文摘

考虑应用刚柔动力机械磨削过程的影响,基于深层信念网络模型预测控制方法(DBN)提出了控制机器人磨削变形。机器人磨削的应用刚柔耦合动力学是第一个建立的基础上,一个机器人磨削构造预测模型来预测机械磨削状态的变化,进行前馈控制。滚动优化公式来源于能量函数还建立了优化实时控制输出和执行反馈控制。很难获得准确的模型参数,构造深度信念网络获取机器人磨削参数预测模型。仿真和实验结果表明,该模型预测控制方法可以预测机器人磨削状态的突变引起的变形和执行基于前馈和反馈控制结合,减少控制溢出和系统振荡引起的不准确的反馈控制。

1。介绍

机械研磨过程中发生变形有显著影响机器人磨削动态和机械磨削性能1,2]。两种方法主要是在当前的研究来解决这个问题。一种方法是优化机械加工系统的机械结构或增加刚度和机器人加工系统的稳定。另一种是通过离线调整加工轨迹规划或实时力控制根据机器人动态模型(3]。

实时力的控制方法提出了当前研究中包括自适应控制、模糊控制和基于神经网络控制4]。门德斯et al。5)提出了一种自适应模糊控制方法,基于混合力/运动控制系统,以应对机器人和一个给定的表面之间的接触问题。傅et al。6)提出了一个自适应模糊力控制模型,其中包括速度控制回路和位置控制回路控制加料速度和位置的机器人,实现稳定控制机器人去毛刺。日元(7)提出了一种基于递归模糊小波神经网络自适应控制方法优化实时三轴机器人的运动控制参数。

上述反馈控制方法实现只有当轨迹偏差出现,这可能会导致过度,控制过剩人口,和系统振荡。针对这一点,一些学者试图实现模型预测控制方法来实现前馈补偿控制(8,9]。许多非线性模型预测控制方法被提出。威尔逊(10]讨论了表演的三个模型预测控制方法应用于机器人系统控制。三种方法是非线性模型预测控制(nMPC)方法,PID的非线性模型预测控制(PID nMPC)方法,和简化的非线性模型预测控制(SnMPC)的方法。讨论的结果表明,非线性模型预测控制方法的性能容易受到系统模型错误。一些学者试图改善非线性模型预测控制方法,利用神经网络等智能算法(11- - - - - -13]。李(14]提出了一种基于神经网络动态非线性模型控制方法,在动态神经网络用于获得最佳值的制定约束二次规划(QP)问题来源于成本函数的非线性模型预测控制模型。曾(15)使用高斯径向基函数(RBF)神经网络改进的非线性模型预测控制方法应用于非线性多变量系统的控制。Dalamagkidis [16)提出了一种基于递归神经网络的非线性模型预测控制方法来实现螺旋桨固有转动过程的预测控制,同时无人机发动机损坏。

摘要基于深度信念网络模型预测控制方法(DBN)提出了控制机器人变形,减少应用刚柔对机器人研磨动力学的影响。以下部分安排如下:首先,动态模型建立了机器人研磨应用刚柔耦合效应的考虑。在此基础上,机器人磨削模型预测控制器的设计。因为机器人研磨动力学模型的准确参数和模型预测控制器很难获得,深度信念网络是用来访问机器人磨削的非线性预测模型。终于进行了仿真与实验验证该方法的性能。

2。应用刚柔耦合动力学的磨削机器人

传统的研磨动力学模型可以表示为17] 在哪里切削力;是系统质量矩阵;是系统阻尼;是系统动态刚度;是磨具的位置;和 , 是它的第一和第二衍生品。因为数控的刚度大,变形小,磨削工具位置近似计划中的位置。然而,机器人的刚度是不够的,可能导致大变形和大磨位置和计划位置之间的偏差。因此,磨削位置之间的关系 ,计划中的地位 ,和变形可以表示为 同样,强迫行为的机器人末端执行器之间的关系 ,的切削力 ,和机械磨削变形引起的力是

