仪器仪表学报

作者：郭万金，郝钦磊，徐明坤，曹雏清，赵立军，王力

单位：郭万金,1.长安大学道路施工技术与装备教育部重点实验室西安710064； 2.长三角哈特机器人产业技术研究院 芜湖241007； 3.埃夫特智能机器人股份有限公司芜湖241060,guowanjin@chd.edu.cn,郝钦磊,长安大学道路施工技术与装备教育部重点实验室西安710064,,徐明坤,长安大学道路施工技术与装备教育部重点实验室西安710064,,曹雏清,2.长三角哈特机器人产业技术研究院 芜湖241007；4.安徽工程大学计算机与信息学院芜湖241000,,赵立军,2.长三角哈特机器人产业技术研究院 芜湖241007；5.哈尔滨工业大学机器人研究所哈尔滨150001,,王力,北京理工大学机械与车辆学院北京100081,wangli_bit@bit.edu.cn,

关键词：机器人磨削;表面粗糙度预测;动态因素;静态因素;深度学习

基金：国家自然科学基金面上项目(52275005)、中央高校基本科研业务费专项资金项目(300102253201)、中国博士后科学基金项目(2024M760002)、安徽博士后科研项目(2023B675)、芜湖市重点研发与成果转化项目(2023yf044)资助

机器人磨削过程受到动态因素与静态因素的综合影响，具有复杂耦合、高度时变非线性等动态特性。为解决动态因素特征选择困难与仅考虑静态因素致使表面粗糙度预测精度低的问题，结合深度学习技术，提出一种考虑动态因素影响的机器人磨削表面粗糙度预测方法。首先，利用卷积神经网络自动提取磨削过程中动态因素的空间特征，捕捉机器人磨削的复杂动态行为；通过双向长短期记忆网络从获得的空间特征中提取时序特征，表征机器人磨削的动态变化；引入注意力机制实现空间特征、时序特征和静态因素的自动权重分配；利用改进的鲸鱼优化算法自适应优化双向长短期记忆网络的超参数，提高收敛速度和适应机器人磨削动态变化。其次，根据所提预测方法，构建一种考虑动态因素影响的IWOA-CNN-BiLSTM-Attention表面粗糙度预测模型。再次，开展机器人磨削加工实验，将提取的动态因素空间特征和时序特征、采集的静态因素和表面粗糙度测量值归一化处理，构建实验数据集。最后，将实验数据集输入预测模型进行模型训练，实现同时考虑动态因素和静态因素的机器人磨削表面粗糙度预测；并通过对比实验验证所提预测方法的有效性，其对应预测模型的平均绝对百分比误差、均方根误差和决定系数分别为0.0276、0.0295和0.9988，与对比预测模型相比，预测精度分别提高17.14%、13.65%和21.35%。

来源：2025年第3期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第3期