[发明专利]基于虚拟样本的弹性工件机器人磨抛表面粗糙度预测方法

说明书

本发明属于机器人磨抛加工领域，并具体公开了一种基于虚拟样本的弹性工件机器人磨抛表面粗糙度预测方法。包括：根据机器人磨抛实验数据构建样本集，对样本集中的样本点进行去噪处理，再根据设定比例将剩余的样本点进行划分，以获取训练样本和验证样本；根据训练样本中样本的分布空间、分布离散度生成训练样本的置信空间，并在置信空间内生成有关虚拟样本，构造映射关系模型的损失函数，再将虚拟样本与训练样本共同作为映射关系模型的输入，对所述映射关系模型进行梯度迭代训练，求解所述损失函数的极点，并采用验证样本对极点处的映射关系模型进行验证，获取最优映射关系模型。本发明方法在小样本下仍可以保持较高的预测精度与较好的鲁棒性。

技术领域

本发明属于工业机器人自动化加工技术领域，更具体地，涉及一种基于虚拟样本的弹性工件机器人磨抛表面粗糙度预测方法。

背景技术

机器人磨抛加工是提高工件表面质量与尺寸精度的关键工艺之一。作为衡量机器人磨抛加工质量的重要评价指标，表面粗糙度不仅代表了零件表面的制造精度等级，也对零件的使用性能和整体设备的可靠性有巨大的影响。然而，受加工材料、打磨环境和机器人本体刚度的影响，工艺参数与表面粗糙度的映射关系难以统一。在磨抛加工中，通常需要技术人员反复实验探索所需工艺参数，不利于机器人集成应用技术的推广使用。

为了解决上述问题，专利文献CN110118543A公布了一种基于机器人盘式打磨的工件表面粗糙度预测方法，该方法通过正交实验、多元线性回归来构建表面粗糙度预测模型，求解了刚性接触下打磨工艺参数与表面粗糙度之间的映射关系；在此基础上，专利文献CN109794813A公布了一种考虑加工弹性变形的机器人砂带磨抛表面粗糙度预测方法，通过引入工件、砂带接触轮弹性模量的修正值，大大提高了模型的预测精度与普适性。

而对于弹性材料(例如橡胶、塑料等)而言，在磨抛过程中不仅加工厚度会发生变化，其本身也会发生一定的形变，专利文献CN109794813A所提出的修正方案在弹性工件的应用上存在一定的局限性，并未考虑到打磨盘与工件表面的夹角对表面粗糙度的影响；同时，专利文献CN110118543A所采用的线性回归对模型本身的准确性要求很高，当物理模型不完备时，其预测效果、普适能力都存在一定局限性，其在表面粗糙度预测过程中，泛化能力弱、鲁棒性差等问题仍然存在。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于虚拟样本的弹性工件机器人磨抛表面粗糙度预测方法，基于通过对机器人磨抛加工中的磨头转速、打磨压力、磨粒粒度、离边距离、打磨倾角等工艺参数进行拟合，同时引入虚拟样本作为表面粗糙度预测的部分训练样本对预测模型进行训练，实现了对机器人磨抛加工的表面粗糙度进行预测。所得到的预测模型可以辅助实现高效参数选型，提高表面加工质量。本发明具有预测精度高、鲁棒性好等特点。

为实现上述目的，本发明提出了一种基于虚拟样本的弹性工件机器人磨抛表面粗糙度预测方法，包括以下步骤：

S1根据机器人磨抛实验数据构建样本集，该样本集包括机器人磨抛工艺参数以及各工况下工艺参数所对应的表面粗糙度；

S2构建机器人磨抛表面粗糙度与机器人磨抛工艺参数的映射关系模型；

S3对所述样本集中的样本点进行去噪处理，再根据设定比例将剩余的样本点进行划分，以获取训练样本和验证样本；

S4根据训练样本中样本的分布空间、分布离散度生成训练样本的置信空间，并在所述置信空间内生成虚拟样本，构造映射关系模型的损失函数，再将所述虚拟样本与训练样本共同作为所述映射关系模型的输入，对所述映射关系模型进行梯度迭代训练，求解所述损失函数的极点，并采用验证样本对极点处的映射关系模型进行验证，获取最优映射关系模型；

S5采用最优映射关系模型对输入的磨抛工艺参数进行表面粗糙度预测。

作为进一步优选的，步骤S1中，所述机器人磨抛工艺参数包括磨头转速V、打磨压力F、磨粒粒度Rc、离边距离d、打磨倾角θ。