基于工业机器人本体信息的打磨状态在线监测方法技术

一种基于工业机器人本体信息的打磨状态在线监测方法，通过在预打磨实验时采集机器人关节电流，并在打磨完成后采集表面质量纹理；然后将关节电流时序信号转换为图像，从而生成打磨状态标签以及打磨状态分类模型数据集，并采用数据集训练打磨状态分类模型；最后在在线阶段采用训练后的打磨状态分类模型实现机器人闭环反馈控制。本发明专利技术采用卷积神经网络捕捉机器人关节电流中内蕴的时频域特征，建立了基于关节电流主成分分析的特征关节选取模型，实现了机器人打磨状态的在线监测。现了机器人打磨状态的在线监测。现了机器人打磨状态的在线监测。

On line monitoring method of grinding state based on industrial robot ontology information

【技术实现步骤摘要】
基于工业机器人本体信息的打磨状态在线监测方法


[0001]本专利技术涉及的是一种自动化制造领域的技术，具体是一种基于工业机器人本体信息的打磨状态在线监测方法。

技术介绍

[0002]受限于现有工业机器人和工件两方面的影响，工业机器人打磨容易出现欠磨和过磨等异常加工状态，会导致工件表面质量的下降，为了保障被打磨工件的加工质量，需要对打磨质量监测方法提出更准确与更高效的要求，最终实现对工件表面质量的在线监测并依据监测结果实时完成机器人自动化打磨的闭环控制。现有技术通过对采集到的加工信号进行信号分析和特征提取，结合工件表面纹理和粗糙度等评价指标，建立起信号特征与表面质量评价指标之间的映射关系。在工业机器人打磨状态在线监测方面，在文章“Online process monitoring based on vibration
‑
surface quality map for robotic grinding”中，Lu等人在安装被打磨工件的支座上布置加速度传感器采集机器人打磨过程振动信号，通过对称点模式图将时序信号转换为图片进行特征提取，依据工件表面图像纹理参数判定机器人打磨状态为欠磨、正常磨、过磨三种情况并生成对称点模式图的标签，最终采用卷积神经网络完成图片分类进而实现打磨状态的监测。

