风洞试验WDPR支撑牵引绳与模型耦合振动研究

针对应用于风洞试验的飞行器模型支撑的绳牵引并联机器人WDPR-8,研究牵引绳振动与模型位姿之间的耦合关系。首先,建立WDPR-8机器人支撑系统的等效模型,并通过运动学的正解和逆解验证该等效模型的有效性;其次,分析了绳索的涡激振动问题;然后,对牵引绳施加模拟吹风来流引起绳振动的正弦激励信号,求得整个系统的共振频率,讨论了提高系统刚度的可行方法;最后,研究了牵引绳与飞机模型的耦合振动问题,给出了基于风洞试验的牵引绳振动引起的WDPR-8支撑的模型位姿偏差,以及模型失速发生振动时牵引绳张力的变化。本文的研究结果可为WDPR-8系统的运动控制补偿提供参考。     

新型3-RRC并联机器人机构精度分析

 根据三平移并联机器人机构运动学位置反解，利用微分理论建立了该并联机器人机构的精度模型。通过计算机仿真，分析了主动副的转动误差、结构参数误差和位姿变化对机器人机构精度的影响，为该机器人机构实际误差补偿与控制提供理论依据。     

绳系并联支撑机构的绳迟滞效应及影响实验研究

绳系并联机构因具有结构简单、工作空间大、惯性小等优势,得到了广泛的应用。该文针对支撑绳索中普遍存在的迟滞效应进行了实验研究。首先,分析了某绳系并联机器人（Wire-driven Parallel Robot,WDPR）样机中的绳迟滞曲线的数学模型,并利用实验数据识别出了模型中的相关参数;其次,通过不同条件下的绳索伸-缩实验,探讨了绳拉力迟滞效应的影响因素;接着,分析了迟滞效应对飞行器模型位姿和气动载荷参数解算的影响情况。最后,以某风洞试验模型支撑绳系并联机器人样机中支撑飞机模型的牵引绳的迟滞现象为例,对绳迟滞效应的影响情况进行了分析。研究结果表明:绳迟滞效应对模型位姿和利用绳拉力解算风洞试验的模型气动载荷都有一定的影响;绳索的材质与迟滞现象关系密切;预紧力对迟滞效应的影响程度具有决定性的作用,当绳预紧力增大到一定程度时,迟滞效应的影响是可以忽略的。     

绳索牵引式并联机器人神经网络PID控制

分析了一种6绳索6自由度的绳索牵引式并联机器人,基于齐次变换矩阵法建立了机器人运动学和动力学模型,根据其动力学模型及传统PID控制器,基于BP神经网络设计了BP神经网络PID控制器,机器人在运动过程中通过BP神经网络调整PID参数。最后通过仿真将其控制结果与基于传统PID控制器的控制结果进行对比,得出这种控制方法能够提高绳索牵引式并联机器人的控制精度和响应速度。     

绳索牵引骨盆康复机器人的骨盆刚度分析及骨盆运动轨迹规划研究

针对绳索牵引骨盆康复机器人的骨盆刚度控制以及骨盆运动轨迹规划进行了研究. 通过建立欠约束1R3T绳索牵引骨盆康复机器人的力学模型,解出了绳索拉力的表达式,并分析拉力解中零空间拉力部分对骨盆刚度的影响,得出控制绳索拉力能够实现对骨盆的刚度控制 ,为以后实现柔顺性控制提供了理论依据;基于凸集理论分析了骨盆不同位姿所属空间性质的不同,依此对牵引绳索进行合理布置,以保证骨盆在规划运动空间内的刚度完全可控,并基于矢量封闭原理和绳索拉力平衡对工作空间进行分析;通过MATLAB仿真证明了骨盆规划轨迹中绳索牵引的可控性,得出了骨盆位姿及绳索长度的变化规律,分析了骨盆位姿对绳索长度影响的原因.其规划结果可为该机器人运动控制的研究提供依据.     

