基于深度学习的玻璃基板铲起过程作用力预测

• Published in: 华南理工大学学报（自然科学版） Vol. 50; no. 8; pp. 71 - 81
• Main Authors: 侯力玮, 王恒升, 邹浩然
• Format: Journal Article
• Language: Chinese
• Published: 中南大学机电工程学院,湖南长沙410083%中南大学机电工程学院,湖南长沙410083 01.08.2022; 中南大学高性能复杂制造国家重点实验室,湖南长沙410083
• Subjects: 玻璃基板; 物理先验; 作用力预测; 接触动力学; 深度学习
• ISSN: 1000-565X
• DOI: 10.12141/j.issn.1000-565X.210698

TH113.2; 针对现有机器人接触性操作任务中作用力建模方法表征能力不足、通用性差的问题,以玻璃基板卸片这一实际生产过程为例,对复杂接触动力学的建模方法进行研究.考虑到玻璃基板铲起过程中的作用力受多个界面接触动力学的影响,表现出多模态、非线性、非平稳性的特性,将物理先验知识以不同形式融合在深度学习模型的设计以及训练过程中,提出一种结合深度学习与机理模型的铲起过程作用力预测方法——针对玻璃基板铲起过程的受力特点,提出结合多尺度卷积核、注意力机制以及长短时记忆网络的深度学习模型结构;提出动力学参数随机化方法与基于材料力学、断裂力学的接触力补偿措施,使仿真训练数据更鲁棒地反映真实接触情况;在均方误差损失函数基础上,针对不合理的物理"穿透"行为引入附加损失函数进行网络训练.实验结果表明,所提方法在作用力单步预测中的均方根误差为0.286,可以准确地预测水平与竖直两个方向的作用力,多步预测结果也可以满足应用需求,预测性能优于现有的主流模型.消融实验表明,文中方法的优良预测性能是局部特征提取模块、注意力机制模块与时序特征提取模块3个组件共同作用的结果,同时,所提出的改进损失函数提高了模型训练的稳定性.文中方法可以应用于类似场景中对机器人与环境的接触力预测.