Closed-Loop Parameter Optimization for Robotic Machining Using Physics-Informed Machine Learning and Multiobjective Optimization

Guijun Ma

doi:10.1109/TASE.2025.3618242

Closed-Loop Parameter Optimization for Robotic Machining Using Physics-Informed Machine Learning and Multiobjective Optimization

2025-01-01

0

PRE

AI

G

Guijun Ma

Zidong Wang (Zidong Wang)

DOI：10.1109/TASE.2025.3618242

原文链接

原文求助

摘要

En 中文

在实际应用中，在耗时多目标优化实验中对大量设计参数进行同步优化被公认为各科学和工程学科中的一个重要瓶颈。一个突出例子是为实现高效精密的机器人砂带磨削（RBG）而对加工参数进行优化。本文提出了一种闭环加工参数优化方法，包括两个关键阶段：正向多任务预测和反向多目标参数优化。在第一阶段，引入了一种基于物理信息的神经网络（PINN）方法，该方法将多门专家混合多任务学习方法与RBG机理模型相结合，以同时预测材料去除深度和平均表面粗糙度。在第二阶段，开发了一种增强型多目标粒子群优化（MOPSO）方法，该方法将标准MOPSO方法与非线性能量球（Powerball）技术相结合，基于学习的PINN模型，通过有限的训练迭代次数高效优化RBG加工参数。为RBG加工过程生成了两个最优加工参数解并加以推荐。通过对比实验验证了所提出的闭环参数优化方法的有效性和优越性，实验表明该方法在协同预测精度和优化效率方面均具有优势。实践者须知——本文解决了识别能够有效平衡加工效率与表面质量的机器人加工参数的挑战。鉴于参数组合的巨大可能性，调整这些参数的传统试错方法既耗时又昂贵。为克服这些限制，本文提出了一种智能优化方法，该方法利用历史加工数据自动确定最优加工参数。我们的方法将人工智能技术与机器人加工机理相结合，最终推荐了两套机器人加工参数。初步实验表明该方法具有可行性，但尚未集成到机器人加工系统或在实际生产中测试。未来研究将聚焦于通过结合动态时序信号与静态加工参数来动态优化机器人加工参数。

Keyword:

Robotic belt grinding

parameter optimization

multi-task prediction

physics-informed neural network

multi-objective particle swarm optimization

Closed-Loop Parameter Optimization for Robotic Machining Using Physics-Informed Machine Learning and Multiobjective Optimization

摘要

期刊

机构

引用论文