砂带磨削机器人的灵活性分析与优化

总结了磨削机器人的当前发展和阻碍砂带磨削机器人广泛应用的难点．根据复杂曲面磨削任务对机器 人的实际要求,提出了一种磨削机器人构型．这种机器人属于PPPRRR 构型,具有很高的定位精度和结构刚度．利 用旋量理论中的指数积公式推导了该机器人的运动学正反解．引入了模拟退火算法,分析获得了相对于末端坐标系 描述的砂带磨削机器人的灵活磨削空间,并绘制了灵活磨削空间的横截面图谱．进一步,采用模式搜索法,优化了 磨削机接触轮相对于机器人基坐标系的位移偏移量,获得了最大的灵活磨削空间体积,提高了机器人砂带磨削系统 的灵活性．     

机器人砂带磨削系统作业精度分析与误差补偿

为了更好地反映及提高工业机器人砂带磨削系统的整体性能,通过分析机器人应用系统的特点,详细 描述了工业机器人应用系统“作业精度”的含义及衡量标准．在此基础上,推导了机器人砂带磨削系统作业精度模 型,设计了机器人砂带磨削系统作业误差测量工具及校准系统,建立了实际的机器人砂带磨削系统．通过实际的机 器人磨削实验验证了方法的有效性．     

一种基于概率关联的局部高斯过程回归算法

在针对控制和机器人的机器学习任务中, 高斯过程回归是一种常用方法, 具有无参数学习技术的优点. 然而, 它在面对大量训练数据时存在计算量大的缺点, 因此并不适用于实时更新模型的情况. 为了减少这种计算量, 使模型能够通过实时产生的大量数据不断更新, 本文提出了一种基于概率关联的局部高斯过程回归算法. 与其他局部回归模型相比, 该算法通过对多维局部空间模型边界的平滑处理, 使用紧凑支持的概率分布来划分局部模型中的数据, 得到了更好的预测精度. 另外, 还对更新预测矢量的计算方法进行了改进, 并使用k-d树最近邻搜索减少数据分配和预测的时间. 实验证明, 该算法在保持全局高斯过程回归预测精度的同时, 显著提升了计算效率, 并且预测精度远高于其他局部高斯过程回归模型. 该模型能够快速更新和预测, 满足工程中的在线学习的需求.     

轮腿式机器人越障动力学建模与影响因素分析

研究了一种具有多种驱动模式的轮腿式机器人的越障动力学问题．首先描述了机器人爬越垂直障碍的 过程,进而构建了越障过程的动力学模型．该模型可以体现各电机输出转矩之间的关系以及运动状态、重心分布等 影响因素．通过对整个过程的分析,确定了驱动系统中两种电机输出力矩的极限状态,并分析各因素对其最大输出 力矩的影响,最后给出了机器人最大越障高度的计算方法．上述结果可为提高机器人的复杂环境适应能力提供理论 依据．     

基于力反馈的脊柱外科机器人系统的设计与实现

本文针对脊柱椎管狭窄症减压手术中椎管壁磨削不安全这一问题，介绍一种基于力反馈控制策略的脊柱外科机器人系统，包括监控磨削过程的检测子系统、完成磨削手术操作的运动驱动子系统和再现磨削信息状况的控制显示子系统。利用脊柱磨削手术过程中磨削力的变化特点，提出基于力反馈的脊柱外科机器人控制策略，辅助医生实现安全的脊柱手术操作。最后通过仿真实验和模拟骨实验，验证了此基于力反馈控制策略的脊柱外科机器人系统的可行性。     

面向多机器人遥操作的分布式预测图形仿真系统

在遥操作机器人系统中,由于存在通信传输时延,可能导致控制系统不稳定,从而降 低遥操作的效率和安全性．目前多采用预测仿真的方法来克服．在多机器人遥操作系统不但 要克服时延的影响,还要能控制机器人协调地完成遥操作任务．我们开发了一个面向多操作 者 多机器人遥操作的分布式预测图形仿真系统,实现了对多机器人遥操作系统的预测仿真 ,多个操作者可以通过人机交互接口遥控各自的机器人,相互协调完成遥操作的任务．初步 的实验表明该系统能够克服时延的影响,并能实现多操作者 多机器人的协调遥操作．这对 空间站机器人科学实验、多航行器对接等方面的研究有理论参考价值．     

多机器人系统任务分配概率模型研究

建立系统的概率模型是描述和分析自组织多机器人系统的一条新思路。运用包括随机过程、矩阵论和线性代数等数学方法建立自组织多机器人系统的任务分配模型,克服了现存模型对任务类型数目无可扩展性的缺点。为了验证模型的一般性和有效性,以时间离散状态连续的马尔科夫链的极限分布作为任务分配的理论结果,优点是可以预测多机器人系统任务分配的长期稳定行为。任务分配的目的是保持执行任意一种任务的机器人数量占机器人总数的比例与该种任务所占总任务量的比例相等。仿真实验的结论也说明了任务分配模型可以达到理想的分配效果。     

