基于神经网络的工业机器人力控制研究

周帅，刘晓鸣

(南京航空航天大学机电学院，江苏南京 210016)

0 前言

随着机器人技术的迅速发展，机器人在工业生产中得到了更加广泛的应用，其中机器人力控制是目前工业机器人的主要研究方向之一，研究机器人力控制技术具有重要意义[1]。工业机器人在进行磨削、抛光和装配等接触性作业时，由于机器人末端与工件表面的接触力常常难以得到有效控制，容易造成工件表面的损伤，严重时甚至会损坏机器人，因此需要同时对机器人进行力和位置控制[2]。机器人的力控制中又分为被动力控制和主动力控制，机器人凭借一些辅助的柔顺机构(如弹簧、阻尼等)，使它在与环境接触时能够对外部作用力产生自然顺从，这种方式被称为被动力控制；机器人利用力的反馈信息，采用一定的控制策略主动控制作用力的方式被称为主动力控制[3]。由于被动力控制的适应能力比较差，并且力控制的准确度较低，所以主动力控制成为现在的主流。

主动力控制一般可以归结为四大类：阻抗控制策略[4]、力/位混合控制策略[5]、自适应控制策略和智能控制策略[6]。基于以上4种力控制策略，国内外学者对工业机器人加工过程中的力控制做了大量研究。XU等[7]提出了一种力/位置混合控制与PI/PD控制相结合的方法，应用于复杂几何形状的机器人砂带磨削。张洪瑶等[8]提出了一种基于模糊PID的力/位混合控制策略应用于机器人自动化叶片磨削系统中，相比于传统 PID 控制策略，接触力控制效果和叶片加工质量都有较大的改善。AHMADI等[9]提出了一种用于工业机器人的联合视觉与力的控制方法，用于控制机器人与环境的相互作用力，同时可以跟踪工件上的所需路径。吴炳龙等[10]提出一种基于位置控制的工业机器人力跟踪刚度控制，该方法通过力闭环的积分控制实现力的直接控制，通过刚度控制实现力的间接控制，两者的结合可以让机器人控制更像人类与外界的交互方式。

为了解决机器人自动化磨削过程中的磨削力控制问题，本文作者提出一种基于神经网络算法的工业机器人力控制方法，并搭建一套机器人自动化磨削系统，验证所提出的力控制方法。

1 基于神经网络的机器人磨削力控制

1.1 神经网络

神经网络是20世纪 40 年代由美国数学家 PITTS 和心理学家MC CULLOCH首次提出的[11]。神经网络类似于人的脑神经，以神经元作为基本单元，神经元之间相互连接形成一个网络。在输入大量的训练数据和参数之后，神经元会不断地学习，不断地传递信息，然后从这些复杂的数据中，找出其共同点和规律。神经元以平行排列的方式排列，每层都具有各自的作用，不同层的神经元之间相互连接在一起，网络中的信息通过神经元之间的传递和处理，组成一个完整的神经网络。神经网络具体所实现的功能取决于其结构、权值、偏置值还有其神经元模型。神经元是神经网络的基本计算单元，也被称作节点或者单元。它既能接收其他神经元的输入，又能从外部直接接收信号，然后计算一个输出。最后通过输出数据与训练数据的差值反向传播修正权重参数w和偏置参数b，使得模型预测值与训练数据值逐渐一致。神经元的结构如图1所示。

图1 神经元结构示意

其中：x1，x2，x3，… ，xn是神经元的多维度输入；w1，w2，w3，… ，wn是各个维度输入数据与神经元之间的权值；∑为求和公式，它表示将神经元的输入xi与对应的权值wi相乘再求和；b是神经元的偏置值；f(·)是神经元的激活函数，它能够将输入的数据经过一定的变换，把输出结果限定在规定的范围内；y是神经元的输出，其表达式如下所示：

y=f(WX+b)

(1)

