一种基于超参数优化的机器人铣削加工颤振辨识方法技术

本发明专利技术属于铣削加工相关技术领域，并公开了一种基于超参数优化的机器人铣削加工颤振辨识方法。该方法包括下列步骤：S1采集机器人铣削加工中的振动信号，并赋予每个振动信号样本振动标签，以此形成振动信号样本集；S2对每个振动信号样本进行变分模态分解和求解信息熵值，以此获得所有振动信号样本对应的特征向量；构建支持向量机初始预测模型，并训练，以此获得更新后的预测模型；S3以辨识模型的精度为优化目标，对超参数K、C和σ进行寻优，以此获得优化后的颤振辨识模型，利用该优化后的辨识模型识别振动信号的振动标签，即实现铣削加工中颤振的辨识。通过本发明专利技术，准确辨识机器人铣削加工中的颤振现象，提升加工质量和效率。提升加工质量和效率。提升加工质量和效率。

【技术实现步骤摘要】
一种基于超参数优化的机器人铣削加工颤振辨识方法


[0001]本专利技术属于铣削加工相关
，更具体地，涉及一种基于超参数优化的机器人铣削加工颤振辨识方法。

技术介绍

[0002]工业机器人具有成本低、工作空间大、灵活性高等优点，被广泛应用于大型复杂零件的铣削加工。然而，机器人的低刚度容易产生颤振，降低零件表面加工质量，加剧刀具磨损，甚至损坏机器人，影响加工精度、质量和效率。机器人铣削过程中发生的颤振主要由机器人本体的自激模态耦合颤振和再生颤振组成。颤振信号在时域存在不稳定，混乱等特点。
[0003]目前国内外的颤振识别主要是通过对加工表面的观察和物理信号时频域的分析来实现的。通过对加工表面图像，切削力信号，振动信号和电流信号等进行特征提取和阈值设置来辨识颤振。其中，特征阈值的设置是影响辨识精度的重要因素。也有通过引入基于机器学习的颤振识别模型，以与振动相关的物理信号为输入，建立输入与输出相互对应的黑箱模型，将颤振辨识过程视为模式识别过程。与深度学习相比，机器学习计算时间短，更适合于颤振监测。然而，机器学习中信号的特征选择和提取对模型的精度有很大的影响。基于机器学习的颤振辨识模型超参数采用网格搜索法进行优化，虽寻优稳定，优化模型精度易达到全局最优，但其寻优时间长，效率低。采用启发式算法进行超参数寻优，寻优时间短效率高，但易陷入局部最优，多次优化得到的颤振辨识模型精度不稳定。
[0004]针对上述技术问题，亟待提出一种基于机器学习和稳定高效寻优算法的机器人铣削加工颤振辨识方法，可以提取振动信号的显著特征，准确识别颤振类型。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于超参数优化的机器人铣削加工颤振辨识方法，通过构建支持向量机分类模型，并对预测模型的超参数进行优化，最终确定优化后的颤振辨识模型，利用该模型进行颤振类型的辨识，能够准确提取颤振特征，辨识机器人铣削加工中的颤振，具有辨识准确性高，泛化性能好等优点。
[0006]为实现上述目的，按照本专利技术，提供了一种基于超参数优化的机器人铣削加工颤振辨识方法，该方法包括下列步骤：
[0007]S1构建数据样本
[0008]对于机器人铣削加工轨迹中的多段切削路径，在预设采样频率下采集每段切削路径中机器人主轴沿X,Y和Z轴方向的加速度，选取沿X,Y和Z轴方向加速度振幅最大的加速度作为振动主轴的振动信号；将多段切削过程的振动信号进行拼接获得整条加工轨迹的振动信号，构建多个振动信号样本，并根据振动信号样本的时频特征赋予每个振动信号样本振动标签，以此形成振动信号样本集；
[0009]S2构建预测模型
[0010]设置初始模态分量个数为K，分别对于每个振动信号样本进行变分模态分解，以此
获得每个振动信号样本的本征模态分量，计算各个本征模态分量的信息熵值，利用获得的信息熵值构建该振动信号样本对应的特征向量，以此获得所有振动信号样本对应的特征向量；构建支持向量机初始预测模型，以每个振动信号样本对应的特征向量和振动标签作为输入，训练所述初始颤振辨识模型，以此获得更新后的辨识模型；
[0011]S3参数优化
[0012]对于步骤S2中获得的更新后的辨识模型，以该更新后的辨识模型的辨识精度为优化目标，对变分模态分解的超参数K、支持向量机的超参数C和σ进行寻优，以此获得优化后的辨识模型，利用该优化后的辨识模型辨识获得振动信号的振动标签，即实现铣削加工中颤振的辨识。
[0013]进一步优选地，在步骤S3中，对变分模态分解的超参数K、支持向量机的超参数C和σ进行寻优按照下列步骤进行：
[0014]S31设定支持向量机的超参数C、σ和变分模态分解的超参数K的取值范围分别为和[1,p]，其中，p和q均是大于1的正整数；
[0015]S32设定离散步长为C
step1
和σ
step1
，利用该离散步长对[C
min
,C
max
]，[σ
min
,σ
max
]进行离散，以此实现超参数C和σ的离散，采用网格搜索法更新超参数C和σ的值，并以此确定最优超参数K，获得使模型训练精度最大的超参数(C
o1
,σ
o1
,K
o1
)作为最优超参数组合；
[0016]S33设定离散步长C
step2
,σ
step2
，利用该离散步长对[C
min
,C
max
]，[σ
min
,σ
max
]进行离散，采用网格搜索法更新插值点C和σ的取值，采用双线性插值计算获得超参数K值，并更新得到最优超参数组合(C
o2
,σ
o2
,K
o2
)；
[0017]S34以步骤S33中获得的最优组合(C
o2
,σ
o2
,K
o2
)为中心，设定离散步长C
step3
和σ
step3
，利用网格搜索法搜索最优组合(C
o2
,σ
o2
,K
o2
)附近的点中是否存在更优组合，以此获得更优组合(C
o3
,σ
o3
,K
o3
)，即实现超参数C、σ和K的优化，其中，C
step3
＜C
step2
＜C
step1
,σ
step3
＜σ
step2
＜σ
step1
。
[0018]进一步优选地，在步骤S32中，所述根据C和σ确定最优超参数K按照下列方式进行：
[0019]采用网格搜索法确定超参数(C，σ)对应的最优超参数K，所述网格搜索法中K值按照下列表达式确定：
[0020][0021]网格搜索法的约束条件为：
[0022]s.t.k(C,σ)＝K
i-1
,(|acc
i-acc
i-1
|≤δ)
[0023]其中，acc(C,σ,K)是超参数取值(C,σ,K)时的辨识模型精度，p是K取值范围的上界，acc
i
是acc(C,σ,K＝i)的简写，acc
i-1
是acc(C,σ,K＝i-1)的简写，K
i-1
表示K＝i-1，i表示K取值范围内大于1的某个取值，δ是设置的常数。
[0024]进一步优选地，在步骤S33中，所述超参数K值按照下列表达式计算：
[0025][0026]其中，(C1,σ1),(C1,σ2),(C2,σ1),(C2,σ2)是距离离散点(C,σ)最近的四个已知点。
[0027]进一步优选地，在步骤S1中，所述构建多个振动信号样本是通过对所述振动信号进行滑窗采样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超参数优化的机器人铣削加工颤振辨识方法，其特征在于，该方法包括下列步骤：S1构建数据样本对于机器人铣削加工轨迹中的多段切削路径，在预设采样频率下采集每段切削路径中机器人主轴沿X,Y和Z轴方向的加速度，选取沿X,Y和Z轴方向加速度振幅最大的加速度作为振动主轴的振动信号；将多段切削过程的振动信号进行拼接获得整条加工轨迹的振动信号，构建多个振动信号样本，并根据振动信号样本的时频特征赋予每个振动信号样本振动标签，以此形成振动信号样本集；S2构建预测模型设置初始模态分量个数为K，分别对于每个振动信号样本进行变分模态分解，以此获得每个振动信号样本的本征模态分量，计算各个本征模态分量的信息熵值，利用获得的信息熵值构建该振动信号样本对应的特征向量，以此获得所有振动信号样本对应的特征向量；构建支持向量机初始预测模型，以每个振动信号样本对应的特征向量和振动标签作为输入，训练所述初始颤振辨识模型，以此获得更新后的辨识模型；S3参数优化对于步骤S2中获得的更新后的辨识模型，以该更新后的辨识模型的辨识精度为优化目标，对变分模态分解的超参数K、支持向量机的超参数C和σ进行寻优，以此获得优化后的辨识模型，利用该优化后的辨识模型辨识获得振动信号的振动标签，即实现铣削加工中颤振的辨识。2.如权利要求1所述的一种基于超参数优化的机器人铣削加工颤振辨识方法，其特征在于，在步骤S3中，对变分模态分解的超参数K、支持向量机的超参数C和σ进行寻优按照下列步骤进行：S31设定支持向量机的超参数C、σ和变分模态分解的超参数K的取值范围分别为和[1,p]，其中，p和q均是大于1的正整数；S32设定离散步长为C
step1
和σ
step1
，利用该离散步长对[C
min
,C
max
]，[σ
min
,σ
max
]进行离散，以此实现超参数C和σ的离散，采用网格搜索法更新超参数C和σ的值，并以此确定最优超参数K，获得使模型训练精度最大的超参数(C
o1
,σ
o1
,K
o1
)作为最优超参数组合；S33设定离散步长C
step2
,σ
step2
，利用该离散步长对[C
min
,C
max
]，[σ
min
,σ
max
]进行离散，采用网格搜索法更新插值点C和σ的取值，采用双线性插值计算获得超参数K值，并更新得到最优超参数组合(C
o2
,σ
o2
,K
o2
)；S34以步骤S33中获得的最优组合(C
o2
,σ
o2
,K
o2
)为中心，设定离散步长C
step3
和σ
step3
，利用网格搜索法搜索最优组合(C
o2
,σ
o2
,K
o2
)附近的点中是否存在更优组合，以此获得更优组合(C
o3
,σ
o3
,K
o3
)，即实现超参数C、σ和K的优化，其中，C
step3
＜C
step2
＜C

【专利技术属性】
技术研发人员：唐小卫，彭芳瑜，王宇，闫蓉，张明锴，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：