CN112733296A - 基于grnn的混联机器人铣削加工误差预测及补偿方法 - Google Patents

Abstract

本发明公开了一种混联机器人铣削加工误差预测及补偿方法，包括步骤：获取混联机器人铣削加工误差数据，定义铣削轨迹形状理论坐标值与实际测量值的偏差为加工误差；采用Matlab基于广义回归神经网络建立混联机器人对工件进行铣削加工的误差预测模型，经过多次训练，得到最优的误差预测模型，采用所述的最优神经网络模型对通过UG软件生成的工件铣削加工的理论刀位轨迹进行误差预测，实现对工件的每一个加工点位置坐标的误差补偿。采用本方法实现了加工误差预先补偿，提升了补偿精度。

Description

基于GRNN的混联机器人铣削加工误差预测及补偿方法

技术领域

本发明属于混联机器人铣削加工技术领域，尤其涉及一种混联机器人铣削加工误差预测及补偿方法。

背景技术

混联机器人是在并联机器人和串联机器人的基础上发展出的新的机械加工构型装备。目前大多混联机器人是在并联机构的基础上串接串联转头从而实现的。与传统的串联构型装备和并联构型装备相比，混联机器人自身结构简单，刚度好，定位精度高，动态响应好，工作空间相对大，占地面积小，适宜大规模机械加工过程。加工精度是加工过程中的重要指标之一，加工过程中各种误差难以避免，如何保证加工精度要求，是混联机器人加工落地亟待解决的问题。

相较于数控机床，混机器人刚度较小，并且刚度随着位姿变化，难以保证加工精度。影响机器人加工误差的因素很多，主要包括机器人制造安装误差，机器人位置姿态误差，定位误差，刀具误差以及夹具误差数等。误差补偿则有硬件补偿法和软件补偿，其中硬件补偿成本高，操作难度大，不适宜大规模加工，软件补偿法成本低，操作简便，综合效益最高。

目前针对混联机器人加工误差预测补偿的方法主要集中于机器人几何误差建模和机器人自身标定，几何误差建模需要繁琐的数学推导过程，费时费力，并且不涉及实际的切削过程，很难保证加工精度。

发明内容

本发明的目的在与克服已有技术的缺点，提供一种实现加工误差预先补偿，提升了补偿精度的基于GRNN的混联机器人铣削加工误差预测及补偿方法。

本发明一种混联机器人铣削加工误差预测及补偿方法，包括以下步骤：

步骤一，获取混联机器人铣削加工误差数据，定义铣削轨迹形状理论坐标值与实际测量值的偏差为加工误差；具体过程为：

第一步、在UG软件中建立工件CAD模型，规划对工件进行铣削加工的各个轮廓形状；

第二步、在UG软件中利用点集功能规划对工件进行加工的各个轮廓形状上的理论测量点；

第三步、添加粗铣和精铣工序，在UG软件中设定对工件进行加工需要的加工参数；

第四步、用UG加工功能模块生成对工件进行加工的刀位轨迹，通过后处理器生成NC代码并输入混联机器人；

第五步、混联机器人根据第四步生成的刀位轨迹的NC代码对工件进行铣削加工，记录混联机器人数控加工系统加工工件位置的对刀值，将铣削加工后的工件拆卸下来放置在三坐标测量仪进行坐标测量，通过测量与理论测量点相对应的实际点的坐标，计算得到两者之间的差值为两者之间的误差数据，储存在txt文档中；

步骤二、采用Matlab基于广义回归神经网络建立混联机器人对工件进行铣削加工的误差预测模型，GRNN输入数据为机床坐标系下的工件表面轮廓的理论测量点的三维坐标值，输出值为通过步骤一得到的与该理论测量点的三维坐标值对应的误差值；经过多次训练，得到最优的误差预测模型，所述的广义回归神经网络的光滑因子值采用10折交叉验证法得到；

步骤三、采用所述的最优神经网络模型对通过UG软件生成的工件铣削加工的理论刀位轨迹进行误差预测，然后采用离线刀位轨迹补偿法和迭代法，将理论刀位轨迹沿着工件加工表面偏置一个误差值，进行多次迭代，实现对工件的每一个加工点位置坐标的误差补偿。

