采用機器人銑削,不僅可以降低銑削加工成本,還可以提高制造自動化水平。但是,與傳統(tǒng)機床相比,機器人剛性較弱,容易發(fā)生振動問題,且刀具端動態(tài)特性存在位姿依賴性,采用傳統(tǒng)的以加工系統(tǒng)參數(shù)為模型輸入的解析法,辨識機器人銑削顫振,難度大且精度有限。通過構(gòu)建不同機器人銑削顫振狀態(tài)下的振動數(shù)據(jù)集,基于機器學習算法,可以建立以直接的物理振動信號為輸入的顫振辨識模型,從而準確辨識機器人銑削顫振�；诮馕龇�,建立機器人刀具端動力學方程,通過時域法求解動力學方程,并預測穩(wěn)定性葉瓣圖,據(jù)此設(shè)計實際平面銑削實驗,采集振動信號和工件表面振紋,建立了機器人不同銑削顫振狀態(tài)下的振動數(shù)據(jù)樣本集。通過觀察表面振紋,結(jié)合頻域和時頻域方法,分析了機器人銑削振動信號中的時變顫振成分,并將機器人銑削顫振分為:穩(wěn)定、過渡、規(guī)則顫振和無規(guī)則顫振,共四類狀態(tài)。將機器人銑削振動信號轉(zhuǎn)換為相應的時頻譜圖,推導建立深度殘差卷積神經(jīng)網(wǎng)絡(luò)模型,將時頻譜圖當作圖像進行分類。通過使用輸入歸一化和提升小波分解尺度,提升了模型的分類精度和收斂速度,采用VMD算法對振動信號進行預處理,使模型平均辨識精度進一步提升,達到95.28%。同時,使用Python語言和Qt軟件,編寫了基于深度顫振辨識算法的可視化軟件模塊,實現(xiàn)了離線狀態(tài)下,對所選機器人銑削顫振時頻譜圖的狀態(tài)辨識。為了實現(xiàn)機器人銑削顫振在線辨識,基于VMD對機器人銑削振動信號進行分解,得到一定數(shù)量的顫振頻帶,計算不同顫振頻帶的信息熵作為機器人的銑削顫振特征,使用SVM算法對提取到的銑削顫振特征進行分類,從而建立了VMD-SVM在線辨識算法。同時,提出了kMap算法,在避免計算全局解的前提下,分三個階段對VMD-SVM模型的三個超參數(shù)進行優(yōu)化,與傳統(tǒng)計算方法,kMap可以快速的計算得到與全局最優(yōu)解相差不大的全局次優(yōu)解,最后實現(xiàn)的平均辨識精度為92.43%。搭建了機器人銑削振動采集硬件模塊,布置振動傳感器,對機器人銑削過程中的主軸端振動信號進行在線監(jiān)測和采集,使用C#語言,編寫了基于VMD-SVM算法的機器人銑削顫振在線監(jiān)測與辨識軟件模塊,同時,設(shè)計實際切削實驗,使用所編軟件,對機器人銑削過程中的振動信號進行在線監(jiān)測和辨識,通過分析銑削振動信號的FFT頻譜圖和工件表面信息,驗證了軟件的監(jiān)測和辨識效果。
【學位單位】：華中科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TG547;TP242;TP18
【部分圖文】：

學位論文的研究受到以下課題支持：江蘇省重點研發(fā)計劃“船用螺旋槳削關(guān)鍵技術(shù)研發(fā)與應用”（BE2015005-3）；江蘇省基礎(chǔ)研究計劃（自然面上研究項目“螺旋槳葉片機器人銑削加工動力學特性研究及工藝K20161473)；國家杰出青年科學基金“數(shù)控加工技術(shù)與裝備”（51625502題研究背景及意義如今，機器人作為人類勞動力的最直接替代物，其研究已經(jīng)成為社會發(fā)。德國工業(yè) 4.0、歐盟 COMET 計劃以及中國制造 2025，都將機器人作容，2015 年，國家自然科學基金委成立重大研究計劃“共融機器人基礎(chǔ)術(shù)”，這其中也包括對機器人銑削加工的研究計劃。在機器人工業(yè)領(lǐng)域量、焊接、噴涂、搬運和裝配等應用發(fā)展已久，技術(shù)日漸成熟，如圖 1-1人的機加工應用則處于起步階段，如圖 1-2 所示。

(a) 機器人磨拋 (b) 機器人銑削圖 1-2 機器人機加工應用相較于傳統(tǒng)的機床多軸銑削加工，機器人具有柔性好、智能化以及操作空間大等優(yōu)勢，并且相對于傳統(tǒng)機床千萬級別的配置費用，機器人的成本更低。將工業(yè)機器人應用于機械加工領(lǐng)域，不僅有利于提高其制造自動化水平，而且對降低制造成本也有所幫助。但是，工業(yè)機器人在加工場景下的應用處于起步階段，相對機床，其弱剛性已經(jīng)成為不可避免的問題，由此帶來的振動，尤其是顫振問題，會限制機器人銑削加工的質(zhì)量和效率，也是將機器人應用于銑削加工的重要阻礙。針對機器人銑削加工的顫振問題，可以通過預測或辨識顫振，制定出一系列的避振或者抑振策略，從而提升加工效率和工件的表面質(zhì)量，避免機器人加工系統(tǒng)受損。但是，機器人加工系統(tǒng)與傳統(tǒng)機床不同，刀具端的動態(tài)特性會受機器人本身的動力學特性影響，存在位姿依賴性[1]，當使用傳統(tǒng)的以加工系統(tǒng)參數(shù)為模型輸入的解析方法，預測機器人銑削顫振時，建模難度大且精度有限。

華 中 科 技 大 學 碩 士 學 位 論 文通過建立實際的數(shù)據(jù)樣本集合，機器學習模型可以驅(qū)動對輸入到輸出映射的學習和建立，在不需要知道太多領(lǐng)域知識的前提下，就可以達到很高的預測因此，針對機器人銑削顫振辨識問題，本文將結(jié)合數(shù)據(jù)驅(qū)動方法，開展相關(guān)研接根據(jù)加工過程中的物理信號，學習以振動信號為輸入、顫振狀態(tài)為輸出的映系，從而對機器人銑削顫振進行辨識。

【參考文獻】

相關(guān)期刊論文 前3條

1 唐貴基;王曉龍;;參數(shù)優(yōu)化變分模態(tài)分解方法在滾動軸承早期故障診斷中的應用[J];西安交通大學學報;2015年05期

2 付華;史冬冬;;基于IGA-LSSVM的煤礦瓦斯涌出量預測模型研究[J];中國安全科學學報;2013年10期

3 王健峰;張磊;陳國興;何學文;;基于改進的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J];應用科技;2012年03期

相關(guān)博士學位論文 前3條

1 唐小衛(wèi);大型軸類零件車銑加工穩(wěn)定性研究與應用[D];華中科技大學;2017年

2 張攀;數(shù)控機床在線振動監(jiān)測與故障診斷關(guān)鍵技術(shù)研究[D];天津大學;2014年

3 丁燁;銑削動力學—穩(wěn)定性分析方法與應用[D];上海交通大學;2011年

相關(guān)碩士學位論文 前1條

1 楊志剛;基于主軸電機電流信號的鏜削顫振監(jiān)測研究[D];華中科技大學;2012年

本文編號：2831809