀性作为输出向量。
[0093]
根据上述目标函数及约束条件确定的磨削参数和加工目标之间的关系，确定影响
加工目标的磨削参数有进给速度vf、磨削速度vs、恒定压力f和打磨轨迹间距d。介于本发明针对的机器人恒力打磨工况，在打磨过程中的工况变量为进给速度vf、磨削速度vs、恒定压力f和打磨轨迹间距d，在优化模型中，由于很多参数如：l
min
和s
max
，k，k
p
等难以计算，所以本实施例选择采用bp神经网络的方法，跳过中间参数的影响，直接构建输入量和输出量之间的关系模型，并通过约束条件剔除不符合要求的预测值。
[0094]
具体地，包括以下步骤：
[0095]
2.1)确定bp神经网络结构。
[0096]
本实施例中构建的bp神经网络包括输入层、隐藏层和输出层，其中输入层以进给速度vf、磨削速度vs、恒定压力f和打磨轨迹间距d为输入向量，也即包括4个神经节点(x1，x2，x3，x4)
t
，其中x1为进给速度vf，x2为磨削速度vs，x3为恒定压力f，x4为打磨轨迹间距d；输出层以表面粗糙度ra和打磨均匀性re为输出向量，也即包括两个神经节点(o1，o2)
t
，其中o1为表面粗糙度ra，o2为打磨均匀性re；隐藏层为单隐藏层，节点数设置为8。
[0097]
2.2)确定激活函数、优化器和损失函数
[0098]
其中，激活函数用于对输入bp神经网络的数据进行计算，得到相应输出；损失函数是神经网络优化的目标函数，神经网络训练或者优化的过程就是最小化损失函数的过程，也即损失函数值小了，对应预测的结果和真实结果的值就越接近；优化器用来更新和计算影响模型训练和模型输出的网络参数。
[0099]
本实施例中，各层的激活函数均采用relu激活函数：
[0100]
f(x)＝max(0，x)
ꢀꢀꢀ
(11)
[0101]
优化器选取nadam优化器：
[0102][0103]v(t)
＝β
1v(t-1)
+(1-β1)δw
(t)i
ꢀꢀꢀ
(13)
[0104]s(t)
＝β2s
(t-1)
+(1-β2)δw
(t)i
·
δw
(t)i
ꢀꢀꢀ
(14)
[0105]
且：
[0106][0107]
其中，w
(t)i
为t时刻的权重值；w
(t-1)i
为t-1时刻的权重值；δw
(t)i
为权重每次迭代的变化量，在训练过程中偏执的优化方法同权重；v
(t)
为t时刻的δw
(t)
之和；v
(t-1)
为t-1时刻的δw
(t)
之和；β1和β2为历史影响因子系数，一般由人为设定；η为学习率；s
(t)
为累积平方梯度；s
(t-1)
为上一时刻的累积平方梯度；ε为任意一无穷小的值，为了防止分母为0；γ为系数，通常由人为设定；n
(t+1)
为下一时刻的权重值；t表示时刻。
[0108]
β1和β2参数一般由经验习惯设定，通常设置β1＝0.9，β2＝0.99，但是这样会导致梯度下降过程中末端震荡和收敛震荡等问题，本发明提出了一种新的参数设置方法，通过动态调整β1，可以减少梯度震荡问题，加快收敛速度，具体方法为：
[0109]
首先，在梯度下降过程中检测梯度下降变化率g，其计算公式为：
[0110][0111]
其次，设定当梯度下降变化率-1＜g＜1时为梯度平缓状态，记录连续梯度平缓状
态的步数g
t
，也即连续-1＜g＜1的次数；
[0112]
然后，根据连续梯度平缓步数g
t
设定β1参数，具体设定数值如下表1所示，其中，g
t
和β1之间的关系由指数加权移动平均法的临界值1/e(e为数学常数)确定，即当时，即认定平缓步数内的数据对后续数据为正影响。
[0113]
表1连续梯度平缓步数g
t
和β1参数关系
[0114][0115]
该bp神经网络的损失函数采用均方误差函数，损失值loss的公式为：
[0116][0117]
其中，loss和yk为预测值，为真实值，n为数据数量。
[0118]
2.3)通过正交实验法获取磨削参数和加工目标之间的实验数据，将80％的数据作为训练集，将20％的数据作为测试集，并对所有数据进行归一化。
[0119]
数据归一化的目的在于在神经网络训练前减小数据的方差，防止在收敛过程中产生梯度震荡现象，提高训练准确性。列向量归一化处理和行向量归一化处理方法相同，均采用峰值法：
[0120][0121]
其中，为归一后的数值，xi为归一前的数值，x
min
为此类数据的最小值，x
max
为此类数据的最大值。
[0122]
2.4)基于得到的归一化后的训练集和测试集，以确定的激活函数、优化器和损失函数对建立的bp神经网络进行训练，直到训练达到误差要求，得到训练好的bp神经网络。
[0123]
其中，采用激活函数、优化器和损失函数对建立的bp神经网络进行训练的方法为本领域技术人员公知技术，本发明在此不再赘述。
[0124]
3)数据预测：将待测工况下的磨削参数输入训练好的bp神经网络，得到该磨削参数对应的复合材料工件的表面加工质量预测结果。
[0125]
如图3和图4所示，图3为打磨头在平面打磨时的轨迹示意，打磨路径如图中箭头所指。图4为恒力打磨后的表面形状仿真示意，其中y轴方向为打磨轨迹方向，延z轴越深说明打磨深度越深。
[0126]
实施例2
[0127]
上述实施例1提供了一种机器人恒力磨削优化方法，与之相对应地，本实施例提供
一种机器人恒力磨削优化系统。本实施例提供的系统可以实施实施例1的一种机器人恒力磨削优化方法，该系统可以通过软件、硬件或软硬结合的方式来实现。例如，该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的系统基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例1的部分说明即可，本实施例提供的系统的实施例仅仅是示意性的。
[0128]
本实施例提供的一种机器人恒力磨削优化系统，包括：
[0129]
优化模型建立模块，用于建立机器人恒力磨削优化模型并确定其约束条件，其中，该优化模型以进给速度vf、磨削速度vs、恒定压力f、打磨轨迹间距d为磨削参数变量，以表面粗糙度和打磨均匀性为目标函数，以工况变量参数和砂纸耐用度作为约束条件
[0130]
神经网络模块，用于基于确定的机器人恒力磨削优化模型，建立基于变历史影响因子的bp神经网络，该bp神经网络以进给速度、磨削速度、恒定压力、打磨轨迹间作为输入向量，以表面粗糙度和打磨均匀性作为输出向量；
[0131]
预测模块，用于将待测工况下的磨削参数输入训练好的bp神经网络，得到该磨削参数对应的复合材料工件的表面加工质量预测结果。
[0132]
实施例3
[0133]
本实施例提供一种与本实施例1所提供的一种机器人恒力磨削优化方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
[0134]
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例1所提供的一种机器人恒力磨削优化方法。
[0135]
在一些实施例中，存储器可以是高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0136]
在另一些实施例中，处理器可以为中央处理器(cpu)、数字信号处理器(dsp)等各种类型通用处理器，在此不做限定。
[0137]
实施例4
[0138]
本实施例1的一种机器人恒力磨削优化方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的一种机器人恒力磨削优化方法的计算机可读程序指令。
[0139]
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
[0140]
需要说明的是，附图中的流程图和框图显示了根据本技术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。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。
[0141]
最后应当说明的是：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
管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
[0142]
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。