基于深度神经网络的机器人加工系统模态特性预测_李法贵.pdf

852023年第66卷第3期航空制造技术RESEARCH研究论文基于深度神经网络的机器人加工系统模态特性预测李法贵，王若奇，孙玉文（大连理工大学精密与特种加工教育部重点实验室，大连 116024）摘要 串联式工业机器人具有工作空间大且灵活性强的特点，被广泛应用于飞机蒙皮、航空透明件等大型结构件的加工。然而，工业机器人存在刚度弱、动态特性空间分布差异大的问题，导致其铣削稳定性极限低，不同加工区域的铣削性能变化明显，可供选择的工艺参数窗口狭窄的问题。研究机器人铣削系统加工过程中的动态特性，建立位姿相关模态预测模型对提升机器人加工性能有重要意义。本文以 ABB 机器人加工系统为研究对象，提出了一种基于深度神经网络的模态预测方法。首先，采用多普勒测振仪对机器人加工系统进行了模态试验，对多阶模态的空间变化加以分析。随后，根据机器人实际工作空间，设计测试试验组从而获取位姿相关的频响函数集，并利用有理多项式法准确辨识相关模态参数。在此基础上，采用超参数优化法建立深度神经网络预测模型，最终实现工业机器人工作空间内位姿相关的多阶模态参数准确预测。试验结果表明，该方法预测精度可达 80%以上。关键词：机器人加工；模态预测；神经网络模型；超参数优化；薄壁件Modal Characteristics Prediction of Robotic Machining Systems Based on Deep Neural NetworkLI Fagui,WANG Ruoqi,SUN Yuwen(Key Laboratory for Precision and Non-Traditional Machining Technology of the Ministry of Education,Dalian University of Technology,Dalian 116024,China)ABSTRACT Duetolargeworkingspaceandstrongflexibility,serialindustrialrobotsarewidelyusedinthemachiningoflargestructuralpartssuchasaircraftskinandaviationtransparentpart.However,thelowstiffnessofindustrialrobotsand large differences in the spatial distribution of dynamic characteristics lead to low limits of their milling stability,significant variations in milling performance in different machining regions,and narrow windows of available process parameters.It is important to study the dynamic characteristics of the robot milling system during machining and to establish a positional correlation modal prediction model to improve the robot machining performance.In this paper,a modal prediction method based on deep neural network is proposed for an ABB robotic machining system.Firstly,the modal experiment of the robot processing system is carried out by using the Doppler vibrometer,and the spatial variation of each order modal is analyzed.Then,according to the actual working space of the robot,an experiment is designed to obtainthefrequencyresponsefunctionsetrelatedtothepose,andtherelatedmodalparametersareaccuratelyidentifiedby the rational polynomial method.On this basis,the hyperparamter optimization method is used to establish a deep neural network prediction model,which can accurately predict the pose-dependent modal parameters in the robot workspace.Finally,the experimental results show that the prediction accuracy of this method can reach more than 80%.Keywords:Robotic machining;Modal prediction;Neural network model;Hyperparameter optimization;Thin-wall partsDOI:10.16080/j.issn1671-833x.2023.03.085引文格式：李法贵,王若奇,孙玉文.基于深度神经网络的机器人加工系统模态特性预测J.