文献类型：期刊文章

作　　者：朱佳慧[1,3] 严思杰[1] 杨泽源[1,3] 褚尧[1,3] 徐小虎[2] 丁汉[1]

ZHU JiaHui;YAN SiJie;YANG ZeYuan;CHU Yao;XU XiaoHu;DING Han(State Key Laboratory of Intelligent Manufacturing Equipment and Technology,Department of Mechanical Science and Engineering,Huazhong University of Science and Technology,Wuhan 430074,China;The Institute of Technological Sciences,Wuhan University,Wuhan 430072,China;Blade Intelligent Manufacturing Research Institute,Wuxi Research Institute,Huazhong University of Science and Technology,Wuxi 214174,China)

机构地区：[1]华中科技大学机械科学与工程学院,智能制造装备与技术全国重点实验室,武汉430074 [2]武汉大学工业科学研究院,武汉430072 [3]华中科技大学无锡研究院叶片智能制造研究所,无锡214174

出　　处：《中国科学：技术科学》

基　　金：国家重点研发计划(编号:2019YFA0706703);国家自然科学基金(批准号:52075204,52105514)资助项目。

年　　份：2024

卷　　号：54

期　　号：12

起止页码：2306-2318

语　　种：中文

收录情况：BDHX、BDHX2023、CSCD、CSCD2023_2024、EI、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：随着机器人技术的不断进步,机器人砂带磨抛正逐渐成为叶片类复杂零件加工的新方式.机器人砂带磨抛过程中,材料去除深度(MRD)的准确预测是实现机器人砂带磨抛高精度闭环作业的关键问题之一.传统机理预测模型考虑了先验知识,但精度较低;而纯数据驱动模型预测精度高,但仍存在可解释性较差、泛化能力弱等问题.为此,本文提出了一种将机理模型和数据驱动方法混联的机器人砂带磨抛材料去除深度预测方法.首先,基于磨粒微观形貌与Hertz接触方法建立了机器人砂带磨抛材料去除深度机理模型;在此基础上,将机理模型预测结果及其预测残差输入至极端梯度提升(XGBoost)数据驱动模型中实现对机理模型残差的预测,从而实现机理模型与数据驱动方法的串联;同时,将数据驱动模型预测残差与机理模型预测值进行并联,最终实现混联驱动MRD预测.此外,使用麻雀搜索算法(SSA)优化混联模型的超参数以提升模型的预测精度;在Ti-6Al-4V试件与压气机叶片上的磨抛实验表明,所提预测方法的均方根误差(RMSE)优于机理模型71.66%,优于数据驱动模型64.73%,并在小样本学习、模型泛化性等方面表现出显著优势.

关 键 词：叶片磨抛  机器人磨抛  材料去除  集成学习  混联驱动  

分 类 号：TP242] V260.6]