综述:关于机器人铣削中切削噪声检测与抑制技术的综述
《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》:A review on cutting chatter detection and suppression in robotic milling
【字体:
大
中
小
】
时间:2026年01月07日
来源:ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING 11.4
编辑推荐:
宁莉|赵家琪|孙瑞端|崔莉|王欣上海工程技术大学智能制造与控制工程学院,中国上海201209摘要机器人铣削在加工大型复杂工件时具有较高的制造灵活性和较低的刀具成本,但其固有的低结构刚度使其极易产生切削颤振。颤振会降低表面质量和尺寸精度,加速刀具磨损,并可能危及机器人系统的安全性。
宁莉|赵家琪|孙瑞端|崔莉|王欣
上海工程技术大学智能制造与控制工程学院,中国上海201209
摘要
机器人铣削在加工大型复杂工件时具有较高的制造灵活性和较低的刀具成本,但其固有的低结构刚度使其极易产生切削颤振。颤振会降低表面质量和尺寸精度,加速刀具磨损,并可能危及机器人系统的安全性。本文全面探讨了机器人铣削中的切削颤振问题,重点关注其产生机制、监测方法及抑制策略。首先,分析了特定于机器人的颤振机制,包括再生效应和模态耦合效应、姿态依赖的柔性多体动力学以及统一刚柔多体动力学框架下的非线性颤振现象。其次,总结了颤振监测与诊断方法,涵盖了经典的时间-频率分析和循环平稳性分析,以及先进的数据驱动和深度学习技术,特别强调了多传感器融合在机器人环境中的应用。最后,讨论了颤振抑制与控制策略,包括加工参数和机器人姿态优化、被动与主动阻尼(如调谐质量阻尼器、智能材料),以及新兴的强化学习技术和基于数字孪生的方法。与以往仅关注传统CNC机床或孤立研究动力学、检测和控制的综述不同,本文首次系统地分析了姿态依赖的机器人动力学与颤振之间的相互作用。通过突出柔性机器人系统中的非线性颤振等独特挑战,并讨论了最新解决方案,本文指出了研究空白,并为实现稳定、高精度的机器人铣削提供了指导。
引言
随着高精度制造和智能制造技术的不断发展,机器人铣削在航空航天、风能和海洋工程等领域处理复杂几何形状和大型组件的潜力日益受到重视(见图1)[1]。与传统CNC机床相比,机器人铣削具有较高的制造灵活性和强大的可重构性。但由于其多关节结构导致的低刚度和高柔顺性,机器人在切削过程中更容易发生颤振不稳定现象,这严重影响了加工精度、表面质量和刀具寿命[2,3]。颤振是指由系统动力学与切削力相互作用引起的自激振动,它受到切削参数的显著影响,并对加工效率和设备安全产生重要影响[[4], [5], [6], [7], [8]]。
为了解决颤振的识别与抑制问题,近期研究重点关注信号处理和数据驱动方法。早期的颤振检测方法主要利用加速度信号或通过频域分析进行切削力测量。然而,随着信号处理方法的不断发展,时间-频率分析、变分模态分解(VMD)、多传感器融合等技术大大提升了颤振监测的实时能力和鲁棒性[[9], [10], [11]]。同时,深度学习技术(如卷积神经网络(CNN)和循环神经网络(RNN)通过自动特征提取和模式识别为颤振的早期检测和实时控制提供了有力支持[12,13]。在颤振抑制方面,主动控制策略利用外部执行器和实时参数更新来减弱颤振引起的振动[[14], [15], [16]]。例如,磁流变阻尼器可以根据在线振动信号调整磁场强度,产生可变阻尼力以抵消颤振能量;或者,嵌入主轴中的压电执行器可以通过闭环反馈控制产生反向微位移补偿振动[[17], [18], [19], [20], [21]]。被动控制则依赖于结构优化和材料属性的静态能量耗散,例如在机器人底座中填充粘弹性阻尼材料,或安装调谐质量阻尼器(TMD)以吸收特定频率的振动,从而降低系统响应的幅度[22,23](详细内容将在第5节中介绍)。然而,机器人非线性动态特性与颤振过程之间的耦合机制仍然复杂。此外,在具有多变量输入和高噪声水平的实际工业环境中保持数据驱动模型的准确性和泛化能力仍面临重大挑战[24]。