一种运动旋量逆解子问题的求解及其应用

旋量理论在机器人运动学逆解过程中将运动方程分解为若干子问题,目前常见的子问题组合并不能完成所有机器人的逆解问题．本文提出了在机器人逆解过程中会遇到的另一种子问题的解法,并给出构造该子问题的限定条件．运用该解法,给出具有RTS运动链并联机器人的运动学逆解方法,并归纳出利用未知量组中对参考点起相同作用的旋量组合来简化计算的方法．该子问题的解决扩充、便利了旋量理论在机器人运动学逆解中的应用．     

一种基于高斯过程回归的AUV自适应采样方法

针对区域海洋特征环境快速观测的需求,提出了一种基于高斯过程回归的小型自主水下机器人(AUV)自适应采样方法.首先,通过比较高斯过程回归(GPR)中使用不同的回归推理方法的估计准确度和计算效率,确定AUV的合适采样间隔时间;在此基础上,根据AUV实时观测的数据进行GPR分析,预测未观测区域环境数据,并通过计算预测区域梯度极值和预测不确定度引导AUV进行在线路径规划;最后使用该方法,对具有不同特征分布的区域环境观测过程进行仿真.结果显示,本方法与常规方法相比,能够更高效地获得观测区域的低误差特征分布估计,更快地获得观测区域热点区特征,更好地适应观测区域特征分布不同的情况.     

基于正交独立成分分析的过程数据建模

针对非高斯数据分布过程中回归预测精度不足的问题,提出一种在独立成分分析（ICA）的基础上与正交信号校正（OSC）相结合的多元线性回归（MLR）方法——正交独立成分回归（O-ICR）．首先将原输入数据通过正交ICA（O-ICA）进行预处理,去除ICA在提取高阶统计量时带来的与Y无关的干扰变化,然后对校正后的X提取独立成分,代替原输入数据建立与Y之间的回归预测模型．与传统的ICR相比,该方法提取的独立成分经过校正可使回归模型的预测精度更高．最后通过Tennessee Eastman（TE）过程的质量预测仿真,验证了该建模方法的有效性．     

A method for grinding removal control of a robot belt grinding system

As a kind of manufacturing system with a flexible grinder, the material removal of a robot belt grinding system is related to a variety of factors, such as workpiece shape, contact force, robot velocity, and belt wear. Some factors of the grinding process are time-variant. Therefore, it is a challenge to control grinding removal precisely for free-formed surfaces. To develop a high-quality robot grinding system, an off-line planning method for the control parameters of the grinding robot based on an adaptive modeling method is proposed in this paper. First, we built an adaptive model based on statistic machine learning. By transferring the old samples into the new samples space formed by the in-situ measurement data, the adaptive model can track the dynamic working conditions more rapidly. Based on the adaptive model the robot control parameters are calculated using the cooperative particle swarm optimization in this paper. The optimization method aims to smoothen the trajectories of the control parameters of the robot and shorten the response time in the transition process. The results of the blade grinding experiments demonstrate that this approach can control the material removal of the grinding system effectively.     

支持向量机应用于大气污染物浓度预测

支持向量机是基于统计学习理论的新一代机器学习技术,其非线性回归预测性能优越于传统统计方法。提出了一种大气污染物浓度预测模型,该方法将支持向量机应用于大气污染物浓度预测,首先对各类影响因子进行分析并进行建模预测;而后利用主成分分析的方法对输入因子降维,从而形成支持向量机的训练样本集;在此基础上建立了基于RBF核函数支持向量回归法的大气污染预模型。大气污染预测实例表明,该方法具有泛化能力强、预测精度高、训练速度快、稳定性好、便于建模等优点,有良好的应用前景。     

螺旋分级过程数学模型研究及应用

磨矿分级过程具有多变量、非线性等特点,基于多元回归理论的数学模型难以满足精度要求,迅速发展的神经网络技术可以建立高精度的变量间的非线性映射模型。在已有螺旋分级机基本模型的基础上,利用RBF神经网络建立螺旋分级机的数学模型,并用遗传算法对神经网络进行优化。用某选矿厂两段磨矿分级回路的实际生产数据进行了仿真实验,仿真结果表明,模型精度满足工艺要求。     

基于线性规划支持向量回归的混沌系统预测

支持向量机是一种基于统计学习理论的新颖的机器学习方法,该方法已经广泛用于解决分类与回归问题。标准的支持向量机算法需要解一个二次规划问题,当训练样本较多时,其运算速度一般很慢。为了提高运算速度,介绍了一种基于线性规划的支持向量回归算法,并由此提出几种新的回归模型,同时将它们应用到混沌时间序列预测中,并比较了它们的预测性能。在实际应用中,可以根据具体情况灵活地选择所需模型。     