航空制造技术,2023,66(3):8592,124.LI Fagui,WANG Ruoqi,SUN Yuwen.Modal characteristics prediction of robotic machining systems based on deep neural networkJ.Aeronautical Manufacturing Technology,2023,66(3):8592,124.86航空制造技术2023年第66卷第3期研究论文RESEARCH工业机器人具有灵活性高、成本低等优点，已经被广泛应用于工业制造领域，但由于机器人存在刚性相对弱、空间分布差异大的局限性12，使其在加工大尺寸变壁厚的复杂曲面件时易发生颤振，从而影响加工效率和质量。此外，机器人加工系统工作空间大且其模态特性与位姿存在关系3，如何准确预测其位姿相关的全域模态特性，是机器人高效加工尤其是铣削加工中须需解决的问题之一。国内外学者针对机器人加工系统动力学特性开展了相关研究。岳超4综合考虑了机器人关节静刚度、主轴装配区及刀具刚度建立了机器人整体刚度场，并分析了其在工件平面内的刚度性能分布。田莉莉5运用DH 法建立了六自由度串联工业机器人的运动学建模，分析了机器人姿态对固有频率的影响，并得出第 2 4 关节的变化对机器人固有频率影响较大。Mousavi 等6给出了机器人动力学分析的简化模型，得出了机器人固有频率沿刀具路径变化较大的结论。Tunc 等7探究了六足机器人的不同区域固有频率及相应振幅的变化规律，发现两者在不同区间内均呈现出明显变化的趋势。随后，Tunc 等8在考虑到刀尖动力学的不对称性和位置依赖性的情况下，探究了进给方向对加工稳定性的影响。在深入了解机器人模态特性的基础上，对于机器人模态特性的预测，主要有 2 种方法：解析建模法和统计学习法。解析建模法主要通过理论分析、有限元建模等来预测机器人模态特性，但分析过程复杂建模困难；统计学习法是将理论与试验相结合，通过模态试验所辨识的模态参数进行统计学习，是大数据理论发展所新兴的趋势。Mousavi 等9使用 3D 欧拉 伯努利梁单元建立了一个简化的多体模型，用于预测机器人的动态特性，并将柔性关节和柔性体方法与矩阵结构分析方法相结合，建立了预测姿态相关的自适应动力学模型。Nguyen等10提出了一种运行模态分析方法，用于识别机器人在运行过程中的频响函数，在此基础上提出了一种预测工作空间内机器人的模态特性的新方法。Chen 等11提出了一种新的扩展模型，用于计算六自由度机器人在任何姿态下刀尖的频响函数，并通过响应耦合子结构法将刀具和刀柄的频响函数耦合在内。深度学习神经网络作为一种处理大数据的有效方法，能有效处理多输入多输出问题，并已应用于图像和声学识12、机器人定位误差补偿13、复杂零件特征识别14等领域，也可用于机器人位姿相关的模态参数预测。机器人加工系统本体存在多阶模态，但国内外学者的研究主要还是考虑机器人的单模态，而考虑机器人整个工作空间、对多模态等因素的动力学特性研究和预测较少。此外，频响函数矩阵的交叉耦合项也会影响系统的动态特性15。为准确获取机器人加工系统位姿相关的模态参数，本文考虑到多模态和交叉耦合项对动力学模型的影响，提出了一种基于深度神经网络的机器人加工系统全域多模态预测方法。首先，以使用多普勒测振仪进行模态试验所获取的位姿相关的频响函数为基础，采用超参数优化法建立的深度神经网络为预测模型；其次，以利用有理多项式法对频响函数辨识出的相关模态参数作为训练集，完成模型的训练和测试。最终通过设计试验验证了所提方法的准确性。1 机器人加工系统模态特性分析机器人加工系统由 ABB IRB6660 工业机器人、末端执行装置等组成，具有工作空间大、运动灵活等优点，但在加工薄壁件过程中其自身弱刚性特点易诱发颤振，进而影响加工精度与质量。同时机器人加工系统的模态特性依赖于机器人的空间位姿，且难以通过模态锤击试验获取完整工作空间内的模态参数。因此，需要准确辨识机器人加工系统的各阶模态参数，并分析其空间变化规律分析，为后续机器人加工系统模态参数预测提供基础。机器人加工系统如图 1 所示。机器人铣削系统模态呈现空间分布差异大、位姿依赖性强的特点，为探究其在运动空间内的变化规律，在 z=810 mm 的平面内，选取 25 个位置进行模态试验。随后对试验获取的频响函数进行模态辨识，得到固有频率、阻尼比、模态刚度等模态参数，并对不同位姿下模态参数空间分布规律进行分析。X 方向的模态参数在z=810 mm 平面内的变化如图 2 所示。可以看出，机器人本体模态参数在不同位置处差异较大，位姿依赖明显且存在多阶模态。机器人第 1阶模态中固有频率 820 Hz、阻尼比 0.5%3%、模态刚度 5106 1.5108 N/m；机器人第 2 阶模态中固有频率20 25 Hz、阻尼比 1%2.5%、模态刚度 21061.2107 N/m。模态参数随位置发生变化，但在某些小区间内，模图 1 机器人加工系统Fig.1 Robotic processing system工作台薄壁件刀柄刀具主轴抱夹电主轴机器人末端872023年第66卷第3期航空制造技术RESEARCH研究论文态参数变化较小。在上述试验基础上，选取机器人在 3 个不同姿态下 X、Y、Z 方向的试验结果，对同一方向不同姿态和同一姿态不同方向频响函数进行了分析，所选位姿为Pose1=（1450 mm，500 mm，810 mm），Pose2=（1675 mm，190 mm，810 mm），Pose3=（1900 mm，120 mm，810 mm），各方向频响函数及试验位置如图 3 所示，得出以下结论。（1）不同位姿相同方向机器人本体频响差异明显。（2）同一位姿不同方向的频响函数呈现各向异性。机器人加工系统是一个典型的多模态系统，且模态呈现出各向异性、位姿依赖性强的特点，准确预测不同位姿下机器人加工系统的动态特性是研究机器人的加工性能及稳定加工工况的基础。2 基于深度神经网络的机器人加工系统模态 预测机器人模态参数