在此背景下,已有几篇综述总结了切削颤振及相关主题。Quintana和Ciurana[26]对传统机床的颤振机制、建模和抑制策略进行了经典回顾,而Siddhpura和Paurobally[27]则专注于车削过程中的颤振振动。最近的综述从机制和抑制方法的角度探讨了铣削中的颤振问题,或者仅将机器人铣削中的颤振作为机器人精度和加工性能综述的一部分。然而,这些研究要么集中在传统CNC机床上,要么孤立地研究颤振的建模、监测和控制,未能充分反映机器人铣削的独特特征,如强烈的姿态依赖性、低频结构模式、刚柔多体动力学(MBD)以及与数字孪生和边缘智能技术的集成。基于此,本文专注于机器人铣削中的切削颤振问题,主要贡献有三点:首先,在统一的刚柔多体动力学框架下综合了特定于机器人的颤振机制(线性和非线性、再生效应和模态耦合);其次,回顾了从基于信号处理的方法到数据驱动和深度学习模型的颤振监测与诊断方法,特别是针对机器人加工单元的应用;第三,系统分析了颤振抑制与控制策略,包括参数和姿态优化、被动与主动阻尼以及基于智能材料(如磁流变阻尼器)的执行器,并讨论了深度学习、多传感器融合、数字孪生和强化学习在机器人铣削颤振抑制中的潜在价值和未来发展方向[28,29]。通过这篇综合性综述,本文旨在为机器人铣削在高精度和智能制造领域的广泛应用提供实用的理论基础和技术指导。
为了帮助读者快速理解本文的逻辑结构,图2展示了连接颤振机制与建模(第3节)、监测与诊断(第4节)以及抑制与控制(第5节)的概念性路线图。同时,它还说明了建模如何支持监测,监测如何驱动自适应控制更新,以及第6节如何总结开放性挑战和未来趋势。
章节摘录
由再生效应和模态耦合引起的切削颤振机制:机器人铣削中的低刚度效应
再生颤振是导致加工不稳定的核心因素,主要是由于相邻两条刀具路径之间的表面波纹相位差[30]。如图3所示,相位差通过动态切削厚度的非线性耦合引起瞬态切削力波动,进而激发系统振动。在机器人加工中,由于结构刚度较低,这种现象尤为显著[31]。
离线稳定性预测:动态建模和数据驱动的铣削稳定性预测方法
在机器人铣削中,切削颤振的监测与诊断对于提高加工精度、延长刀具寿命和确保工艺稳定性至关重要。本文中的“离线稳定性预测”一词广义使用(与实时过程监测相对),指的是在加工前后进行的振动、力和位移信号分析,以及基于实验数据的动态模型的构建与验证
机器人铣削中的开环控制:从静态模型到AI驱动的参数调整
在机器人铣削过程中,开环控制系统作为一种基本控制策略,不依赖于系统的反馈信息,而是根据预设模型和参数生成控制指令。该系统结构简单、计算成本低,适用于需要高实时响应但可以容忍较低精度的场景。开环控制系统包括模型预测模块和轨迹规划模块
关键构建模块与闭环部署综合
基于当前研究现状,本文系统地分析了切削颤振的机制、动态建模方法、监测与诊断方法以及智能抑制策略,并在此基础上概述了颤振抑制技术的发展历程及其遇到的瓶颈。可移动夹具、相变材料夹具和主动(智能)夹具因其优势而受到越来越多的关注
宁莉:撰写——初稿、监督、资源协调、项目管理、方法论设计、数据分析、概念化。赵家琪:撰写——审稿与编辑、初稿撰写、可视化处理、验证、方法论设计、数据分析、概念化。孙瑞端:验证、软件开发、数据分析。崔莉:撰写——审稿与编辑、数据分析、概念化。王欣:撰写——审稿与编辑
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号