Digital twin modeling for loaded contact pattern-based grinding of spiral bevel gears

To distinguish with the conventional tooth flank grinding only considering geometric accuracy, an innovative digital twin modeling is proposed for loaded contact pattern based grinding of spiral bevel gears. Where, data-driven grinding simulation, sensitivity analysis strategy, adaptive decision and control are developed. Focusing on loaded contact pattern optimization, numerical loaded tooth contact analysis (NLTCA) considering noncentrosymmetric problem and tooth flank roughness is developed for data-driven relationship establishment. Then, an adaptive data-driven tooth flank grinding decision and control model is established. Where, the universal motion concept (UMC) machine settings is selected as the optimal design variable. It is actually an infinite approximation to the target tooth flank in form of an adaptive control system. Moreover, with point-to-point material removal distribution, the different optimization strategies are proposed for accurate tooth flank grinding. In particular, the overcutting problem on the tooth flank grinding programming is investigated. Finally, Levenberg-Marquardt method is applied to solve the established nonlinear lease square model for the accurate machine tool settings having modification variations. Thus, this accurate data-driven digital twin modeling can achieve loaded contact pattern-based grinding. The provided numerical and test instances can verify the proposed digital twin modeling.     

基于LS-SVM逆模型的青霉素发酵软测量方法

针对青霉素发酵过程中的某些关键生物参数(如菌体浓度、基质浓度、产物浓度)难以实时在线测量的问题,提出一种基于最小二乘支持向量机(LS-SVM)逆模型的软测量方法。该方法用具有高斯核函数的LS-SVM,离线建立被测对象的静态非线性逆模型。由静态非线性逆模型外加若干表征非线性动态特征微分器,构成了非线性系统的逆系统,将此逆系统串联在原发酵系统之后,得到"线性化"的伪线性系统。仿真结果表明,该方法能够对青霉素发酵过程中不可在线测量的关键变量进行预测,且达到了较高的测量精度。     

基于支持向量机的发酵过程建模研究

发酵过程有众多关键性的变量难以在线检测,给过程优化策略的有效实施带来了障碍。最小二乘支持向量机（LS-SVM）是标准支持向量机（SVM）的一种扩展,LS-SVM算法精度高,速度快,适合于在线预估。将该算法用于青霉素发酵过程建模,用具有RBF核函数的LS-SVM建立菌体浓度、青霉素浓度的模型,并通过仿真实验与标准支持向量机进行比较。结果表明,最小二乘支持向量机是青霉素发酵过程建模与控制的一种有效的方法。     

基于支持向量机的高速公路限速控制

提出用支持向量机回归方法实现高速公路限速控制,这是一个非线性系统建模问题。阐述了支持向量机回归算法,根据高速公路车辆群状态、路面性能、气象条件等,建立交通流速度限制支持向量机回归模型。仿真实验表明,支持向量机回归对小样本具有训练速度快、泛化能力好等优点。支持向量机回归方法为交通流限速控制的在线建模提供了一种切实可行的新思路。     

支持向量机回归方法在故障诊断中的应用研究

支持向量回归是支持向量机用于回归中的情况,首先介绍基于支持向量机的线性回归和非线性回归的基本原理,然后提出一种时间序列预测方法和误差评价的方法,最后在matlab中模拟简化同步的异常情况,通过实时采集的数据与多步预测值的残差来判断电机的异常,实验表明利用支持向量机回归能及时跟踪输出数据的变化,对设备进行在线故障检测是非常有效的。     

Tribilogical performances of connecting rod and by using orthogonal experiment,regression method and response surface methodology

Dynamic lubrication analysis of connecting rod is a very complex problem. Some factors have great effect on lubrication, such as clearance, oil viscosity, oil supplying hole, bearing elastic modulus, surface roughness, oil supplying pressure and engine speed and bearing width. In this paper, ten indexes are used as the input parameters to evaluate the bearing performances: minimum oil film thickness (MOFT), friction loss, the maximum oil film pressure (MOFP) and average of the oil leakages (OLK). Two orthogonal experiments are combined to identify the factors dominating the bearing behavior. The stepwise regression is used to establish the regression model without insignificant variables, and two most important variables are used as the input to carry out the surface response analysis for each model. At last, the support vector machine (SVM) is used to identify the asperity contact. Compared with SVM model, the particle swarm optimization-support vector machines (PSO–SVM) can predict the asperity contact more precise, especially to the samples near dividing line. In future work, more soft computing methods with statistical characteristic are used to the tribology analyses.