微动操作手的误差分析

讨论了由两级并联机构串接而成的六自由度微动操作手的误差分析。为了评估其结构参数误差对末端操作器位姿的影响，利用矢量分析的方法建立了安装加工误差、驱动误差与末端位姿误差之间的关系式，并得出了若干对微动操作手的设计加工有指导意义的结论。这种分析的方法同样也可应用到其它并联或串联机构的误差分析研究中。     

柔索驱动并联机器人定位误差的柔性补偿法

提出了用人工神经元网络(ANN)补偿大射电望远镜(LT)中柔索驱动并联机器人(WDPR)系统动平台位姿误差的方法.为了提高WDPR的运动精度,建立了3种可行的误差补偿方案,并运用Levenberg-Marquart(L-M)算法训练了相应的3个神经元网络.标定仿真显示,基于索长补偿的柔性标定方案比基于动平台位姿补偿的标定方案好.研究结果为提高LT舱索系统的控制精度奠定了理论基础.     

考虑绳索质量和惯性力影响的绳牵引并联机器人动力学建模和张力优化求解

该文研究了高速大跨度冗余驱动绳牵引并联机器人的动力学建模和张力优化分布。首先,建立了基于有限元思想的绳索动力学模型;其次,推导了包含绳索动力学影响的绳牵引并联机器人的动力学方程;继而,以绳索张力方差最小为目标,得到了适用于冗余驱动绳牵引并联机器人的张力优化分布模型;进而,在优化模型的基础上,提出了一种以直线模型的索长和张力为迭代初始值,以绳索垂度不发生改变为终止条件的绳索张力迭代优化算法,实现了绳索张力的优化求解;最后,通过算例仿真说明了考虑绳索质量和惯性力影响的必要性,并且验证了算法的收敛性、有效性和合理性,为绳牵引并联机器人的力控制奠定了理论基础。     

考虑绳索质量和惯性力影响的绳牵引并联机器人

该文研究了高速大跨度冗余驱动绳牵引并联机器人的动力学建模和张力优化分布。首先,建立了基于有限元思想的绳索动力学模型;其次,推导了包含绳索动力学影响的绳牵引并联机器人的动力学方程;继而,以绳索张力方差最小为目标,得到了适用于冗余驱动绳牵引并联机器人的张力优化分布模型;进而,在优化模型的基础上,提出了一种以直线模型的索长和张力为迭代初始值,以绳索垂度不发生改变为终止条件的绳索张力迭代优化算法,实现了绳索张力的优化求解;最后,通过算例仿真说明了考虑绳索质量和惯性力影响的必要性,并且验证了算法的收敛性、有效性和合理性,为绳牵引并联机器人的力控制奠定了理论基础。     

一种通用的工业机器人位姿检测方法

为满足带有不同末端执行器的工业机器人系统的绝对位姿检测需求,提出一种通用的检测方法。其基本原理是以激光跟踪仪测量固定在机器人末端的4个参考点从而间接测量机器人的绝对位姿,并与指令位姿比较实现机器人位姿准确度和位姿重复性检测;其中,参考点坐标及机座坐标系通过多姿态约束同步标定,并设计非线性标定算法。通过末端带有制孔执行器的KUKA KR210 R2700工业机器人的位姿检测实验表明：该检测方法的准确性可满足机器人位姿检测的需要,且无需特殊的机械工装,具有良好的通用性;基于多姿态约束的非线性标定方法具有良好的鲁棒性,可有效的减小因机器人运动模型不准确引起的标定误差。     

精密小型Hexapod并联机器人标定实验及精度分析

为了提高精密小型Hexapod并联机器人的运行精度,对机器人进行了标定实验及精度分析.推导了Hexapod机器人结构参数的误差模型、设计了标定步骤和算法,并在三坐标测量机上对机器人进行标定实验;从机构角度对Hexapod机器人的间隙误差来源进行了分析,并推导了间隙误差对机器人位姿误差的映射关系数学模型;推导并分析了计算过程中最小二乘误差、牛顿-拉普森迭代误差的数学模型,分析了机器人结构参数的辨识精度.标定实验结果表明：经过误差补偿,机器人位姿坐标的最大位移误差由0.267 6 mm降为0.010 5 mm;最大转角误差由0.006 8 rad降为0.001 1 rad.Hexapod机器人标定及精度分析方法对于开发精密型并联机器人具有参考价值.     

