CN111975579A - 一种基于打磨模型和迭代算法的机器人恒力打磨*** - Google Patents

一种基于打磨模型和迭代算法的机器人恒力打磨*** Download PDF

Info

Publication number
CN111975579A
CN111975579A CN202010746586.1A CN202010746586A CN111975579A CN 111975579 A CN111975579 A CN 111975579A CN 202010746586 A CN202010746586 A CN 202010746586A CN 111975579 A CN111975579 A CN 111975579A
Authority
CN
China
Prior art keywords
robot
force
polishing
normal force
neural network
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.)
Granted
Application number
CN202010746586.1A
Other languages
English (en)
Other versions
CN111975579B (zh
Inventor
张铁
肖蒙
邹焱飚
陈首彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Zhongshan Institute of Modern Industrial Technology of South China University of Technology
Original Assignee
South China University of Technology SCUT
Zhongshan Institute of Modern Industrial Technology of South China University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT, Zhongshan Institute of Modern Industrial Technology of South China University of Technology filed Critical South China University of Technology SCUT
Priority to CN202010746586.1A priority Critical patent/CN111975579B/zh
Publication of CN111975579A publication Critical patent/CN111975579A/zh
Application granted granted Critical
Publication of CN111975579B publication Critical patent/CN111975579B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B27/00—Other grinding machines or devices
    • B24B27/0084—Other grinding machines or devices the grinding wheel support being angularly adjustable
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/16—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the load
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/005—Manipulators for mechanical processing tasks
    • B25J11/0065—Polishing or grinding
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1679—Programme controls characterised by the tasks executed

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种基于打磨模型和迭代算法的机器人恒力打磨***。所述***包括机器人、工作台、打磨工具、六维力传感器、上位机和机器人控制柜；所述工作台放置在机器人前方，工作台上放置有待打磨的工件，机器人前端设置有打磨工具，六维力传感器设置在机器人前端与打磨工具的连接处；六维力传感器内部设有力信号采集模块，用于采集力信号，并将力信号发送给上位机；上位机运行程序后将控制信号发给机器人控制柜，通过机器人控制柜控制机器人。本发明解决了现有机器人曲打磨时在冲击阶段和加工阶段难以得到恒定力的问题，具有能在线更新控制参数，超调量小的特点。

