2TPR&2TPS并联机器人结构参数辨识

并联机器人末端位姿精度对其工作性能影响较大，建立有效的标定算法是提高机器人位姿精度的重要保证。本文以一种2TPR&2TPS并联机构为研究对象，首先对机器人进行运动学分析，采用全微分法得出机器人的误差模型，根据该模型得出机器人结构参数误差与末端位姿误差的量化关系，以及各误差项误差变动对末端位姿误差的影响规律；接着，建立参数辨识模型和标定效果评价函数，验证了参数辨识模型的有效性，再用该模型辨识机器人的结构参数误差；最后，修正运动学模型完成了机器人的误差标定。实验结果显示，标定后机器人的平均位置精度提升68.62%,距离误差均值由7.710 mm降至2.350 mm,精度提升69.52%,实验结果证明本文的标定算法有效。     

直线驱动型并联机器人误差模型与灵敏度分析

为提高直线驱动型并联机器人动平台末端执行器位置精度,根据并联机构结构和运动学模型,对影响末端位置精度的各项误差源进行了分析,利用解析法建立动平台末端操作空间与关节空间之间的误差映射模型;在灵敏度误差模型的基础上,依据全域灵敏度评价指标,提出了一种误差源筛选方案,筛选影响位置精度的主要误差源,利用蒙特卡洛法随机模拟并联机器人中各零部件的尺寸误差、驱动误差和装配误差,得知筛选前后动平台位置误差基本一致,验证了评价指标的正确性。以激光跟踪仪为测量工具在任务空间中取点测量,对筛选后的主要误差源进行辨识,修正并联机构的正向运动学模型后,并联机构末端位置精度改善显著,验证了误差源筛选方案的有效性和可行性,减轻了误差参数辨识的复杂程度和计算量,对结构较复杂的机构误差补偿具有一定的指导意义。     

大空间运动3-RRRU并联机器人运动学标定与误差分析

并联机器人具有高速、高刚度和大负载等明显优势,被广泛应用到农业和工业领域,但多关节导致该类机器人控制精度不高。针对大空间运动3-RRRU并联机器人的运动学建模和误差标定方法展开了系统、深入研究。综合应用DH法和空间矢量法建立了机器人的运动学模型,在此基础上,借助偏微分理论推导并建立机器人的误差模型;应用激光跟踪仪进行不同轨迹下机器人的空间位置数据采集,对一般遗传算法进行改进,以等步距搜索策略实现主要遗传算子的优化,并通过全局数值寻优获取机器人的误差补偿数据,完成标定和补偿工作。实验表明：基于直线标定方式,补偿后直线轨迹跟踪误差控制在0.14～1.34mm,但不适用于曲线轨迹补偿,其实测补偿后的最大误差高达5.08mm。曲线轨迹标定精度高于直线轨迹标定,补偿后将直线和曲线两种路径下的最大误差分别降低至1.18mm和1.56mm。该标定方法自动化程度高,适用于含有大量关节并联机器人的误差标定工作。     

基于Jacobian+RBF的3-PTT并联机构末端精确控制方法

为降低并联机构机械误差测量和补偿的难度,实现机构末端的精确控制,本文提出一种基于Jacobian和RBF神经网络相结合的末端误差补偿方法。以一种3-PTT并联机构为研究对象,分析机构正、逆运动学,验证数学模型的正确性。根据运动学模型解算Jacobian,分析机构约束奇异和运动奇异。为验证机构末端误差补偿方法的有效性,设置两种实验条件,分别为是否有丝杠的回程误差补偿和末端受不同负载,并通过激光跟踪仪测定末端位置。实验结果表明,使用本文的误差补偿方法后,机构末端轴向(x轴)、径向(y轴)位置误差均降低90%以上,竖直方向(z轴)位置误差均降低80%以上,证明了本文方法的有效性。     

基于模糊神经网络的磁悬浮球位置控制研究

为了实现磁悬浮球系统高精度位置控制,提出一种基于模糊神经网络补偿PID控制的磁悬浮球系统位置控制新方法,该控制系统由模糊神经网络辨识器、PID控制器和模糊神经网络控制器组成。模糊神经网络辨识器基于PID控制器所提供的训练数据,建立控制系统误差与控制量之间的动态模型并将网络辨识参数实时传递至模糊神经网络控制器,模糊神经网络控制器基于实时辨识模型计算得到当前周期的补偿控制量,实现对PID控制的在线动态补偿,避免了离线训练过程,且无需建立精确的数学模型。方波信号仿真和实验结果表明:模糊神经网络补偿控制精度分别由PID控制的0.014 2 mm和0.221 1 mm提升至0.006 8 mm和0.073 9 mm,控制系统具有良好动态性能。     