电流自适应控制抑制开关磁阻电机转矩脉动

开关磁阻电机(SRM)的强非线性源自其双凸极结构、磁路非线性和脉冲供电方式。传统控制多采用SRM线性转矩模型求得参考电流,导致其运行时转矩脉动大。提出基于转矩偏差的双权值神经网络(DWNN)自适应PID控制与基于有限差分扩展卡尔曼滤波(FDEKF)预测电流的前馈补偿控制相结合的SRM控制策略。(1)加入偏差预处理,对转矩偏差进行非线性处理,实现"小误差,大增益,大误差,小增益"的控制,以此为基础进行双权值神经网络自适应PID的电流控制;(2)采用预测电流,构成参考电流的前馈补偿控制,提高控制系统一步预测能力。基于有限差分扩展卡尔曼滤波预测电流,将其与参考电流之差实时补偿参考电流,优化得到恒转矩下有效的控制电流,间接实现总转矩的有效控制。仿真结果证明所提控制策略能有效抑制SRM的转矩脉动。     

电动负载模拟器的非线性因素分析及补偿

为提高电动负载模拟器系统的动态性能和信号跟踪准确度,提出针对系统摩擦非线性和间隙非线性进行补偿的方法。分析系统存在的非线性因素及其对系统造成的影响,在此基础上建立其非线性数学模型。采用基于小波神经网络的PID控制器实现摩擦非线性补偿,同时利用间隙逆模型针对间隙非线性进行补偿。利用Matlab软件对补偿结果进行仿真验证,仿真结果显示经过补偿后系统正弦响应曲线跟随性能变好,跟踪误差明显减小,准确度得到很大改善。仿真结果证明:基于小波神经网络的PID控制器和间隙逆模型分别对摩擦非线性和间隙非线性有明显的抑制效果,系统动态性能得到提高。     

基于模糊神经网络的包装机械臂定位方法研究

目的 为提高包装机械臂的抓取精度,文中基于模糊神经网络设计一种包装机械臂定位方法。方法 将激光测距仪与工业相机融合,可实现目标点的初步定位并得到位姿偏差。以机械臂末端位置误差补偿为例,设计一种模糊神经网络控制器,可实现PID控制关键参数的在线调整以提高误差补偿精度。进一步地,采用果蝇优化算法实现神经网络控制器初始值的优化,可提高控制系统性能。最后,进行实验研究。结果 实验结果表明,机械臂定位算法可使最大绝对误差从7.704 9 mm下降到1.424 2 mm;平均绝对定位误差降低约82.5%;机械臂执行效率与对照组相当。结论 该定位方法可以大幅度提高包装机械臂定位精度,可满足包装、化工、食品等相关行业要求。     

基于长短时记忆神经网络的大跨拱桥温度-位移相关模型建立方法

建立温度-位移相关模型是开展基于位移响应的大跨桥梁性能评估的关键步骤。该文提出一种基于长短时记忆(LSTM)神经网络的多元温度-位移相关模型建立方法。充分利用LSTM神经网络能够考虑位移时滞效应和适合处理超长数据序列的优势,采用自适应矩估计方法对LSTM神经网络进行优化,并引入丢弃正则化技术提升模型的预测能力。在此基础上,基于一座三跨连续系杆拱桥长期同步监测的温度和位移数据,讨论了影响该桥主梁竖向位移的主要温度变量,并建立了多元温度-位移的LSTM神经网络模型,与基于误差反向传播(BP)神经网络的多元温度-位移相关模型进行了比较。研究结果表明:构件有效温度与主梁竖向位移具有明显的非线性关系,构件间温差和主拱温度梯度与主梁竖向位移呈线性相关性;主拱有效温度和主梁与主拱的温差是引起该桥主梁竖向位移的主要温度变量;相比于BP神经网络模型,该文提出的LSTM神经网络模型能够大幅降低温度位移的重构误差和预测误差。     