Description

一种基于打磨模型和迭代算法的机器人恒力打磨***
技术领域
本发明涉及机器人恒力打磨控制领域，特别涉及一种基于打磨模型和迭代算法的机器人恒力打磨***。
背景技术
利用机器人对曲面工件打磨时，机器人在约束空间内工作沿着设定轨迹运动，由于机器人自身开链结构和减速器结构造成机器人整体刚度不足，导致机器人在工作过程中产生变形，从而难以到达设定的轨迹，同时机器人末端打磨刀具与工件之间的打磨作用会造成机器人振动，因此造成机器人打磨精度不高。
目前对机器人恒力打磨研究中，对冲击阶段控制的研究较少，对加工阶段的研究大多停留传统的控制方式，控制参数比较固定,而有些使用了智能算法,但是停留在仿真阶段，如Tao等(A Sliding Mode Control-based on a RBF Neural Network for DeburringIndustry Robotic Systems)提出了一种将滑膜控制和神经网络相结合的力控制算法并应用在机器人去毛刺中，得到了较好的仿真结果；Xu等(Application of novel forcecontrol strategies to enhance robotic abrasive belt grinding quality of aero-engine blades)采用了PI控制器应用于复杂几何形状的机器人砂带磨削，结合机器人位置控制，对机器人砂带磨削过程进行研究；Sornmo等(Force controlled knife-grindingwith industrial robot)采用了PI控制器对轮廓与方向未知的刀具进行打磨，得到了较好的实验效果；He等(Adaptive Force Control for Robotic Machining Process)在机器人打磨场景中提出了一种具有抗饱和算法自适应PI算法。
目前针对冲击阶段控制的采用的方式为位置控制，使用位置控制时机器人法向力在冲击过程中急速增大，快速超过设置的期望力，容易产生超调，严重时会造成机器人、打磨工具或力传感器损坏；针对冲击阶段控制目前采用的主要方式为传统基础力控制，当工件材料的不均匀性和机器人***刚度不足，会造成机器人加工过程受力波动，由于外界环境时刻都发生变化，需要减少或者抑制这些干扰对加工过程的影响，传统的控制方式中控制参数固定无法适应外界环境的变化，而且影响最终加工精度。为了保护机器人打磨的设备以及提高机器人打磨加工精度，需要对机器人打磨冲击阶段进行力控制，同时对机器人打磨的加工阶段的控制参数进行在线更新。
发明内容
本发明的目的是提供一种基于打磨模型和迭代算法的机器人恒力打磨***，旨在解决打磨力信号在冲击阶段容易造成超调和加工阶段加工参数难以寻找的问题，实现机器人恒力打磨效果。
本发明的目的至少通过如下技术方案之一实现。
一种基于打磨模型和迭代算法的机器人恒力打磨***，包括机器人、工作台、打磨工具、六维力传感器、上位机和机器人控制柜；
所述工作台放置在机器人前方，工作台上放置有待打磨的工件，机器人前端设置有打磨工具，六维力传感器设置在机器人前端与打磨工具的连接处；六维力传感器内部设有力信号采集模块，用于采集力信号，并将力信号发送给上位机；上位机运行程序后将控制信号发给机器人控制柜，通过机器人控制柜控制机器人；
所述上位机根据六维力传感器采集的力信号建立机器人末端的法向力受力分析，采集机器人末端的法向力，设置机器人的期望力，在冲击阶段中，利用最速反馈***规划机器人末端的参考法向力，根据机器人末端的法向力与参考法向力的误差对机器人的速度进行调节，在加工阶段，利用RBF神经网络构建机器人的偏移位移和控制输出量之间的关系，构成RBF神经网络打磨模型，根据RBF神经网络打磨模型对控制参数增加量进行估计，得到控制参数的增加量，根据迭代算法对控制参数不断迭代，使机器人末端的法向力和期望力的误差逐渐收敛，实现机器人的恒力打磨。
进一步地，在建立机器人末端的法向力受力分析之前，上位机需要根据六维力传感器采集的力信号给机器人发送位置和速度指令，具体如下：
力信号采集模块采集力信号，并将力信号发送给上位机；上位机发送模拟控制信号给机器人的机器人控制柜，通过机器人控制柜控制机器人产生偏移或减速，偏移位移方向、速度方向与模拟控制信号符号一致，偏移位移、速度减少量与电压绝对值大小成正比，分别用于阶段速度控制和阶段位移控制。
