[发明专利]一种机器人恒力磨削优化方法、系统、设备和介质

权利要求书

1.一种机器人恒力磨削优化方法，其特征在于，包括以下步骤：

建立机器人恒力磨削优化模型并确定其约束条件；

基于确定的机器人恒力磨削优化模型，建立基于变历史影响因子的BP神经网络；

将待测工况下的磨削参数输入训练好的BP神经网络，得到该磨削参数对应的复合材料工件的表面加工质量预测结果。

2.如权利要求1所述的一种机器人恒力磨削优化方法，其特征在于，所述建立机器人恒力磨削优化模型并确定其约束条件的方法，包括：

对机器人恒力打磨复合材料工件的特点进行分析，确定影响复合材料工件成型后表面粗糙度和打磨均匀性的影响因素，所述影响因素包括进给速度v_f、磨削速度v_s、恒定压力F、打磨轨迹间距D；

根据确定的各影响因素，建立以表面粗糙度和打磨均匀性为目标的优化函数；

确定目标优化函数的约束条件，其包括工况变量约束和砂纸耐用度约束。

3.如权利要求2所述的一种机器人恒力磨削优化方法，其特征在于，所述表面粗糙度计算公式为：

其中，Ra为表面粗糙度；K为比例系数；b、c、u为系数；v_f为进给速度；v_s为磨削速度；K_p为Preston常数；L′为打磨头与前一条打磨轨迹之间的相贯线；F为恒定压力；s′为两条轨迹重叠部分；

所述打磨均匀性计算公式为：

其中，R为打磨头半径；S＝2·π·R为打磨头底面积；l_min为打磨头前进过程中与被打磨体之间的最短相贯线；s_max为有重叠区域时打磨头前进过程中与被打磨体之间最大的接触面积；H_max和H_min为打磨轨迹中最高点和最低点。

4.如权利要求2所述的一种机器人恒力磨削优化方法，其特征在于，所述基于确定的机器人恒力磨削优化模型，建立基于变历史影响因子的BP神经网络的方法，包括：

确定BP神经网络结构；

确定激活函数、优化器和损失函数；

通过正交实验法获取磨削参数和加工目标之间的实验数据，将预设比例的数据作为训练集，将剩余数据作为测试集，并对所有数据进行归一化；

基于得到的归一化后的训练集和测试集，以确定的激活函数、优化器和损失函数对建立的BP神经网络进行训练，直到训练达到误差要求，得到训练好的BP神经网络。

5.如权利要求4所述的一种机器人恒力磨削优化方法，其特征在于，所述BP神经网络包括输入层、隐藏层和输出层，所述输入层以进给速度v_f、磨削速度v_s、恒定压力F和打磨轨迹间距D为输入向量；所述输出层以表面粗糙度Ra和打磨均匀性RE为输出向量；所述隐藏层为单隐藏层，且节点数设置为预设值。