[发明专利]一种机器人铣削轨迹精度补偿方法

说明书

本发明提供一种机器人铣削轨迹精度补偿方法，包括：基于深度前馈神经网络模型训练铣削力预测模型；确定机器人铣削加工范围，在所述范围内规划出预设数量的采样点并采集所述采样点的理论位姿数据；采集机器人在采样点的实际铣削力和实际位置坐标数据，对比实际位置坐标数据和所述理论位置坐标数据，获取实际定位误差数据；基于深度前馈神经网络模型训练铣削定位误差预测模型；基于铣削力预测模型和铣削定位误差预测模型修正目标点的坐标。本发明综合考虑了外力和理论位姿对机器人轨迹精度的影响，同时在训练模型的过程中，采用海洋捕食者算法和网格搜索法确定隐藏层节点个数，显著提高了机器人在铣削加工时的轨迹精度。

技术领域

本发明属于机器人加工技术领域，具体涉及一种机器人铣削轨迹精度补偿方法。

背景技术

近年来，利用工业机器人对大型复杂零件进行铣削加工已逐步广泛应用于航空航天高端制造领域。工业机器人具有良好的运动灵活性、较强的人机交互能力、较低的制造成本和较小的空间要求，能够快速调整工作状态，实现产品的智能化、柔性化生产。

在加工过程中，机器人末端执行器完成加工轨迹的插补运动，因此机器人的轨迹精度直接影响到产品的加工精度。然而，一般情况下，由于工业机器人在制造和安装环节不可避免地引入误差，实际运动学模型与名义运动学模型不同，机器人的轨迹精度通常都是比较低的。此外，在机器人加工过程中，除了机器人本体的运动误差外，加工载荷引起的变形误差也是影响机器人加工轨迹精度和加工表面质量的主要因素之一。在工程应用，特别是在重型机械加工作业中，由于工作载荷的影响而产生的误差往往是毫米级的。因此，研究加工条件下工业机器人轨迹精度补偿具有现实而深远的意义。

公开号CN104535027A的专利对机器人实际运动学误差进行参数辨识，并通过运动学逆解求出机器人实际位姿，完成机器人的定位精度补偿，但此方法忽略了非几何因素，且建模复杂，补偿效果受限。公开号CN102230783A的专利采用反距离加权法来预测机器人的定位误差并进行补偿，但此方法中采样步长大小对补偿精度和效率影响很大，且没有考虑到姿态对误差的影响。公开号CN110385720B的专利与发表在学术期刊《Chinese Journalof Aeronautics》，2021，35(2)：346-360的文章都是利用深度前馈神经网络建立机器人的定位误差补偿模型，这种方法忽略了外力对机器人末端精度的影响。

发明内容

针对上述现有技术中存在的缺陷，本发明提供一种提高机器人的铣削轨迹精度的机器人铣削轨迹精度补偿方法。

本发明提出的技术方案如下：

一方面本发明公开了一种机器人铣削轨迹精度补偿方法，包括以下步骤：

制作第一样本数据集，选择铣削参数，设计预设数量的铣削实验，采集机器人末端所受铣削力，其中铣削参数和对应的铣削力为一组样本数据，对所述第一样本数据集进行预处理并按预设比例划分为第一训练集和第一测试集，使用第一训练集基于深度前馈神经网络模型训练铣削力预测模型，

确定机器人铣削加工范围，在所述范围内规划出预设数量的采样点并采集所述采样点的理论位姿数据，其中所述理论位姿数据包括理论位置坐标数据和理论姿态角数据；

控制机器人遍历所述采样点，采集机器人在采样点的实际铣削力和实际位置坐标数据，对比实际位置坐标数据和所述理论位置坐标数据，获取实际定位误差数据；

制作第二样本数据集，其中每个采样点的实际铣削力、理论位姿数据、实际定位误差数据为一组样本数据，对所述第二样本数据集进行预处理并按预设比例划分为第二训练集和第二测试集，使用第二训练集基于深度前馈神经网络模型训练铣削定位误差预测模型；

根据铣削任务获取铣削参数，将铣削参数输入铣削力预测模型获取铣削力预测值；

根据铣削任务获取待加工轨迹，将待加工轨迹离散为各线段始末位置组成的目标点集并获取目标点的理论位姿数据；