进一步地，所述上位机根据六维力传感器采集的力信号建立机器人末端法向力受力分析，即建立机器人末端的法向力和六维力传感器坐标系的映射关系，其中传感器坐标系{T}中XY轴方向始终与机器人的XY的方向保持一致，曲面坐标系{C}中心与传感器坐标系{T}中心重合，曲面坐标系的X轴方向与曲面的切向方向相同，Y轴方向始终垂直于曲面轮廓，机器人末端的法向力为：
Fn(k)＝FSx(k)sinθ(k)+FSy(k)cosθ(k)；
其中，k为时间变量；Fn(k)为k时刻机器人末端的法向力，FSx(k)为k时刻六维力传感器坐标系x方向上的采集的力，FSy(k)为k时刻六维力传感器坐标系y方向上采集的力，θ(k)为k时刻曲面倾斜角。
进一步地，所述最速反馈***具体如下：
Figure BDA0002608569370000031
其中，fhan为最速综合函数；k为时间变量；Fr(k)为k时刻机器人末端的参考法向力；Fd为设置的期望力；△Fr为机器人末端的参考法向力的变化率；r为快速因子；h为步长；
所述最速综合函数fhan表达式为：
fhan(Fr(k)-Fd,ΔFr(k),r,h)＝-r(a(k)/d-sign(a(k)))sa(k)-rsign(a(k))；
最速综合函数式中的内部参数为：
Figure BDA0002608569370000032
利用机器人速度控制器根据机器人末端的法向力与参考法向力的误差对机器人的速度进行调节，所述机器人速度控制器具体如下：
v(k)＝pv(Fr(k)-Fn(k))+dv(Fr(k)-Fr(k-1)-Fn(k)+Fn(k-1))；
其中，pv和dv分别为比例和微分控制参数；Fn(k)为k时刻机器人末端的法向力。
进一步地，所述利用RBF神经网络构建机器人的偏移位移和控制输出量之间的关系，具体如下：
第一次机器人打磨实验前，利用PD算法进行控制，得到机器人偏移位移与机器人末端的法向力的实验数据，利用前期实验数据拟合RBF神经网络打磨模型；RBF神经网络的输入为k，k-1，k-2时刻机器人偏移量u(k)，u(k-1)，u(k-2)，k-1，k-2时刻机器人末端法向力Fn(k-1)，Fn(k-2)，输出为机器人末端的预测法向力Fpr(k)；RBF神经网络中隐含层的激励函数选择高斯函数，隐含层一共有10个神经元。拟合后的RBF神经网络打磨模型可以根据机器人偏移位移和k时刻之前机器人末端的法向力对k时刻机器人末端的法向力进行预测；在打磨实验结束后，将得到的机器人末端法向力和机器人偏移位移的数据输入RBF网络中，对RBF神经网络打磨模型进行更新。
进一步地，所述根据RBF神经网络模型对控制参数增加量进行估计，得到控制参数的增加量，具体如下：
设计机器人位移控制器，具体如下：
Figure BDA0002608569370000041
其中，kp(k)和kd(k)为控制参数，△kp为kp的变化率；△kd为kd的变化率；αc为比例因子；△kp与△kd的表达式具体如下：
Figure BDA0002608569370000042
Figure BDA0002608569370000043
其中，ηc为比例因子，e(k)为第k时刻力信号的误差，ec(k)为第k时刻力信号误差的变化率；
利用RBF神经网络打磨模型对
Figure BDA0002608569370000044
的值进行估计：
Figure BDA0002608569370000045
Figure BDA0002608569370000046
其中，wj(k-1)为k-1时刻隐含层中第j个神经元的权值，Rj第j个神经元的输出值，cj为第j个基函数的中心点；m为神经元个数。
进一步地，所述根据迭代算法控制参数不断迭代，使机器人末端的法向力和期望力的误差逐渐收敛，具体如下：
在机器人加工阶段，根据先验数据离线更新RBF神经网络打磨模型；
在线利用迭代算法，结合RBF神经网络打磨模型，对控制参数进行更新；
对比机器人末端的法向力和期望力之间的误差是否在±3N之内，若是，结束实验；若否，将机器人末端法向力和位移偏移量的数据加入RBF神经网络打磨模型中，离线更新RBF神经网络打磨模型，继续实验。
相比于现有技术，本发明的优点在于：
基于打磨模型和迭代算法的机器人恒力打磨***可以对机器人打磨的冲击阶段进行控制，在机器人末端法向力达到期望力后，维持法向力与期望力的误差在一定的范围内；在机器人打磨的冲击阶段，可对控制参数进行在线更新，以适应打磨环境的变化，从而保持恒力的法向力。