采用本发明方法实现了加工误差预先补偿，提升了补偿精度。

附图说明

图1是本发明的混联机器人铣削加工误差预测及补偿方法流程图；

图2是本发明实施例加工误差采集实验加工轨迹形状图；

图3是本发明实施例加工误差理论测量点规划图；

图4是本发明实施例加工误差采集实验刀位轨迹图；

图5是本发明实施例加工误差采集实验所用混联机器人图；

图6是本发明采用的广义回归神经网络(GRNN)结构图；

图7是本发明实施例不同光滑因子对应的模型均方误差；

图8是本发明实施例采用最佳光滑因子建立的预测模型训练样本部分测试数据拟合图；

图9是本发明实施例补偿前后刀位轨迹图；

图10是本发明实施例补偿前后不同深度圆直径对比图；

图11是本发明实施例补偿前后直线加工精度对比图。

具体实施方式

为了更清楚地说明本发明的实施例，下面将结合本发明实施例中的附图，对本发明技术原理进一步描述。

如图1、图2、图3、图4、图5、图6所示，本发明提出一种混联机器人铣削加工误差预测及补偿方法，包括以下步骤：

步骤一，获取混联机器人铣削加工误差数据，定义铣削轨迹形状理论坐标值与实际测量值的偏差为加工误差；具体过程为：

第一步、在UG软件中建立工件CAD模型，规划对工件进行铣削加工的各个轮廓形状，如图2所示，如可以包括开放的矩形槽、圆形槽和正方形槽；

第二步、如图3所示，在UG软件中利用点集功能规划对工件进行加工的各个轮廓形状上的理论测量点；

第三步、添加粗铣和精铣工序，在UG软件中设定对工件进行加工需要的加工参数，如刀具半径、主轴转速、进给速度等；

第四步、如图4所示，用UG加工功能模块生成对工件进行加工的刀位轨迹，通过后处理器生成NC代码并输入混联机器人；

第五步、如图5所示，混联机器人根据第四步生成的刀位轨迹的NC代码对工件进行铣削加工，记录混联机器人数控加工系统加工工件位置的对刀值，将铣削加工后的工件拆卸下来放置在三坐标测量仪(CMM)上进行坐标测量，通过测量与理论测量点相对应的实际点的坐标，计算得到两者之间的差值为两者之间的误差数据，储存在txt文档中。

步骤二、如图6所示，采用Matlab基于广义回归神经网络(GRNN)建立混联机器人对工件进行铣削加工的误差预测模型，GRNN输入数据为机床坐标系下的工件表面轮廓的理论测量点的三维坐标值，输出值为通过步骤一得到的与该理论测量点的三维坐标值对应的误差值。经过多次训练，得到最优的误差预测模型，所述的广义回归神经网络的光滑因子值采用10折交叉验证法(10-fold cross-validation)得到。

作为本发明的一种实施方式，所述的混联机器人对工件进行铣削加工的误差预测模型的建模包括以下步骤：

第一步、数据样本归一化处理；采用Matlab将工件坐标系下的理论测量点的三维坐标值转化为机床坐标系下的理论测量点的三维坐标值，利用Matlab自带的min-max函数对理论测量点的三维坐标值和与该三维坐标值对应的误差值进行归一化处理，得到归一化后样本数据，归一化后数据取值范围在[-1,1],避免因为数量级不同对训练精度的影响；

第二步、确定训练样本和测试样本；将归一化后样本数据进行随机处理，按4：1分为两份，一份作为训练样本，剩下的作为测试样本，以归一化后的理论测量点的三维坐标值为输入变量，与之对应的误差值作为输出变量；

第三步、采用10折交叉验证确定最佳光滑因子。把训练样本数据划分为10份并进行随机处理，9份用于训练神经网络，1份用于验证神经网络，进行10次10折交叉验证，记录使得预测的输出值与实际的误差值均方差(MSE)最小对应的光滑因子作为最佳光滑因子，图7是不同光滑因子对应的模型均方误差；

第四步、使用最佳光滑因子对应的最佳输入值和输出值训练GRNN神经网络，得到的模型作为误差预测模型，图8所示是采用最佳光滑因子建立的预测模型训练样本部分测试数据拟合图；

第五步、测试误差预测模型；

步骤101，采用第二步的测试样本测试误差预测模型性能，并计算决定系数R²、均方根误差R_RMSE、平均相对误差M_MRE和平均绝对误差M_MAE对误差预测模型的性能进行评价；

式中，x_i代表通过步骤一得到的与各个理论测量点的三维坐标值分别对应的误差值；

代表GRNN误差预测模型输出的与各个理论测量点的三维坐标值对应的误差预测值；

代表将与各个理论测量点的三维坐标值对应的误差值的归一化处理后得到的值。

步骤102，重复上述第三步-第四步以及步骤101-102运算多次，通常10次即可；

步骤103，选择决定系数最大且均方根误差、平均相对误差和平均绝对误差最小的模型作为最优的误差预测模型；

本步骤的原理如下：

其建立在非参数回归的基础上，以样本数据为后验条件，执行Parzen非参数估计，依据最大概率原则计算网络输出，GRNN以径向基网络为基础，具有良好的非线性逼近性能，与径向基神经网络相比，训练更为方便，具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性；GRNN在结构上与RBF网络有些相似，共有四层构成：分为输入层、模式层、求和层和输出层。GRNN输入数据为加工试件表面轮廓三维理论坐标值，输出是对应的误差值。神经网络模型预测结果的好坏与样本数据量的大小有直接关系，数据量太少，训练效果很差，预测精度太低；数据量太多，训练时间会增长，加重计算机运算负担，甚至出现过拟合的情况。因此选择合适的训练样本数量是建立一个好的神经网络的前提。