其中：X=[x1，x2，x3，…，xn]；W=[w1，w2，w3，…，wn]T。

1.2 神经网络结构设计

文中构建的神经网络结构如图2所示。整个网络包括：输入层、隐含层和输出层。输入层有一个神经元，代表输入的磨削力信息；隐含层有2层，每层有16个神经元；输出层有一个神经元，代表输入磨削力对应的位移修正值。

图2 神经网络结构示意

采用控制变量法选取学习率、激活函数、Epochs和Batch size等参数，以保证神经网络的预测精度。经过实验，选取学习率为0.000 1，隐含层的激活函数LeakyRelu，Epochs为500。文中所构建的神经网络选用的所有参数如表1所示。

表1 神经网络参数

隐含层1第k个神经元的输出为

ck=Max(0，wkx+bk)+0.2·Min(0，wkx+bk)k=1，2，…，p

(2)

其中：ck为隐含层1的输出；wk为输入层与隐含层1神经元之间的连接权值；x为输入数据；bk为隐含层1的偏置值；n为输入层神经元的个数；p为隐含层1的神经元个数。

隐含层2第t个神经元的输出为

(3)

其中：dt为隐含层2的输出；wtk为隐含层1与隐含层2神经元之间的连接权值；btk为隐含层2的偏置值；q为隐含层2的神经元个数。

输出层的输出为

(4)

其中：y为输出层的输出；wjt为隐含层2与输出层神经元之间的连接权值；bjt为输出层的偏置值。

神经网络中各层神经元的权值和偏置值都会在训练过程中得到调整，从而减小神经网络的输出与实际输出之间的差距。神经网络的具体训练流程如图3所示。

图3 神经网络算法流程

1.3 训练神经网络

为了使神经网络的预测效果达到最佳状态，需要大量的实际数据对它进行训练。文中当ABB机器人夹持工件磨削时，利用ATI六维力传感器对法向磨削力进行采集(文中只针对法向磨削力进行研究)，设置每秒钟采集力信号1 000次，同时设置机器人法向进给速度为5 mm/s，从而可以获得工件在磨削过程中法向磨削力与对应的法向位移偏移量。使用获得的实际数据对构建好的神经网络进行训练，再用训练后的神经网络模型在测试数据上进行验证，结果如图4所示。

图4 实际位移修正值和预测位移修正值对比

1.4 机器人磨削力控制系统

利用前面所构建的神经网络，设计出一种基于神经网络的机器人磨削力控制系统。其控制系统框图如图5所示。

图5 机器人磨削力控制系统框图

首先利用离线编程获得机器人磨削加工轨迹，设定为离线轨迹；然后机器人控制器根据轨迹进行计算，得到各个关节所要转动的角度，从而控制机器人运动。在磨削加工过程中，力传感器对实际磨削力进行实时监控，并将力信号反馈给训练好的神经网络模型。通过神经网络模型预测得到机器人磨削加工的轨迹修正值，将离线轨迹与轨迹修正值相加，就可以得到机器人的预期轨迹，从而实现机器人的间接力控制。

2 工业机器人磨削系统

2.1 硬件部分

以ABB机器人为中心，搭建一套工业机器人磨削系统。系统硬件部分包括：ABB 4600 六自由度工业机器人、砂带机、ATI Omega160 IP65 六维力传感器、POE交换机和PC上位机。工业机器人磨削系统如图6所示。

图6 工业机器人磨削系统

2.2 软件部分

ABB公司提供了软件开发包PC SDK，它可以使得用户基于机器人控制器开发一些定制的PC应用。由于PC SDK使用的是Microsoft.NET平台，所以文中使用Microsoft Visual Studio软件来开发机器人磨削系统上位机软件，上位机软件界面如图7所示。该上位机软件具有3种功能：(1)与ABB机器人控制器进行连接，可以对机器人进行远程控制，实现机器人程序的运行和停止，并实时获取机器人的状态；(2)与ATI力传感器通过UDP协议进行通信，可设置力传感器每隔20 ms向上位机发送一次力数据，上位机接收到数据后，在上位机界面中以波形图的形式实时显示加工过程中机器人末端接触力的变化，并记录下来以便于后期分析；(3)将基于神经网络的力控制算法集成在上位机软件中，能够根据力传感器的力信息实时计算机器人加工轨迹的位移修正值，并实时输送给机器人控制器，再利用ABB机器人的Path Offset功能(即路径偏移，可以理解为在机器人原有加工路径的基础上进行偏移。)完成加工轨迹的实时修正，从而实现机器人的间接力控制。