附图说明
图1是本发明机器人恒力打磨***结构示意图；
图2是本发明机器人恒力打磨***局部放大图；
图3是本发明机器人恒力打磨过程规划与受力分析示意图；
图4是本发明机器人恒力打磨过程规划示意图；
图5是本发明机器人打磨加工阶段控制流程示意图。
具体实施方式
下面结合实施例及附图对本发明的具体实施作进一步的详细描述，但本发明的实施方式不限于此。
实施例：
一种基于打磨模型和迭代算法的机器人恒力打磨***，如图1和图2所示，包括机器人1、工作台5、打磨工具3、六维力传感器2、上位机6和机器人控制柜7；
所述工作台5放置在机器人1前方，工作台5上放置有待打磨的工件4，机器人1前端设置有打磨工具3，六维力传感器2设置在机器人1前端与打磨工具3的连接处；六维力传感器2内部设有力信号采集模块，用于采集力信号，并将力信号发送给上位机6；上位机6运行程序后将控制信号发给机器人控制柜7，通过机器人控制柜7控制机器人1；
如图4所示，在建立机器人末端的法向力受力分析之前，上位机6需要根据六维力传感器2采集的力信号给机器人1发送位置和速度指令，具体如下：
力信号采集模块采集力信号，并将力信号发送给上位机6；上位机6发送模拟控制信号给机器人1的机器人控制柜7，通过机器人控制柜7控制机器人1产生偏移或减速，偏移位移方向、速度方向与模拟控制信号符号一致，偏移位移、速度减少量与电压绝对值大小成正比，分别用于阶段速度控制和阶段位移控制。
所述上位机6根据六维力传感器2采集的力信号建立机器人末端的法向力受力分析，即建立机器人末端的法向力和六维力传感器坐标系的映射关系，其中传感器坐标系{T}中XY轴方向始终与机器人的XY的方向保持一致，曲面坐标系{C}中心与传感器坐标系{T}中心重合，曲面坐标系的X轴方向与曲面的切向方向相同，Y轴方向始终垂直于曲面轮廓，根据图3所示，采集机器人末端的法向力：
Fn(k)＝FSx(k)sinθ(k)+FSy(k)cosθ(k)；
其中，k为时间变量；Fn(k)为k时刻机器人末端的法向力，FSx(k)为k时刻六维力传感器坐标系x方向上的采集的力，FSy(k)为k时刻六维力传感器坐标系y方向上采集的力，θ(k)为k时刻曲面倾斜角。
本实施例中，设置期望力为25N，在机器人打磨冲击阶段中，机器人1以2mm/s的速度沿着X方向冲击，机器人沿着初始轨迹运动；利用最速反馈***规划机器人末端的参考法向力，所述最速反馈***具体如下：
Figure BDA0002608569370000061
其中，fhan为最速综合函数；k为时间变量；Fr(k)为k时刻机器人末端的参考法向力；Fd为设置的期望力；△Fr为机器人末端的参考法向力的变化率；r为快速因子；h为步长；
所述最速综合函数fhan表达式为：
fhan(Fr(k)-Fd,ΔFr(k),r,h)＝-r(a(k)/d-sign(a(k)))sa(k)-rsign(a(k))；
最速综合函数式中的内部参数为：
Figure BDA0002608569370000062
利用机器人速度控制器根据机器人末端的法向力与参考法向力的误差对机器人1的速度进行调节，，所述机器人速度控制器具体如下：
v(k)＝pv(Fr(k)-Fn(k))+dv(Fr(k)-Fr(k-1)-Fn(k)+Fn(k-1))；
其中，pv和dv分别为比例和微分控制参数；Fn(k)为k时刻机器人末端的法向力。
在加工阶段，机器人1始终以2mm/s的速度沿着x方向移动，当机器人1与工件4接触时，根据法向力的大小沿着y方向偏移；利用RBF神经网络构建机器人1的偏移位移和控制输出量之间的关系，具体如下：
利用RBF神经网络根据机器人偏移位移和k时刻之前机器人末端的法向力对k时刻机器人末端的法向力进行预测，RBF神经网络的输入为k，k-1，k-2时刻机器人偏移量u(k)，u(k-1)，u(k-2)，k-1，k-2时刻机器人末端法向力Fn(k-1)，Fn(k-2)，输出为机器人末端的预测法向力Fpr(k)；RBF神经网络中隐含层的激励函数选择高斯函数，隐含层一共有10个神经元。
构成RBF神经网络打磨模型，根据RBF神经网络打磨模型对控制参数增加量进行估计，得到控制参数的增加量，具体如下：
设计机器人位移控制器，具体如下：
Figure BDA0002608569370000071
其中，kp(k)和kd(k)为控制参数，△kp为kp的变化率；△kd为kd的变化率；αc为比例因子；△kp与△kd的表达式具体如下：