三平移并联机器人坐标测量机精度研究

提出一种三平移并联机器人坐标测量机的设计方法。根据机构型的解耦性与控制和误差软件补偿的关系，选择非对称型三平移弱耦合并联机构用于坐标测量机，分析了该机构位置的正反解，建立了误差模型。由于该机型具有弱耦合特性，使得用软件补偿精度的方法变得方便可行。研究了影响该坐标测量机精度的机构因素．探讨了运动学参数软件逐步标定的方法。     

串联机器人多模式标定与刚柔耦合误差补偿方法研究

工业串联机器人有着较大的几何误差,还存在着不可忽视的非几何误差,使其在高精度领域的应用受限。本文建立了一种包含几何与柔性误差的完整刚柔耦合位置误差模型,并采用基于预测残差和加权递推平均滤波算法改进的Levenberg-Marquardt算法(M-LMA)辨识耦合误差参数。为了提高测量过程的效率及可靠性,结合测量设备的检测特性与末端执行器的几何特性两种外部约束,提出了一种基于线性递减权重的粒子群算法(LDW-PSOA)的测量位姿智能选取方法。重点提出了一种局部精补偿方法,其可与标定或者全局补偿同时使用,也可直接单独使用。同时,根据机器人自身特性及加工需求,提出了一种基于预测精度与参数数量的模型择优方法,并且制定了一种多模式精度提高策略。此外,将本文所建立的模型及提出的算法集成于Matlab开发平台,实现GUI交互系统。实验结果表明,本文提出的精度提高策略不仅能以多种方式实现机器人高精度定位的性能,且具有高效可靠的测量过程。     

基于ZRM-MDH模型转换的串联机器人运动学参数标定

运动学参数误差是影响工业机器人绝对定位精度的主要因素,通过误差标定能够有效地提高工业机器人的精度。运动学模型的完整性、连续性与冗余性对运动学参数的辨识精度影响较大。为尽可能地提高机器人的标定精度,并易于实现机器人误差补偿,本文提出一种基于ZRM-MDH模型转换的机器人运动学参数标定方法。首先,基于零参考模型(ZRM)建立TX60型串联工业机器人的位姿误差模型,结合测量位姿误差辨识ZRM的参数;其次,基于圆点分析法将ZRM转换成MDH模型。在TX60型机器人前侧工作区域内任意选择50个测量点,实施运动学参数误差标定。实验表明,基于MDH模型标定后的机器人平均综合定位误差为0.081 mm,而经过ZRMMDH模型转换后的机器人平均综合定位误差为0.062 mm。为验证标定方法的稳定性,在TX60型机器人前侧工作区域内,选择5个区域实施运动学参数误差标定,结果表明,基于ZRM-MDH模型转换获得的标定精度稳定性相对较好。     

风洞6_PUS并联支撑机器人运动误差建模与补偿

针对风洞6自由度并联支撑机器人,利用单支链D-H参数方法和摄动法建立了其运动误差模型,编写了误差模型仿真程序。根据风洞实验所需的6种典型运动模式,分析了不同模式下并联支撑机器人输出运动位姿的误差,得到了典型运动模式的误差变化规律。在风洞并联支撑机器人的构件设计和装配过程进行了针对性的误差控制,使设计和制造的并联支撑机器人精度达到了风洞实验的要求,并通过在风洞实验中嵌入与运动误差仿真类似的误差估算程序,再对风洞实验中被试模型的位姿误差进行补偿,实验证明这种方法提高了风洞实验数据的精度。     

虚拟轴工作台机构的误差分析和补偿

为了了解机构的原始误差对运动平台输出位姿的影响,从而采取措施消除误差来提高精度,对3T-1R4自由度并联机器人机构作误差分析和补偿。在已建立的位置反解模型基础上,确定参与机构误差建模的结构参数,以全微分误差分析理论为基础,建立机构的误差模型以及误差求解算法。针对结构参数和输入运动参数等的原始误差作误差求解仿真和定量分析。充分运用误差正解和反解模型,探讨软件补偿法的工作空间补偿和关节空间补偿,提出相应的误差补偿算法。用误差补偿算法仿真了机构的误差补偿,实例说明2种误差补偿算法可靠实用。     