2.1。机器人磨削变形

机器人磨削变形由挤压变形和周期性变形。挤压变形是由于研磨工具和工件之间的相对运动,而周期性变形是由刀片和工件之间的相对运动引起的。因此,磨削变形可以表示为 在哪里挤压变形;周期性变形。代的挤压变形如图1。磨具是驱动工件的进给速率进行切割。根据传统的磨削理论,之前有滑动和挤压状态实际磨削。在此基础上,进行了假设,磨削刀具切入工件时产生的变形主要来源于挤压变形,写成 在哪里机器人磨削系统的动态刚度矩阵;挤压变形在时间吗 。挤压变形的值可以被视为加料速度之间的差异的累积和消除速度从时间时间 ,写成 同样地,周期性变形力和周期性变形之间的关系可以表示为 在哪里 是磨具的圆频率;叶片的数量;是工具转速;相应的阶段;是相应的最大切削变形。因此,可以通过实际磨削位置(6)和(8): 用(9)和(1)(3磨),机器人的动力学模型可以表示为 为方便讨论,命名为机器人磨削力在以下文本。

3所示。基于深度信念网络模型预测控制

3.1。问题描述

在机械研磨过程中,实际磨削位置预计将近似计划中的位置 然而,根据(10),如磨削机器人刚性不足和机器人磨削变形是相当大的,(11)是很难实现的。因此,一个理想的变形的定义以及相应的理想的机器人磨削轨迹 。方程(11)可以写成 假设有一个磨位置之间的对应关系和机械磨削力 ,当系统参数(如加料速度、研磨工具的旋转速度,和工件材料)是常数。本文中的控制目标可以被转换成 在哪里是理想的磨削力对应的理想研磨位置 。

3.2。模型预测控制机器人磨削

机器人磨削力偏差定义为 假设机器人磨削力偏差影响机器人磨削力偏差和系统传递函数在时间 。 在哪里是控制输出将进给速率作为变量;的权重因子是机器人磨削力偏差。假设 。重写(15)根据(14) 在哪里 定义 , , 。根据(6)有 ,和(17)可以写成

3.2.1之上。机器人磨削轨迹预测

替代(19)和(15)(14)获得机器人磨削力偏差和加料速度之间的关系 在哪里 。因此,机器人磨削力偏差矩阵从时间时间可以获得的 代表了机器人研磨力的预测偏差根据系统信息 。假设有一个改变进给速率和输入电压之间的关系: 在哪里和是重量因素。进给速率增加的预测时间时间可以获得的 在哪里 ,分别代表进给速率和控制电压的变化根据系统信息预测 。

3.2.2。控制输出优化

为了优化控制输出电压,一个能量函数的定义是 在哪里 替代(23)(26): 定义 在哪里 根据(26),可以获得能量函数的极值 。因此,有极端的价值: 替代(23)(30.): 在哪里

3.2.3。稳定性分析

根据(22),(23)和(30.),有 在哪里 根据模型预测控制原理(18),当矩阵的特征值都是在单位圆内,控制系统是渐近稳定的。

3.2.4。机器人磨削状态预测模型

合并(33)和(31日),有 在哪里 和代表预测模型参数。然后,介绍了深层信念网络获得预测模型参数。

3.3。基于深度信念网络预测模型

根据深层信念网络原理, 比较(37)和(35),它可以发现预测模型参数可以通过权重的产品 : 因此,一个假设是由 可获得的产品吗 。和subassumptions ; ; 。基于这些假设,构造深度信念网络,由三层组成,其中包括两层限制玻耳兹曼机(元)和一个反向传播(BP)层。两层元用于获得权重 和 ,而英国石油层是用来获取 。DBN的输入是磨削力偏差 ,进给速率 ,增量的进给速率 ,和增量控制输出电压 ,在输出和 。一般元的能量函数(19] 在哪里 明确的层和隐藏层; , 重量分别是网络,明确层偏见,偏见和隐藏层。考虑作为第一层首先遏制,可见隐层的第一个元,(39)可以写成 遏制疟疾的概率分配一个可见的向量 对比差异的方法用于获得DBN参数的更新公式(19]:

BP网络的建设,古典模型。相关的功能,包括激活函数,能量函数,然后设置和更新公式,基于经典的BP网络模型。图中展示了DBN的结构图2。

总体控制流程图如图3。首先,控制输出电压的功能是通过最小化能量函数,最优控制的充分条件,MPC模型基于它。DBN设计根据MPC模型获得MPC的参数。DBN的训练是通过机械研磨历史数据的使用。MPC参数识别后,货币政策委员会是用于执行在线闭环控制使用机器人磨削力偏差和系统信息 , , 。”