图7 上位机软件界面

2.3 磨削系统加工流程

力传感器是整个系统的关键部件，它能够对机器人末端在加工过程中的接触力进行实时监控，并将力信号反馈给力控制器。在此基础上，力信号通过训练好的神经网络模型预测机器人磨削加工的轨迹修正值，并将轨迹修正值输出给机器人控制器。机器人控制器对修正后的轨迹进行计算，得到期望加工轨迹，从而控制机器人本体进行运动，夹持工件在砂带机上进行磨削，产生的接触力由力传感器测量再传入力控制器。整个系统保持实时监测，实时修正。整个系统的加工流程如图8所示。

图8 磨削系统加工流程

3 实验与分析

3.1 磨削力跟踪实验

针对前面所设计的基于神经网络的机器人力控制方法，为了验证其恒力控制效果，在所搭建的工业机器人磨削系统上进行了不同大小的磨削力跟踪实验，利用离线编程的磨削轨迹，使机器人夹持工件试件进行砂带磨削。通过算法设定预期法向磨削力分别为20、25、30、35 N，再使用上位机软件采集实验过程中的法向磨削力，力跟踪实验波形如图9所示。

图9 力跟踪实验波形

可以看出：文中所提出的机器人力控制方法对于所设定的磨削力响应迅速，且在机器人夹持工件试件进行磨削的过程中，对磨削轨迹进行实时修正，磨削过程中的实际法向磨削力在预先设定的磨削力上下6 N内波动。验证了基于神经网络的机器人力控制方法具有恒力控制效果，且对于设定的磨削力响应迅速。

3.2 钛合金试件磨削实验

为验证文中所提出的力控制方法在实际磨削加工过程中的有效性和机器人磨削系统的实用性，进行工件力控磨削实验，加工对象为钛合金平面工件。设置期望法向磨削力为40 N，实验结果如图10、图11所示。

图10 无力控(a)和有力控(b)的法向磨削力对比

图11 无力控(a)和有力控(b)的工件表面对比

分析图10可以看出：在无力控制的情况下，由于砂带机和机器人在实际磨削过程中产生的频繁震动，导致实际法向磨削力在50 N上下波动，且波动幅度较大，波动范围在33～66 N；而在有力控制的情况下，法向磨削力在40 N上下波动，且波动幅度较小，波动范围在34～46 N。图11所示为无力控和有力控的工件表面对比，使用TR200粗糙度仪测量磨削后的工件表面(测量10次，取平均值)，无力控制磨削后的工件表面粗糙度大约为0.501 2 μm，而经过有力控制的磨削后，工件表面的粗糙度达到了大约0.316 6 μm，这说明有力控制磨削的工件表面更加光滑，且表面加工一致性更好。综上，文中所提出的机器人力控制方法对实际磨削过程中的法向磨削力有良好的控制效果，使实际法向磨削力能够在预设的磨削力上下6 N波动，波动范围相较于无力控制时更小，并且有力控制磨削时的工件表面粗糙度更低，表面加工一致性更好。

4 结论

(1)提出了一种基于神经网络的工业机器人力控制方法，通过实验验证了该力控制方法能够对机器人磨削时产生的法向磨削力进行有效控制，且响应迅速，能够使其在预设的磨削力上下6 N波动，相比在无力控制磨削的情况下，有效地降低了磨削后工件表面的粗糙度。

(2)搭建了一套工业机器人磨削系统，并开发了相应的上位机软件，通过钛合金试件磨削实验，验证了该磨削系统的实用性。