混联机床并联轴定位精度的激光测量与误差补偿

在分析混联机床并联轴定位精度的激光干涉测量原理和方法的基础上,采用干涉法检测了并联轴Z向的定位精度和重复定位精度,做出了并联轴的平均偏差特性曲线,获得了其线性位移定位误差数学模型;利用最小二乘法得到了混联机床并联轴定位误差补偿模型和增量补偿特性曲线;推导了并联机构动平台位姿和各驱动杆杆长的求解过程,进而对混联机床并联轴定位精度进行了有效补偿,得到了一种并联轴定位精度激光干涉测量方法和误差补偿模型的建立方法.     

基于深度自编码器的大型龙门加工中心热误差建模方法

为提高热误差模型的预测能力,提出一种基于深度学习方法的数控机床热误差建模方法。利用模糊聚类法和灰色关联度分析法选取温度变量的热敏感点,采用深度自编码器（Stacked automatic encoder, SAE）网络从选出的输入样本中提取特征,构建特征集,然后使用遗传优化算法（Genetic optimization algorithm, GA）对BP神经网络参数进行寻优,从而提出一种基于SAE-GA-BP的数控机床热误差建模方法。以某大型龙门五面加工中心为实验对象,研究并选择了加工中心加工过程中的主要误差源——主轴热误差进行补偿,对主轴热误差深度学习模型和多元回归模型进行了分析对比。结果表明,在预测精度方面所提出的建模方法优于传统多元回归模型,从而验证了该建模方法的可行性和有效性。     

五轴加工刀触点路径非线性误差补偿与修复方法

自由曲面五轴加工时,两个旋转坐标参与线性插补会引起刀具与曲面的实际切触点(刀触点)偏离预设的刀触点线性轨迹,形成刀触点路径的非线性误差。为有效降低该误差,提出一种基于理想刀触点路径的非线性误差补偿与修复方法。通过分析刀具姿态变化引起刀触点路径非线性误差的产生机制,分别建立机床运动学变换模型和刀触点路径的非线性误差模型,根据当前插补刀心点求出与之相应的插补刀触点,再求出插补刀触点与刀触点路径间的空间距离和垂足位置坐标,进而分别确定非线性误差的补偿距离和方向,对插补刀心点的位置进行实时修复后,再完成对5个进给轴的伺服控制。仿真结果表明,该方法能有效降低刀触点路径的非线性误差,对提高五轴线性插补时刀触点轨迹的控制精度具有实用价值。     

基于粒子群算法的混联机构神经网络自适应反演控制

针对含有不匹配干扰的混联机构轨迹跟踪控制问题,提出了一种极限学习机与自适应反演控制相结合的控制策略。在对干扰进行分析的基础上,分别采用两个极限学习机网络对系统中的匹配和不匹配干扰进行逼近和补偿。基于Lyapunov函数稳定性设计了混联机构的控制律与自适应律,实现混联机构的轨迹跟踪控制。由于控制器可调参数较多,采用粒子群算法进行控制器参数的寻优整定。仿真结果表明,所提出的控制方法具有良好的轨迹跟踪精度和鲁棒性。     

基于BP神经网络的柴油发动机特性建模

建立连续的发动机燃油特性和调速特性数学模型作为液压机械无级变速器虚拟试验平台的动力源。根据虚拟平台对不同特性区域的精度需求对柴油发动机不同特性区域的试验数据进行不同的密度选取、乱序和归一化处理,采用单隐层BP神经网络对试验数据进行训练,对比不同隐层节点数网络的训练误差和测试误差,选取误差最小的网络,求解出网络的数学表达式。通过该方法以ISLe310柴油发动机为例建立燃油特性和调速特性的连续数学模型,这两个简单的数学表达式准确反映了发动机万有特性和外特性,连续模型避免了虚拟试验中出现信号的突变和奇异点。通过和经典的最小二乘法拟合得到的最优特性模型进行对比,其具有更小的误差、更强的泛化能力,能够更好地反映柴油发动机的相关特性。     

我国农机总动力需求的模糊神经网络预测模型

利用模糊神经网络建立了具有时间序列对象的预测模型，提出了相应的模糊化方法，并对我国农机总动力需求进行了预测，预测结果和实际情况的有较好的一致性。