机器人铣削加工颤振自适应识别方法研究

针对机器人铣削颤振形式复杂、难以有效识别的问题,提出一种机器人铣削加工颤振自适应识别方法。首先对原始振动信号进行信号分离,保留能够表征机器人加工状态的信息;然后采用不同信号功率谱熵之间的差值表征不同铣削状态下振动信号的频率分布特性,采用原始信号的标准偏差表征机器人铣削振动信号的时域特性。采用上述特征指标构建能够表征机器人不同铣削状态的三维特征向量矩阵,将特征向量输入支持向量机,构建机器人铣削加工颤振自适应识别模型。对模型进行验证,并与现有方法进行对比,结果表明,构建的机器人铣削颤振自适应识别模型能够准确识别机器人铣削加工过程中的再生颤振与低频颤振;对于稳定、早期颤振、剧烈颤振、低频颤振以及空载等状态的识别准确率达到93%,优于现有方法。

基于卷积神经网络的机器人铣削颤振识别

串联式工业机器人整体刚度较低,铣削加工过程中极易产生颤振,降低工件表面质量与尺寸精度。针对机器人铣削颤振识别问题,提出一种基于卷积神经网络的颤振识别方法。通过机器人铣削实验采集不同加工状态下的振动加速度信号,提取信号的功率谱熵差与均方根作为特征指标;采用特征指标构建表征机器人不同铣削状态的二维散点图像数据集。采用卷积神经网络算法构建机器人铣削状态智能识别模型,对机器人铣削状态进行辨识。为验证所提方法的有效性,与现有方法进行对比分析与验证。结果表明,基于卷积神经网络构建的识别模型能够有效辨识机器人铣削加工过程中的不同状态,其识别准确率可达95.10%,优于采用支持向量机构建的模型。