Figure BDA0002608569370000072
Figure BDA0002608569370000073
其中，ηc为比例因子，e(k)为第k时刻力信号的误差，ec(k)为第k时刻力信号误差的变化率；
利用RBF神经网络打磨模型对
Figure BDA0002608569370000074
的值进行估计：
Figure BDA0002608569370000075
Figure BDA0002608569370000076
其中，wj(k-1)为k-1时刻隐含层中第j个神经元的权值，Rj第j个神经元的输出值，cj为第j个基函数的中心点；m为神经元个数。
根据迭代算法对控制参数不断迭代，使机器人末端的法向力和期望力的误差逐渐收敛，实现机器人的恒力打磨，如图5所示，具体如下：
在机器人加工阶段，根据先验数据离线更新RBF神经网络打磨模型；
在线利用迭代算法，结合RBF神经网络打磨模型，对控制参数进行更新；
对比机器人末端的法向力和期望力之间的误差是否在±3N之内，若是，结束实验，实现机器人的恒力打磨；若否，将机器人末端法向力和位移偏移量的数据加入RBF神经网络打磨模型中，离线更新RBF神经网络打磨模型，继续实验。
上述实施例为本方面较佳的实施方式，但本方明的实施方式并不受上述实施例的限制，其他的任何背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种基于打磨模型和迭代算法的机器人恒力打磨***，其特征在于，包括机器人(1)、工作台(5)、打磨工具(3)、六维力传感器(2)、上位机(6)和机器人控制柜(7)；
所述工作台(5)放置在机器人(1)前方，工作台(5)上放置有待打磨的工件(4)，机器人(1)前端设置有打磨工具(3)，六维力传感器(2)设置在机器人(1)前端与打磨工具(3)的连接处；六维力传感器(2)内部设有力信号采集模块，用于采集力信号，并将力信号发送给上位机(6)；上位机(6)运行程序后将控制信号发给机器人控制柜(7)，通过机器人控制柜(7)控制机器人(1)；
所述上位机(6)根据六维力传感器(2)采集的力信号建立机器人末端的法向力受力分析，采集机器人末端的法向力，设置机器人的期望力，在冲击阶段中，利用最速反馈***规划机器人末端的参考法向力，根据机器人末端的法向力与参考法向力的误差对机器人(1)的速度进行调节，在加工阶段，利用RBF神经网络构建机器人(1)的偏移位移和控制输出量之间的关系，构成RBF神经网络打磨模型，根据RBF神经网络打磨模型对控制参数增加量进行估计，得到控制参数的增加量，根据迭代算法对控制参数不断迭代，使机器人末端的法向力和期望力的误差逐渐收敛，实现机器人的恒力打磨。
2.根据权利要求1所述的一种基于打磨模型和迭代算法的机器人恒力打磨***，其特征在于，在建立机器人末端的法向力受力分析之前，上位机(6)需要根据六维力传感器(2)采集的力信号给机器人(1)发送位置和速度指令，具体如下：
力信号采集模块采集力信号，并将力信号发送给上位机(6)；上位机(6)发送模拟控制信号给机器人(1)的机器人控制柜(7)，通过机器人控制柜(7)控制机器人(1)产生偏移或减速，偏移位移方向、速度方向与模拟控制信号符号一致，偏移位移、速度减少量与电压绝对值大小成正比，分别用于阶段速度控制和阶段位移控制。
3.根据权利要求1所述的一种基于打磨模型和迭代算法的机器人恒力打磨***，其特征在于，所述上位机(6)根据六维力传感器(2)采集的力信号建立机器人末端法向力受力分析，即建立机器人末端的法向力和六维力传感器坐标系的映射关系，其中传感器坐标系{T}中XY轴方向始终与机器人的XY的方向保持一致，曲面坐标系{C}中心与传感器坐标系{T}中心重合，曲面坐标系的X轴方向与曲面的切向方向相同，Y轴方向始终垂直于曲面轮廓，机器人末端的法向力为：
Fn(k)＝FSx(k)sinθ(k)+FSy(k)cosθ(k)；
其中，k为时间变量；Fn(k)为k时刻机器人末端的法向力，FSx(k)为k时刻六维力传感器坐标系x方向上的采集的力，FSy(k)为k时刻六维力传感器坐标系y方向上采集的力，θ(k)为k时刻曲面倾斜角。
4.根据权利要求1所述的一种基于打磨模型和迭代算法的机器人恒力打磨***，其特征在于，所述最速反馈***具体如下：
Figure FDA0002608569360000021