4所示。DBN训练和仿真

模拟是进行评价的可行性和性能DBN用于获得机械磨削的模型预测控制参数。构造BP网络和BP网络之间的比较,提出了DBN。

根据(35)和(37),货币政策委员会用于获得 使用 ,这意味着货币政策委员会代表之间的关系 和 。因此,所需的训练数据是包含的关系 和 。

DBN的训练数据是根据以下几个方面决定的。

(1)训练数据的参数确定根据机器人磨削过程的影响因素,包括磨削深度、磨削工具进给速率、工具转速,控制输出电压。进给速率之间存在函数关系和控制输出电压控制器时,本文使用进给速率变化来表示控制电压的变化。参数是磨削深度的范围从0.6毫米到1.2毫米;最初的饲料率从0.5毫米1.2毫米/ s / s;进给速率变化是0.1/ s为1/ s;工具转速4000 r / min。(2)自磨是一个材料去除的过程,它是困难和昂贵的来执行许多实验,获得了大量的训练数据;DBN模型用于本文只是为具体案例设计(机械磨削)哦,荣格在他们的研究19],它可以减少DBN训练数据的需求数量也减少DBN应用的适用性在其他机器人操作。在此基础上,学习样本的规模和大小确定。学习样本的规模批40包,每包约有50004数据。34个数据包随机选择培训和剩下的6选择模型验证。最大的时期是300。

网络的训练表现在图所示4。机器人磨削状态的模型训练时间 ,DBN实现拟合在31日时代和BP网络实现拟合在52期。机器人磨削状态的模型训练时间来也进行了,训练BP网络和DBN的性能提出了表吗1。整体的训练表现提出了DBN的近似的训练表现经典BP网络。培训结果然后用于构造。

一个评估模型的预测性能进行了仿真,分别提出了DBN和BP网络。仿真的步骤如下。首先,随机选择一个样本,和样品的前10的数据作为输入。然后,机器人磨削状态的预测是根据这些输入。如图5,两个模型的预测结果基本符合实际的磨削力。磨削力的预测平均偏差约为0.5 n。预测偏差的最大值,大约2 N,在磨削力的峰值出现在切成状态。在2日第二,基于BP模型预测的磨削力变化显著,而获得的一个基于DBN模型平滑。基于preconclusion上面的模拟,可以预测模型的性能得到了DBN网络比BP网络获得的。

5。机器人磨削控制实验

5.1。机器人磨削系统

机械加工系统由日本安川电气工业机器人MH24基础力传感器ME-FK6D40,和磨削工具。如图6,力传感器和磨具安装在机器人的末端执行器,当工件安装在一个固定的平台。研磨工具的轴垂直于工业机器人的Z方向第六轴。世界坐标系统设置根据机器人笛卡尔坐标。设备的相关参数基础上力传感器是ME-FK6d40,德国;工件材料Q235钢;磨具是由电动机、处理、磨头。

力信号收集的力传感器和交付给嵌入式实时控制系统在PC使用Ethercat协议。力传感器的模拟滤波器频率2500赫兹,和嵌入式实时控制系统的采样频率是1毫秒。计算出的控制输出然后嵌入式实时控制系统和机器人送到日本安川电气控制柜修改输出脉冲和调整末端执行器的进给速率。控制系统的输出电压的频率大约是100 ms。

5.2。机器人磨削控制实验

评估提出的控制方法的性能,机械研磨控制实验进行。开环机械磨削实验,机械磨削试验fuzzy-PD控制和机器人磨削试验模型进行预测控制,并比较这些实验。机器人磨削控制实验进行钢板平面(Q235)。磨具的转速4000 r / min,磨削深度为1.2毫米;最初的加料速度是1毫米/秒;刀具的材料是D1614M06。

的研磨路径实验如图7。磨具将从A点移动到D通过点B和c .磨削路径AB垂直于工件表面,而公元前路径是切向工件表面。为方便讨论,在后续的文章中,AB被认为是切成状态,而公元前被视为稳定的磨削状态。

5.2.1。实验与开环控制和试验Fuzzy-PD控制

(一)实验与开环控制。实验所需的磨削力是14 n .实验结果如图8。磨削力急剧增加29 n在切成状态然后减少大约15 n。磨削力的显著增加,贴上突然变化,在切成状态可以了(10)和(16)。磨具削减到工件时,进给速率和去除率之间的差距导致变形,导致磨削力增加。垂直移动后,在切向磨削工具开始移动方向和去除率的价值大于垂直方向的进给速率导致降低磨削力。