技术实现思路

[0003]本专利技术针对现有技术附加的加速度传感器，成本高昂，且受限于传感器的布置位置，所采集的加速度信号只能一定程度上反映工件的振动情况，而无法反映机器人的振动情况的不足，以及监测准确率取决于训练数据集的大小且在频繁调整工艺参数的同时难以保证其他参数的恒定等缺陷，提出一种基于工业机器人本体信息的打磨状态在线监测方法，采用卷积神经网络捕捉机器人关节电流中内蕴的时频域特征，建立了基于关节电流主成分分析的特征关节选取模型，实现了机器人打磨状态的在线监测。
[0004]本专利技术是通过以下技术方案实现的：
[0005]本专利技术涉及一种基于工业机器人本体信息的打磨状态在线监测方法，通过在预打磨实验时采集机器人关节电流，并在打磨完成后采集表面质量纹理；然后将关节电流时序信号转换为图像，从而生成打磨状态标签以及打磨状态分类模型数据集，并采用数据集训练打磨状态分类模型；最后在在线阶段采用训练后的打磨状态分类模型实现机器人闭环反馈控制。
[0006]所述的预打磨实验是指：通过设置机器人打磨的进给量，构造工件表面的欠磨、正常磨和过磨状态。
[0007]所述的采集机器人关节电流是指：采集不同加工状态下的机器人六个关节的电流信号，对采集的电流信号进行归一化处理，优选为：以10Khz频率采集打磨时工业机器人各关节的电流信号，计算测量电流与该关节额定电流的百分比，将采集的信号归一化。
[0008]所述的采集表面质量纹理是指：利用视觉检测系统，采集加工得到的工件的表面
纹理图像，该视觉检测系统包括：直线移动滑台、高倍率显微镜和显微镜LED点光源，通过计算机控制滑台移动与显微镜拍照，实现加工工件表面纹理信息的自动化采集。
[0009]所述的机器人关节电流，优选进一步经主成分分析，具体为：对机器人关节电流信息进行数据降维处理，结合方差贡献率，选取出受机器人打磨状态影响最明显的关节电流信号，并在后续对该特征关节电流信号进行处理。
[0010]所述的主成分分析，具体包括：对机器人每个关节的以高频采集的电流信号进行去中心化；结合去中心化后的机器人关节电流计算协方差矩阵；采用奇异值分解的方法计算协方差矩阵的特征值和特征向量；将协方差矩阵的特征值从大到小依次排序；选择最大特征值对应的机器人关节电流信号作为特征关节电流信号。
[0011]所述的转换是指：将关节电流时序信号通过小波变换转换成二维时频图，作为机器人打磨状态分类模型的原始数据集，具体为：其中：f(t)为原始信号，t为时间，a为尺度因子，b为时移因子，ψ
*
为ψ的共轭函数，ψ
a,b
(t)为小波基函数，<x,y>为内积。
[0012]所述的打磨状态标签是指：基于灰度共生矩阵及其特征参数，计算采集到的工件的表面图像对应的纹理特征参数，在时域上完成机器人关节电流信号和工件表面纹理的对齐，自动生成机器人打磨状态标签。
[0013]所述的纹理特征参数，即灰度共生矩阵的自相关系数，具体通过以下方式得到：首先计算灰度共生矩阵的行均值和灰度共生矩阵的列均值然后计算灰度共生矩阵的行方差和灰度共生矩阵的列方差最后计算灰度共生矩阵的自相关系数其中：G(i,j)为灰度共生矩阵第i行第j列的元素，μ
i
为灰度共生矩阵的行均值，μ
j
为灰度共生矩阵的列均值，S
i
为灰度共生矩阵的行标准差，S
j
为灰度共生矩阵的列标准差。
[0014]所述的打磨状态分类模型数据集是指：利用带约束自编码器，将转换得到的二维时频图编码为特征向量，采用线性插值方法在特征空间内进行插值，扩充机器人打磨状态分类模型的数据集。
[0015]所述的带约束自编码器的损失函数，通过以下方式得到：将由带约束自编码器的编码器产生的特征向量组成输入矩阵F
B
×
C
，其中：B为网络训练的批量数，C为特征向量的通道数，f
bc
为输入矩阵第b行第c列的元素；定义目标均匀分布为U(0,1)；在区间(0,1)上离散U为B份，得到目标向量B
×
1，将目标向量重复C次并拼接，得到目标矩阵为T
B
×
C
,用为目标矩阵第b行第c列的元素；对输入矩阵的每个通道进行排序，将B维度上的数值从小到大排列，得到排序后的输入矩阵F
’
B
×
C
，为排序后输入矩阵第b行第c列的元素；计算损失函数，具
体计算公式为：
[0016]所述的打磨状态分类模型数据集，优选经特征向量编码和原始样本插值的增强处理，其中：原始样本插值部分基于混合思想，采用线性插值方法构造已有样本的凸组合，扩充原始样本的数量。
[0017]所述的线性插值具体包括：基于自相关系数完成对二维时频图编码出的特征向量的标签给定；选取同一标签类中的任意两个样本X1和X2；基于X1和X2构造原始样本的凸组合X＝γX1+(1
‑
γ)X2；在区间(0,1)上调整γ的取值，构造出新的不同的样本。
[0018]所述的打磨状态分类模型根据由关节电流信息经小波变换和PCA处理得到的二维时频图输出机器人打磨状态如欠磨、正常磨和过磨等，依据带约束自编码器扩充得到的加工数据集对卷积神经网络进行迭代训练，最终采用训练后的卷积神经网络进行打磨状态分类。
[0019]所述的机器人闭环反馈控制是指：在新工件上进行打磨实验，并完成表面纹理信息采集，验证机器人打磨状态分类模型的实时监测效果；基于机器人打磨状态分类模型的输出结果，即欠磨、正常磨和过磨状态，调本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工业机器人本体信息的打磨状态在线监测方法，其特征在于，通过在预打磨实验时采集机器人关节电流，并在打磨完成后采集表面质量纹理；然后将关节电流时序信号转换为图像，从而生成打磨状态标签以及打磨状态分类模型数据集，并采用数据集训练打磨状态分类模型；最后在在线阶段采用训练后的打磨状态分类模型实现机器人闭环反馈控制。所述的采集机器人关节电流是指：采集不同加工状态下的机器人六个关节的电流信号，对采集的电流信号进行归一化处理；所述的纹理特征参数，即灰度共生矩阵的自相关系数，具体通过以下方式得到：首先计算灰度共生矩阵的行均值和灰度共生矩阵的列均值然后计算灰度共生矩阵的行方差和灰度共生矩阵的列方差最后计算灰度共生矩阵的自相关系数其中：G(i,j)为灰度共生矩阵第i行第j列的元素，μ
i
为灰度共生矩阵的行均值，μ
j
为灰度共生矩阵的列均值，S
i
为灰度共生矩阵的行标准差，S
j
为灰度共生矩阵的列标准差。2.根据权利要求1所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的预打磨实验是指：通过设置机器人打磨的进给量，构造工件表面的欠磨、正常磨和过磨状态；所述的采集表面质量纹理是指：利用视觉检测系统，采集加工得到的工件的表面纹理图像，该视觉检测系统包括：直线移动滑台、高倍率显微镜和显微镜LED点光源，通过计算机控制滑台移动与显微镜拍照，实现加工工件表面纹理信息的自动化采集。3.根据权利要求1所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的机器人关节电流，进一步经主成分分析，具体为：对机器人关节电流信息进行数据降维处理，结合方差贡献率，选取出受机器人打磨状态影响最明显的关节电流信号，并在后续对该特征关节电流信号进行处理。4.根据权利要求3所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的主成分分析，具体包括：对机器人每个关节的以高频采集的电流信号进行去中心化；结合去中心化后的机器人关节电流计算协方差矩阵；采用奇异值分解的方法计算协方差矩阵的特征值和特征向量；将协方差矩阵的特征值从大到小依次排序；选择最大特征值对应的机器人关节电流信号作为特征关节电流信号。5.根据权利要求1所述的基于工业机器人本体信息的打磨状态在线监测方法，其特征是，所述的转换是指：将关节电流时序信号通过小波变换转换成二维时频图，作为机器人打磨状态分类模型的原始数据集，具体为：
其中：f(t)为原始信号，t为时间，a为尺度因子，b为时移因子，ψ
*
为ψ的共轭函数，ψ
a,b

【专利技术属性】
技术研发人员：庄春刚，卢岩，关达宇，熊振华，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：