机器人关节摩擦建模与自适应RBF神经网络补偿计算力矩控制

目的:补偿机器人关节摩擦力矩,提高关节轨迹跟踪效果。方法:以直流伺服电机和谐波减速器组成机器人关节为对象,基于Stribeck模型建立摩擦模型;采用最小二乘法和Matlab编程辨识模型参数;利用自适应RBF神经网络算法对系统模型参数误差引起的未建模动态进行在线观测;将观测结果补偿到计算力矩控制器中,建立含摩擦模型的自适应RBF神经网络补偿计算力矩控制器,推导出控制参数的约束条件。结果:基于自主设计的机器人关节进行对比实验。实验表明,含摩擦模型的自适应RBF神经网络补偿计算力矩控制追踪误差是无摩擦模型的自适应RBF神经网络补偿计算力矩控制追踪误差的55.12%,是传统计算力矩控制追踪误差的31.28%。结论:本文的控制方法提高了机器人关节轨迹跟踪精度。     

机器人的运动时变可靠性分析

机器人系统存在的多种不确定性会导致其运动精度下降,为此开展机器人运动时变不确定性建模与分析,以期提高机器人运动精度。首先基于运动学分析建立了机器人末端执行器参考点位姿误差模型,随后基于机器人位姿误差模型提出了末端执行器位置精度的点（静态）可靠性、时变（区间）可靠性模型以及机器人运动的系统可靠性模型,最后给出了实现上述可靠性模型高效、高精度求解的包络方法,并以斯坦福机器人为实例验证了所提模型和求解方法的有效性。研究表明,所提出的可靠性模型能够有效获得机器人各坐标分量上的时变可靠度以及机器人运动的系统可靠度。研究工作为提高机器人运动精度提供了新方法。     

基于混合预测的低轨卫星多普勒频偏预补偿

低轨(LEO)卫星高动态特性导致多普勒频偏,加大了接收端的信号恢复难度。针对低轨卫星通信系统的多普勒频偏问题,本文提出基于混合预测的低轨卫星多普勒频偏预补偿(MF-DPC)算法,通过神经网络和线性拟合实现对轨道参数的混合预测,使用预测的轨道参数和传统轨道外推算法计算相对位置和速度,最后得到多普勒频偏,实现多普勒频偏预补偿。仿真结果表明,基于混合预测的低轨卫星多普勒频偏预补偿算法比基于TwoBody、J2和J4轨道外推预补偿算法的有效频偏占比提高60%以上;比基于简化常规摄动模型(SGP4)预补偿算法运算时间降低近10倍。基于混合预测的低轨卫星多普勒频偏预补偿算法为终端同步接入提供了快速可靠的预补偿机制。     

3-RPS对称并联支撑结构误差灵敏度研究

针对以3-RPS并联机构为核心的光电跟踪系统支撑结构,运用矩阵全微分理论,建立了基于Rodrigues参数的机构位姿误差模型.针对机构可达空间内各误差来源,提出了一种通过归一化描述灵敏度的新方法,并建立基于数学统计意义的灵敏度系数数学模型.通过此模型的数值仿真,可知在机构设计、加工以及装配过程中,对机构驱动误差与定平台上轴向误差需严格控制;当定、动平台结构比例系数改变时,其对整个运动空间各误差灵敏度系数百分比改变不大,即高灵敏度的误差源仍需严格控制.根据各误差的灵敏度系数可对其标定进行修正,达到有效减小误差灵敏度系数较高的运动学参数误差的目的,实现空中目标轨迹的实时跟踪瞄准.     

采用长短期记忆神经网络的空调系统能耗预测研究

为了实现空调系统控制策略的优化、提升空调系统能效,本文提出一种基于LSTM神经网络的组合式空调机组能耗预测模型,实现对某卷烟厂储丝车间空调系统能耗数据的短期预测和中期预测。短期预测结果的RMSE(均方根误差)为8.68,MAE(平均绝对误差)为4.34;中期预测结果的RMSE值为6.26,MAE值为2.64。说明LSTM能耗预测模型的预测结果与原始数据总体偏差较小,在预测性能方面表现良好。即使考虑时序性,LSTM能耗预测模型在预测时间跨度较长的非线性数据时也不会出现明显的预测精度下降,能够保证预测的准确率。