在广义神经网络中，光滑因子决定了其模型性能的好。当取较大的值时，预测数据近似接近样本因变量的平均值，拟合曲线趋势相对平缓；而取较小的值时，预测数据值与训练样本的值接近，拟合曲线甚至会出现过学习情况，预测效果会非常差。为了得到最佳的光滑因子值，采用10折交叉验证法(10-fold cross-validation)。10折交叉验证(10-foldcross validation)是将数据集分成十份，轮流将其中9份做训练1份做验证，10次的结果的均值作为对算法精度的估计，这个方法的优势在于，同时重复运用随机产生的子样本进行训练和验证，每次的结果验证一次。

步骤三、采用所述的最优神经网络模型对通过UG软件生成的工件铣削加工的理论刀位轨迹进行误差预测，然后采用离线刀位轨迹补偿法和迭代法，将理论刀位轨迹沿着工件加工表面偏置一个误差值，进行多次迭代，实现对工件的每一个加工点位置坐标的误差补偿，具体包含以下步骤：

第一步、读取UG生成的理论刀位轨迹文件(cls格式)，提取出工件坐标系下的加工点位置坐标，转换为机床坐标系下刀位点坐标，转换后第i个刀位点坐标为(x_i,y_i,z_i)，其中i∈(1,n)，n为刀位点个数，按照实际加工要求给定公差ε；

第二步、初始化循环开始，i＝1，读取对工件加工的第一个刀位点坐标；

第三步、采用最优误差预测模型预测当前刀位点x，y，z坐标对应的误差E_x,E_y,E_z，计算刀位点法向误差δ_i，其中，

第四步、判断是否δ_i＜ε，如果成立，对当前刀位点进行补偿，当前刀位点坐标加上预测的当前刀位点误差，然后返回第二步，i＝i+1，重复第二步-第四步计算下一个刀位点坐标，直至对全部的刀位点坐标补偿完毕；

如果不成立，当前刀位点坐标减去预测的当前刀位点误差，执行第三步，得到新的法向误差，然后执行第四步直到满足δ_i＜ε，停止运算；

第五步、整理得到的所有经过补偿后的刀位点坐标，将其转化为工件坐标系下的加工点位置坐标，创建一个空的刀位轨迹文件，将加工点位置坐标写入刀位轨迹文件中，图9是补偿前后的刀位轨迹；

第六步、用UG后处理器处理刀位轨迹文件，生成加工NC代码；

第七步、混联机器人采用补偿后的NC代码对工件进行加工。

本步骤的原理是：用理论刀位数据(CL)预测实际加工轨迹，进而修改机器人数控加工NC代码，在加工之前进行误差补偿；离线刀位轨迹补偿法是减小加工误差的一种有效的方法。它不是通过改变加工参数来实现误差补偿，而是通过修改刀位轨迹的方式，引入一个误差源，来抵消加工误差。在加工之前，由训练好的神经网络模型对CAM软件生成的刀位轨迹误差预测，将理论的刀位轨迹沿着加工表面偏置一个误差量实现误差补偿。

补偿后加工误差实验验证，采用补偿后的NC代码进行铣削加工实验，测量补偿后的加工误差与未补偿的进行对比。如图10所示，补偿后不同深度圆直径明显好于补偿前，如图11所示，补偿后加工直线的精度相较于补偿前较大提升，证明了本发明方法补偿有效性。

以上所述仅为本发明的具体实施方式，并不用于限制本发明，凡在本发明的基础原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种混联机器人铣削加工误差预测及补偿方法，其特征在于包括以下步骤：

步骤一，获取混联机器人铣削加工误差数据，定义铣削轨迹形状理论坐标值与实际测量值的偏差为加工误差；具体过程为：

第一步、在UG软件中建立工件CAD模型，规划对工件进行铣削加工的各个轮廓形状；

第二步、在UG软件中利用点集功能规划对工件进行加工的各个轮廓形状上的理论测量点；

第三步、添加粗铣和精铣工序，在UG软件中设定对工件进行加工需要的加工参数；

第四步、用UG加工功能模块生成对工件进行加工的刀位轨迹，通过后处理器生成NC代码并输入混联机器人；

第五步、混联机器人根据第四步生成的刀位轨迹的NC代码对工件进行铣削加工，记录混联机器人数控加工系统加工工件位置的对刀值，将铣削加工后的工件拆卸下来放置在三坐标测量仪进行坐标测量，通过测量与理论测量点相对应的实际点的坐标，计算得到两者之间的差值为两者之间的误差数据，储存在txt文档中；