其中，fhan为最速综合函数；k为时间变量；Fr(k)为k时刻机器人末端的参考法向力；Fd为设置的期望力；△Fr为机器人末端的参考法向力的变化率；r为快速因子；h为步长；
所述最速综合函数fhan表达式为：
fhan(Fr(k)-Fd,ΔFr(k),r,h)＝-r(a(k)/d-sign(a(k)))sa(k)-rsign(a(k))；
最速综合函数式中的内部参数为：
Figure FDA0002608569360000022
利用机器人速度控制器根据机器人末端的法向力与参考法向力的误差对机器人(1)的速度进行调节，所述机器人速度控制器具体如下：
v(k)＝pv(Fr(k)-Fn(k))+dv(Fr(k)-Fr(k-1)-Fn(k)+Fn(k-1))；
其中，pv和dv分别为比例和微分控制参数；Fn(k)为k时刻机器人末端的法向力。
5.根据权利要求1所述的一种基于打磨模型和迭代算法的机器人恒力打磨***，其特征在于，所述利用RBF神经网络构建机器人(1)的偏移位移和控制输出量之间的关系，具体如下：
第一次机器人打磨实验前，利用PD算法进行控制，得到机器人偏移位移与机器人末端的法向力的实验数据，利用前期实验数据拟合RBF神经网络打磨模型；RBF神经网络的输入为k，k-1，k-2时刻机器人偏移量u(k)，u(k-1)，u(k-2)，k-1，k-2时刻机器人末端法向力Fn(k-1)，Fn(k-2)，输出为机器人末端的预测法向力Fpr(k)；RBF神经网络中隐含层的激励函数选择高斯函数，隐含层一共有10个神经元；拟合后的RBF神经网络打磨模型根据机器人偏移位移和k时刻之前机器人末端的法向力对k时刻机器人末端的法向力进行预测；在打磨实验结束后，将得到的机器人末端法向力和机器人偏移位移的数据输入RBF网络中，对RBF神经网络打磨模型进行更新。
6.根据权利要求1所述的一种基于打磨模型和迭代算法的机器人恒力打磨***，其特征在于，所述根据RBF神经网络模型对控制参数增加量进行估计，得到控制参数的增加量，具体如下：
设计机器人位移控制器，具体如下：
Figure FDA0002608569360000031
其中，kp(k)和kd(k)为控制参数，△kp为kp的变化率；△kd为kd的变化率；αc为比例因子；△kp与△kd的表达式具体如下：
Figure FDA0002608569360000032
Figure FDA0002608569360000033
其中，ηc为比例因子，e(k)为第k时刻力信号的误差，ec(k)为第k时刻力信号误差的变化率；
利用RBF神经网络打磨模型对
Figure FDA0002608569360000034
的值进行估计：
Figure FDA0002608569360000035
Figure FDA0002608569360000036
其中，wj(k-1)为k-1时刻隐含层中第j个神经元的权值，Rj第j个神经元的输出值，cj为第j个基函数的中心点；m为神经元个数。
7.根据权利要求1所述的一种基于打磨模型和迭代算法的机器人恒力打磨***，其特征在于，所述根据迭代算法控制参数不断迭代，使机器人末端的法向力和期望力的误差逐渐收敛，具体如下：
在机器人加工阶段，根据先验数据离线更新RBF神经网络打磨模型；
在线利用迭代算法，结合RBF神经网络打磨模型，对控制参数进行更新；
对比机器人末端的法向力和期望力之间的误差是否在±3N之内，若是，结束实验；若否，将机器人末端法向力和位移偏移量的数据加入RBF神经网络打磨模型中，离线更新RBF神经网络打磨模型，继续实验。
CN202010746586.1A 2020-07-29 2020-07-29 一种基于打磨模型和迭代算法的机器人恒力打磨*** Active CN111975579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010746586.1A CN111975579B (zh) 2020-07-29 2020-07-29 一种基于打磨模型和迭代算法的机器人恒力打磨***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010746586.1A CN111975579B (zh) 2020-07-29 2020-07-29 一种基于打磨模型和迭代算法的机器人恒力打磨***