(B)与Fuzzy-PD控制实验。来验证提出的控制方法的有效性,实验的基础上采用模糊控制。fuzzy-PD控制器的输入力偏差及其一阶导数和控制参数和 。他们的领域 , , ,和 。模糊推理是“如果A1和B1 C1和D1”,而高斯函数作为模糊隶属函数。

磨削实验的结果与PD控制图所示9。磨削力大幅增加,达到一个峰值25 N,等于4 N低于1的开环控制。相应的进给速率增加到1.4 mm / s,然后第一次减少到0.7毫米/秒的山谷0.4毫米/秒。在这个过程中,进给速率出现在的波动二、进给速率的波动幅度大约是0.1毫米/秒。这是因为当磨削力接近目标,根据模糊规则控制参数迅速导致波动的控制输出。这是一个常见的问题定义的模糊控制,模糊规则通常是根据人工经验很容易导致控制振荡引起的切换控制。针对这一点,模型预测控制方法应用于机器人磨削控制。

5.2.2。机器人磨削实验与模型预测控制

机器人磨削实验和模型预测控制进行降低磨削力偏差和加料速度波动发生在切成状态。预测模型预测控制设置 ,和实验结果如图10。机器人磨削力的峰值是18 n,这是7 n低和相应的进给速率曲线变化从1.4毫米/秒到0.7 mm / s的山谷0.3毫米/秒。机器人磨削力的变化和饲料率如图10流畅而如图的吗9。这是因为模型预测控制方法可以预测未来磨偏差根据获得的信息,导致控制补偿减少了偏差和加料速度波动。

为了进一步验证提出的控制方法的性能,基于模型预测控制的另一个机器人磨削实验进行的预测时间设置 。如图11顺利,磨削力增加从0 n 14 n和磨削力的波动约为2 n。磨削力的突变,这发生在切成如图10和9,完全消除了。相应的进给速率变化从1毫米/秒到0.75 mm / s没有突然增加如图9和10。这是因为当预测时间调整 ,控制系统可以有足够的时间来调整进给速率平稳,从而导致足够的补偿控制。

探索提出的控制方法的灵活性,磨削深度改为1.4毫米,而研究样本的磨削深度范围从0.6毫米到1.2毫米。实验结果与开环控制图所示12(一个),实验结果与模型预测控制数据所示12 (b)和12 (c)。如图12(一个),磨削力急剧增加到33 N在切成状态,然后降低到19 N。模型预测控制方法实现时,磨削力顺利从0增加到19 n没有突变在切成状态。相应的进给速率曲线如图12 (c)也顺利,从1毫米/秒降低到0.7 mm / s的小山谷0.65毫米/秒第二。

与fuzzy-PD控制方法相比,提出的MPC方法可以避免突变的磨削力和降低磨削力偏差预测区间足够大时,如图12。机器人磨削的进给速率变化基于MPC平滑而基于fuzzy-PD控制。结论都是一样的,而比较是由实验基于自适应PID方法提出了一个先前的研究的作家20.]。比较表明,自适应PID控制可以降低磨削力的突变,但不能避免它,作为自适应PID控制的反应只有当变异出来。

6。结论

本文基于深层信念网络模型预测控制方法提出了控制偏差引起的磨削力机械变形。机器人磨削动态应用刚柔耦合效应的影响进行了分析和深层信念网络是用于研究机器人磨削动态获取预测模型。在此基础上,该模型预测控制方法可以预测磨削力偏差的变化,实现前馈和反馈控制。

的实验结果表明,该预测模型基于深层信念网络机器人磨削能准确预测机器人磨削状态的变化和时间 。与开环控制和fuzzy-PD控制相比,模型预测控制方法可以执行预先补偿控制来减少偏差。消除磨削力的突变引起的变形如图11和12验证了所提出控制方法的性能。

自目前的研究大多集中在反馈控制的机器人加工,而前馈补偿控制是很少应用于机械加工,本文的贡献如下:(1)模型预测控制方法是根据机器人调整磨削模型在考虑应用刚柔系统和控制系统之间的耦合效应。MPC是用来预测磨削力的突变和执行提出控制避免磨削力突变。该方法具有的优势前馈控制和反馈控制,可以减少控制振荡和溢出造成系统延迟和反馈控制。(2)深度信念网络设计是根据货币政策委员会机械磨控制系统的模型。自从MPC模型是非线性和参数难以获取,使用深度信念网可以受益MPC模型参数的获得。因此,这项研究提供了模型参考和数据支持机器人加工过程的非线性控制方法的研究基于智能模型。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。