基于SABO优化VMD与K-means++的机器人磨削颤振识别

机器人由于低刚度特性导致加工中极易产生颤振,针对颤振特征频率提取与颤振识别问题,提出基于减法平均优化算法(SABO)对变分模态分解(VMD)中关键参数进行优化,筛选颤振敏感IMF分量并重组;根据颤振信号的频谱特性构建基于功率谱熵差(ΔPSE)的颤振识别指标,采用K-means++算法对不同颤振类型进行辨识。实验结构表明,所提出的SABO-VMD-K-means++方法可以准确识别机器人磨削加工颤振类型,为机器人磨削颤振监测提供一定的指导。

机床与机器人旋转超声铣边对比试验研究

针对弱刚度环境下碳纤维增强复合材料(Carbon fiber reinforced composite material,CFRP)铣边因颤振导致的刀具损伤严重和铣边质量低下问题,开展了机床与机器人有无超声铣边试验研究。分析了超声振动对不同加工方式下铣削力波动的影响规律,开展了机床与机器人刀具损伤的对比试验,分析两种铣边方式下超声能量摄入后对刀具损伤的改善效果,对比分析机床与机器人铣边样件的表面质量。结果表明:机器人的铣削力波动性相比机床增大了57%,导致刀具损伤严重和铣边质量降低。超声振动的引入使得两者之间的加工差异性得到显著减小,对于机器人而言,超声振动作用下刀具损伤减轻35.23%,表面粗糙度降低23.77%。

基于自适应变分模态分解与功率谱熵差的机器人铣削加工颤振类型辨识

机器人铣削加工存在模态耦合颤振和再生颤振现象,有效地进行机器人铣削加工颤振类型的辨识是进行颤振精准抑制和保证加工质量的基础。为此,提出一种基于自适应变分模态分解与功率谱熵差的颤振类型辨识(AVMD-ΔPSE)方法。通过分析机器人铣削加工颤振特性和主导模态,将机器人铣削颤振分为机器人结构模态主导的模态耦合颤振和刀具-主轴结构模态主导的再生颤振两种类型。为了提取颤振敏感子信号,利用自适应变分模态分解方法对原始信号进行分解,根据功率谱熵和频率消除算法设计功率谱熵差颤振类型辨识指标,结合多组试验数据采用高斯混合模型自适应地确定辨识指标最佳分类阈值。颤振辨识试验表明机床铣削加工颤振辨识方法运用于机器人铣削加工中仅能识别颤振却无法区分不同的颤振类型,而AVMD-ΔPSE方法能准确有效地辨识和区分机器人铣削加工中的模态耦合颤振和再生颤振,为机器人铣削颤振的针对性抑制提供理论指导。