Publications (2)

Publication Number Publication Date
CN111975579A true CN111975579A (zh) 2020-11-24
CN111975579B CN111975579B (zh) 2022-06-14

Family

ID=73444897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010746586.1A Active CN111975579B (zh) 2020-07-29 2020-07-29 一种基于打磨模型和迭代算法的机器人恒力打磨***

Country Status (1)

Country Link
CN (1) CN111975579B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112959217A (zh) * 2021-03-25 2021-06-15 中国科学院宁波材料技术与工程研究所 一种减小磨抛振动的力控制方法及装置
CN113894798A (zh) * 2021-11-26 2022-01-07 遨博（北京）智能科技有限公司 一种机器人控制方法和机器人***
CN113977429A (zh) * 2021-11-17 2022-01-28 长春理工大学 一种基于深度学习的机器人恒力打磨***及打磨控制方法
CN111975579B (zh) * 2020-07-29 2022-06-14 华南理工大学 一种基于打磨模型和迭代算法的机器人恒力打磨***
CN114905515A (zh) * 2022-05-26 2022-08-16 无锡斯帝尔科技有限公司 一种基于柔性感知神经网络的机器人控制方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0441679A1 (fr) * 1990-02-09 1991-08-14 Societe Nationale D'etude Et De Construction De Moteurs D'aviation "Snecma" Montage adaptable à porte-outil pour ajustage avec robot
CN104858782A (zh) * 2015-04-03 2015-08-26 华南理工大学 基于模糊自适应力控制的恒力自动打磨装置及方法
CN105772917A (zh) * 2014-12-16 2016-07-20 苏州继企机电科技有限公司 一种三关节点焊机器人轨迹跟踪控制方法
CN106383495A (zh) * 2016-09-12 2017-02-08 华南理工大学 基于非线性双闭环控制的曲面轮廓恒力跟踪方法及应用装置
CN108972545A (zh) * 2018-06-22 2018-12-11 华南理工大学 一种基于模糊迭代算法的机器人恒力曲面跟踪方法
CN108972546A (zh) * 2018-06-22 2018-12-11 华南理工大学 一种基于强化学习的机器人恒力曲面跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111975579B (zh) * 2020-07-29 2022-06-14 华南理工大学 一种基于打磨模型和迭代算法的机器人恒力打磨***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0441679A1 (fr) * 1990-02-09 1991-08-14 Societe Nationale D'etude Et De Construction De Moteurs D'aviation "Snecma" Montage adaptable à porte-outil pour ajustage avec robot
CN105772917A (zh) * 2014-12-16 2016-07-20 苏州继企机电科技有限公司 一种三关节点焊机器人轨迹跟踪控制方法
CN104858782A (zh) * 2015-04-03 2015-08-26 华南理工大学 基于模糊自适应力控制的恒力自动打磨装置及方法
CN106383495A (zh) * 2016-09-12 2017-02-08 华南理工大学 基于非线性双闭环控制的曲面轮廓恒力跟踪方法及应用装置
CN108972545A (zh) * 2018-06-22 2018-12-11 华南理工大学 一种基于模糊迭代算法的机器人恒力曲面跟踪方法
CN108972546A (zh) * 2018-06-22 2018-12-11 华南理工大学 一种基于强化学习的机器人恒力曲面跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张铁: "基于强化学习的机器人曲面恒力跟踪研究", 《浙江大学学报(工学版)》 *
高培阳: "基于力传感器的工业机器人恒力磨抛***研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111975579B (zh) * 2020-07-29 2022-06-14 华南理工大学 一种基于打磨模型和迭代算法的机器人恒力打磨***
CN112959217A (zh) * 2021-03-25 2021-06-15 中国科学院宁波材料技术与工程研究所 一种减小磨抛振动的力控制方法及装置
CN112959217B (zh) * 2021-03-25 2022-08-05 中国科学院宁波材料技术与工程研究所 一种减小磨抛振动的力控制方法及装置
CN113977429A (zh) * 2021-11-17 2022-01-28 长春理工大学 一种基于深度学习的机器人恒力打磨***及打磨控制方法
CN113894798A (zh) * 2021-11-26 2022-01-07 遨博（北京）智能科技有限公司 一种机器人控制方法和机器人***
CN114905515A (zh) * 2022-05-26 2022-08-16 无锡斯帝尔科技有限公司 一种基于柔性感知神经网络的机器人控制方法及***