步骤二、采用Matlab基于广义回归神经网络建立混联机器人对工件进行铣削加工的误差预测模型，GRNN输入数据为机床坐标系下的工件表面轮廓的理论测量点的三维坐标值，输出值为通过步骤一得到的与该理论测量点的三维坐标值对应的误差值；经过多次训练，得到最优的误差预测模型，所述的广义回归神经网络的光滑因子值采用10折交叉验证法得到；

步骤三、采用所述的最优神经网络模型对通过UG软件生成的工件铣削加工的理论刀位轨迹进行误差预测，然后采用离线刀位轨迹补偿法和迭代法，将理论刀位轨迹沿着工件加工表面偏置一个误差值，进行多次迭代，实现对工件的每一个加工点位置坐标的误差补偿。

2.根据权利要求1所述的混联机器人铣削加工误差预测及补偿方法，其特征在于：所述的混联机器人对工件进行铣削加工的误差预测模型的建模包括以下步骤：

第一步、数据样本归一化处理；采用Matlab将工件坐标系下的理论测量点的三维坐标值转化为机床坐标系下的理论测量点的三维坐标值，利用Matlab自带的min-max函数对理论测量点的三维坐标值和与该三维坐标值对应的误差值进行归一化处理，得到归一化后样本数据，归一化后数据取值范围在[-1,1],避免因为数量级不同对训练精度的影响；

第二步、确定训练样本和测试样本；将归一化后样本数据进行随机处理，按4：1分为两份，一份作为训练样本，剩下的作为测试样本，以归一化后的理论测量点的三维坐标值为输入变量，与之对应的误差值作为输出变量；

第三步、采用10折交叉验证确定最佳光滑因子：把训练样本数据划分为10份并进行随机处理，9份用于训练神经网络，1份用于验证神经网络，进行10次10折交叉验证，记录使得预测的输出值与实际的误差值均方差最小对应的光滑因子作为最佳光滑因子；

第四步、使用最佳光滑因子对应的最佳输入值和输出值训练GRNN神经网络，得到的模型作为误差预测模型；

第五步、测试误差预测模型；

步骤101，采用第二步的测试样本测试误差预测模型性能，并计算决定系数R²、均方根误差R_RMSE、平均相对误差M_MRE和平均绝对误差M_MAE对误差预测模型的性能进行评价；

式中，x_i代表通过步骤一得到的与各个理论测量点的三维坐标值分别对应的误差值；

代表GRNN误差预测模型输出的与各个理论测量点的三维坐标值对应的误差预测值；

代表将与各个理论测量点的三维坐标值对应的误差值的归一化处理后得到的值；

步骤102，重复上述第三步-第四步以及步骤101-102运算多次，通常10次即可；

步骤103，选择决定系数最大且均方根误差、平均相对误差和平均绝对误差最小的模型作为最优的误差预测模型。

3.根据权利要求1或者2所述的混联机器人铣削加工误差预测及补偿方法，其特征在于：所述的步骤三包括以下步骤：

第一步、读取UG生成的理论刀位轨迹文件，提取出工件坐标系下的加工点位置坐标，转换为机床坐标系下刀位点坐标，转换后第i个刀位点坐标为(x_i,y_i,z_i)，其中i∈(1,n)，n为刀位点个数，按照实际加工要求给定公差ε；

第二步、初始化循环开始，i＝1，读取对工件加工的第一个刀位点坐标；

第三步、采用最优误差预测模型预测当前刀位点x，y，z坐标对应的误差E_x,E_y,E_z，计算刀位点法向误差δ_i，其中，

第四步、判断是否δ_i＜ε，如果成立，对当前刀位点进行补偿，当前刀位点坐标加上预测的当前刀位点误差，然后返回第二步，i＝i+1，重复第二步-第四步计算下一个刀位点坐标，直至对全部的刀位点坐标补偿完毕；

如果不成立，当前刀位点坐标减去预测的当前刀位点误差，执行第三步，得到新的法向误差，然后执行第四步直到满足δ_i＜ε，停止运算；

第五步、整理得到的所有经过补偿后的刀位点坐标，将其转化为工件坐标系下的加工点位置坐标，创建一个空的刀位轨迹文件，将加工点位置坐标写入刀位轨迹文件中；

第六步、用UG后处理器处理刀位轨迹文件，生成加工NC代码；

第七步、混联机器人采用补偿后的NC代码对工件进行加工。

Images