基于残差卷积网和支持向量机的机器人铣削颤振辨识研究

发布时间：2020-10-01 18:04

　　采用机器人铣削,不仅可以降低铣削加工成本,还可以提高制造自动化水平。但是,与传统机床相比,机器人刚性较弱,容易发生振动问题,且刀具端动态特性存在位姿依赖性,采用传统的以加工系统参数为模型输入的解析法,辨识机器人铣削颤振,难度大且精度有限。通过构建不同机器人铣削颤振状态下的振动数据集,基于机器学习算法,可以建立以直接的物理振动信号为输入的颤振辨识模型,从而准确辨识机器人铣削颤振。基于解析法,建立机器人刀具端动力学方程,通过时域法求解动力学方程,并预测稳定性叶瓣图,据此设计实际平面铣削实验,采集振动信号和工件表面振纹,建立了机器人不同铣削颤振状态下的振动数据样本集。通过观察表面振纹,结合频域和时频域方法,分析了机器人铣削振动信号中的时变颤振成分,并将机器人铣削颤振分为:稳定、过渡、规则颤振和无规则颤振,共四类状态。将机器人铣削振动信号转换为相应的时频谱图,推导建立深度残差卷积神经网络模型,将时频谱图当作图像进行分类。通过使用输入归一化和提升小波分解尺度,提升了模型的分类精度和收敛速度,采用VMD算法对振动信号进行预处理,使模型平均辨识精度进一步提升,达到95.28%。同时,使用Python语言和Qt软件,编写了基于深度颤振辨识算法的可视化软件模块,实现了离线状态下,对所选机器人铣削颤振时频谱图的状态辨识。为了实现机器人铣削颤振在线辨识,基于VMD对机器人铣削振动信号进行分解,得到一定数量的颤振频带,计算不同颤振频带的信息熵作为机器人的铣削颤振特征,使用SVM算法对提取到的铣削颤振特征进行分类,从而建立了VMD-SVM在线辨识算法。同时,提出了kMap算法,在避免计算全局解的前提下,分三个阶段对VMD-SVM模型的三个超参数进行优化,与传统计算方法,kMap可以快速的计算得到与全局最优解相差不大的全局次优解,最后实现的平均辨识精度为92.43%。搭建了机器人铣削振动采集硬件模块,布置振动传感器,对机器人铣削过程中的主轴端振动信号进行在线监测和采集,使用C#语言,编写了基于VMD-SVM算法的机器人铣削颤振在线监测与辨识软件模块,同时,设计实际切削实验,使用所编软件,对机器人铣削过程中的振动信号进行在线监测和辨识,通过分析铣削振动信号的FFT频谱图和工件表面信息,验证了软件的监测和辨识效果。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TG547;TP242;TP18
【部分图文】：

机器人装配

学位论文的研究受到以下课题支持：江苏省重点研发计划“船用螺旋桨削关键技术研发与应用”（BE2015005-3）；江苏省基础研究计划（自然面上研究项目“螺旋桨叶片机器人铣削加工动力学特性研究及工艺K20161473)；国家杰出青年科学基金“数控加工技术与装备”（51625502题研究背景及意义如今，机器人作为人类劳动力的最直接替代物，其研究已经成为社会发。德国工业 4.0、欧盟 COMET 计划以及中国制造 2025，都将机器人作容，2015 年，国家自然科学基金委成立重大研究计划“共融机器人基础术”，这其中也包括对机器人铣削加工的研究计划。在机器人工业领域量、焊接、喷涂、搬运和装配等应用发展已久，技术日渐成熟，如图 1-1人的机加工应用则处于起步阶段，如图 1-2 所示。

机器人

(a) 机器人磨抛 (b) 机器人铣削图 1-2 机器人机加工应用相较于传统的机床多轴铣削加工，机器人具有柔性好、智能化以及操作空间大等优势，并且相对于传统机床千万级别的配置费用，机器人的成本更低。将工业机器人应用于机械加工领域，不仅有利于提高其制造自动化水平，而且对降低制造成本也有所帮助。但是，工业机器人在加工场景下的应用处于起步阶段，相对机床，其弱刚性已经成为不可避免的问题，由此带来的振动，尤其是颤振问题，会限制机器人铣削加工的质量和效率，也是将机器人应用于铣削加工的重要阻碍。针对机器人铣削加工的颤振问题，可以通过预测或辨识颤振，制定出一系列的避振或者抑振策略，从而提升加工效率和工件的表面质量，避免机器人加工系统受损。但是，机器人加工系统与传统机床不同，刀具端的动态特性会受机器人本身的动力学特性影响，存在位姿依赖性[1]，当使用传统的以加工系统参数为模型输入的解析方法，预测机器人铣削颤振时，建模难度大且精度有限。

机床加工,数据挖掘,铣削颤振,数据样本集

华中科技大学硕士学位论文通过建立实际的数据样本集合，机器学习模型可以驱动对输入到输出映射的学习和建立，在不需要知道太多领域知识的前提下，就可以达到很高的预测因此，针对机器人铣削颤振辨识问题，本文将结合数据驱动方法，开展相关研接根据加工过程中的物理信号，学习以振动信号为输入、颤振状态为输出的映系，从而对机器人铣削颤振进行辨识。

【参考文献】