Also Published As

Publication number Publication date
CN111975579B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN111975579B (zh) 一种基于打磨模型和迭代算法的机器人恒力打磨***
CN109382828B (zh) 一种基于示教学习的机器人轴孔装配***及方法
CN109483556B (zh) 一种基于示教学习的机器人打磨***及方法
CN105643399B (zh) 基于柔顺控制的机器人复杂曲面自动研抛***及加工方法
Nagata et al. CAD/CAM-based position/force controller for a mold polishing robot
CN110948504B (zh) 机器人加工作业法向恒力跟踪方法和装置
Ke et al. Review on robot-assisted polishing: Status and future trends
CN102591257B (zh) 面向参数曲线刀具轨迹的数控***轮廓误差控制方法
Zhang et al. Design and implementation of hybrid force/position control for robot automation grinding aviation blade based on fuzzy PID
CN106964823B (zh) 一种大型薄壁构件镜像加工支撑侧的支撑方法
US20050159840A1 (en) System for surface finishing a workpiece
CN110315396B (zh) 一种基于大数据的工业机器人恒力磨抛方法
CN113156819B (zh) 协调打磨机械臂***自适应神经网络同步阻抗控制方法
CN109664295B (zh) 基于一维力传感器的机器人砂带打磨恒力控制方法及装置
CN111872937B (zh) 一种任务空间中不确定机械臂的控制方法
CN108972546B (zh) 一种基于强化学习的机器人恒力曲面跟踪方法
CN114055255A (zh) 一种基于实时点云的大型复杂构件表面打磨路径规划方法
Yang et al. A high accuracy on-line estimation algorithm of five-axis contouring errors based on three-point arc approximation
CN111975545B (zh) 基于反求控制点算法的复杂曲面工件打磨轨迹生成方法
Wang et al. A novel selected force controlling method for improving robotic grinding accuracy of complex curved blade
CN207724306U (zh) 一种机器人打磨力控制***
CN114131617B (zh) 一种工业机器人的智能柔顺控制方法和装置
CN114454060A (zh) 一种机器人自适应曲面跟踪恒力磨抛方法及***
CN113199491A (zh) 一种工业机器人恒力打磨方法
Zeng et al. Surface polishing by industrial robots: a review

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant