一种铸造件清理机器人智能工具调度控制系统技术方案

本发明专利技术公开了一种铸造件清理机器人智能工具调度控制系统，采用点云处理模块获取铸造工件的工件误差并传输至工具调度模块获取铸造工序所需加工工具序列；工艺参数选择模块根据加工工具序列匹配工艺参数；并采用运动规划模块获取加工轨迹路径；并将加工轨迹路径传输至机械臂控制模块；且通过机械臂控制模块的震动分析单元获取加工过程中的震动数据生成反馈信号，工艺参数选择模块根据反馈信号决策工艺参数或调用工具调度模块；工具调度模块基于风险评估与决策模型对反馈信号评估，并根据评估结果调用加工工具序列的工具或调用点云处理模块重新获取工件误差

【技术实现步骤摘要】
一种铸造件清理机器人智能工具调度控制系统


[0001]本专利技术涉及智能工具调度
，尤其涉及一种铸造件清理机器人智能工具调度控制系统
。

技术介绍

[0002]随着科技进步及人力资源成本上升，传统加工制造领域越来越多使用机器人替代人力加工方法
。
在打磨任务中铸造件是复杂，由于工艺限制，铸造件的浇冒口，飞边，固定钢钉等位置与尺寸并不相同，使用单一的打磨工具或固定的流程很难较快并高质量的完成打磨任务
。
由于切割与强磨的过程中产生大量的火花飞溅与粉尘残渣等对周边环境造成冲击，因此双目相机并不能一直安装在手臂上，通常在每个阶段过后需要相机识别铸件处理的情况，进行下一步决策；反复调用相机，大幅降低打磨效率并对相机造成损伤，而工业相机的价格远超机械臂与铸造件
。

技术实现思路

[0003]本专利技术提供一种铸造件清理机器人智能工具调度控制系统，以克服上述技术问题
。
[0004]为了实现上述目的，本专利技术的技术方案是：
[0005]一种铸造件清理机器人智能工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种铸造件清理机器人智能工具调度控制系统，其特征在于，包括点云处理模块
、
工具调度模块
、
工艺参数选择模块
、
运动规划模块以及机械臂控制模块；所述点云处理模块用于获取铸造工件的工件误差模型，并将所述工件误差模型的数据分别传输至工艺参数选择模块
、
运动规划模块以及工具调度模块；所述工具调度模块用于根据工件误差模型的数据获取铸造工序所需加工工具序列；并将所述加工工具序列传输至工艺参数选择模块；所述加工工具序列包括气刨机
、
强磨机
、
角磨机
、
强磨砂带机
、
细磨砂带机以及伸缩挫的一个或几个工具组合方案；所述工艺参数选择模块用于根据工件误差模型的数据与加工工具序列匹配对应加工工具的工艺参数；并将所述工艺参数传输至运动规划模块；所述工艺参数包括工具初始力
、
工具给进速度
、
工具切入角度以及工具主轴转速；所述运动规划模块用于根据工件误差模型的数据
、
加工工具序列以及工艺参数获取加工轨迹路径；并将所述加工轨迹路径传输至机械臂控制模块；所述机械臂控制模块包括机械臂驱动模块
、
机械臂末端力控单元以及震动分析单元；所述机械臂驱动模块用于根据所述加工轨迹路径驱动机械臂带动加工刀具进行加工运动；所述机械臂末端力控单元用于通过六维力控传感器采集机械臂作业时末端工具的震动数据，并将所述震动数据传输至震动分析单元；所述震动分析单元用于将所述震动数据生成反馈信号传输至所述机械臂驱动模块与工艺参数选择模块；所述机械臂驱动模块根据所述反馈信号控制机械臂的启停；所述工艺参数选择模块用于根据所述反馈信号决策工艺参数或调用工具调度模块对反馈信号进行评估；所述工具调度模块基于构建的风险评估与决策模型对所述反馈信号进行评估获取评估结果，并根据所述评估结果调用加工工具序列的工具或调用点云处理模块重新获取工件误差
。2.
根据权利要求1所述的一种铸造件清理机器人智能工具调度控制系统，其特征在于，所述铸造工件的工件误差模型的数据的获取策略具体为通过
3D
双目相机对铸造工件进行扫描获取铸造工件的点云数据；并传输至点云处理模块；所述点云处理模块根据所述点云数据生成待加工铸造工件模型；根据铸造工件的加工工艺将所述待加工铸造工件模型进行区域划分，获取多个模型区域；并根据所述模型区域与设定的标准模型获取各模型区域的空间偏移量，并根据所述空间偏移量获取铸造工件的工件误差模型的数据
。3.
根据权利要求1所述的一种铸造件清理机器人智能工具调度控制系统，其特征在于，所述工具调度模块用于根据工件误差模型的数据获取铸造工序所需加工工具序列的策略为提取所述工件误差模型的误差特征数据，且所述误差特征数据包括最大误差
、
平均误差以及误差分布；并根据所述误差特征数据组合成状态向量作为当前工件误差模型的状态；基于深度强化学习算法网络
DQN
，根据所述工件误差模型的状态定义工件误差模型的
状态空间
、
工具序列的动作空间以及奖励函数；所述工件误差模型的状态空间包括工件误差模型的不同状态；并基于铸造件加工经验设置各工件误差模型状态对应的工具序列表，作为工具序列的动作空间的动作；所述奖励函数用于根据当前工件误差模型状态，获取对应工具序列的动作空间中奖励值最大的工具序列作为最优工具序列；所述奖励函数的表达式为：
R(s,a,s')
＝
‑
E(s')+
γ0·
E(s)
‑
C(a)
式中：
E(s)
与
E(s')
分别表示当前状态
s
的工件误差值与新状态
s'
的工件误差值；
γ0是一个介于0和1之间的折扣因子；
C(a)
表示采取动作
a
的成本；
s
表示当前状态，即当前铸造件的工件误差模型；
a
表示采取的动作，即选择的工具序列；
s'
表示执行动作
a
后得到的新状态；
R(s,a,s')
表示从当前状态
s
采取动作
a
并转移到新状态
s'
得到的奖励；将所述工件误差模型的状态空间的状态与工具序列的动作空间的动作作为深度强化学习算法网络
DQN
的输入，并基于贪婪算法，根据所述奖励函数输出新的动作并建立四元组数据
(state,action,reward,next state)
；创建一个经验回放存储池，将所述四元组数据
(state,action,reward,next state)
存放至经验回放存储池，从经验回放存储池中随机抽取四元组数据作为训练数据子集；通过所述训练数据子集对深度强化学习算法网络
DQN
进行训练获取预测工具序列动作值，通过反向传播法，根据所述预测工具序列动作值与目标工具序列动作值之间的均方误差作为损失函数更新深度强化学习算法网络
DQN
的网络参数权重；并获取预测工具序列动作值与目标工具序列动作值之间的均方误差值最小时，对应的深度强化学习算法网络
DQN
的权重作为最优网络参数权重，基于所述最优网络参数权重获取最优深度强化学习算法网络
DQN
；所述目标工具序列动作值
Q
target
(s,a)
的计算公式为式中：
reward
表示选择某一加工工具后获得的奖励；
s'
表示状态；
γ0表示折扣因子；表示在新状态
s'
下工具序列表中动作的最大值；根据所述最优深度强化学习算法网络
DQN
获取铸造工序所需加工工具序列
。4.
根据权利要求1所述的一种铸造件清理机器人智能工具调度控制系统，其特征在于，所述工艺参数选择模块用于根据工件误差模型的数据与加工工具序列匹配对应加工工具的工艺参数的匹配策略为基于工件误差模型的数据
、
加工工具以及现有的加工工艺库信息定义多个加工工艺参数向量；并根据所述加工工艺参数向量获取工具工艺参数数据库；...

【专利技术属性】
技术研发人员：秦兆伯，李炳萱，赵博，穆禹丞，于健，关颖，陈广泰，刘殿海，
申请(专利权)人：中车科技创新北京有限公司中国科学院沈阳自动化研究所，
类型：发明
国别省市：