基于ECA规则的动态数据交换技术

动态数据交换是实现网络协同设计的关键技术,在协同设计中每一步的设计信息都进行实时交换必然导致在动态数据交换中包含不必要的数据。为了解决这个问题,该文提出基于ECA规则的动态数据交换技术。建立基于ECA规则的动态数据交换系统结构,并定义动态数据交换中的ECA规则和动态数据更新中事件间的基本关系。应用该技术实现了跨平台异构CAD系统之间动态数据的实时交互和一致性。     

重载精密机械手末端误差的多目标优化

针对关节几何误差对重载机械手运动精度的影响,鉴于PID神经元具有多输入和多输出优化的特性,提出重载精密机械手误差的多目标优化方法,研究重载机械手误差的关键因子,分析重载精密机械手的映射及机械手多输出目标之间的关系,探究PID控制器与神经元网络之间的对应关系,求解重载机械手精密运动的传递关系,同时推导机械手位姿、速度和加速度与关节几何误差之间的数学模型,得出机械手关节误差对其运动精度的影响趋势,以SCARA机器人为研究对象,采用PID神经元的多目标优化方法对其误差进行整合。结论表明:PID神经元的多目标优化方法有效地减小了关节几何误差对重载机械手的影响,其合理性得到了验证。     

管道疏通机器人非结构环境下多模态感知研究

为实现机器代替人工解决市政管道堵塞引发的内涝问题,提高机器人在非结构环境下的智能化程度,基于共融理论,设计了一种具有管径自适应能力的径向辐射轮式管道疏通机器人,提出一种面向管道疏通机器人的多模态感知模型,求解视觉、接近觉和触觉三大感知系统,实现管道疏通机器人末端执行器在工作时段内,以最佳移动速度完成自适应路径规划,提高了管道疏通效率。仿真试验结果表明:管道疏通机器人的多模态感知模型具有一定的可行性和实用性。     

一种异质双驱动万向关节运动学分析与工作空间求解

提出一种可以实现俯仰运动和侧摆运动的异质双驱动万向关节(HDD-UJ),HDD-UJ以万向联轴器为机构原型,以电机为主驱动源,电致伸缩材料为辅助驱动源。通过设计的HDD-UJ虚拟样机模型,确定其驱动传动一体化特性并阐述了关节的驱动传动机理;建立HDD-UJ的空间运动坐标系,进行了运动学分析并推导出运动学方程;基于空间几何原理求出HDD-UJ的空间运动范围,进行了运动工作空间虚拟仿真实验。仿真结果表明,HDD-UJ结构新颖简单、集成度高,具有2个自由度,能够实现大范围的空间作业。研究为后续关节的结构优化、运动精度调控策略等研究提供了理论依据。     

螺旋桨清洗机器人超灵巧机械臂设计

针对轮船螺旋桨清洗时因空间结构曲面复杂而难清理的问题,设计一种搭载于水下吸附式机器人载体上的射流超灵巧机械臂(hyper-dexterous manipulator,HDM)清洗装置.结合无骨架类生物肌肉高自由度特点构建超灵巧机械臂结构,采用虎克铰接的连接方式替换相邻关节连接处的柔性构件,兼顾了高压水射流承载压力高的特点.运用几何分析法对单端机械臂进行正逆运动学建模,基于多关节连杆变换通式推导出基于等圆弧假设下的机械臂模型,进而得出其多关节驱动空间与操作空间的映射关系.仿真实验和物理实验对比结果表明,所设计的机械臂能够达到期望的操作空间位姿,并能在加载实验下保证一定的鲁棒性.      

面向敏捷制造的制造执行系统调度策略研究

为解决敏捷制造执行系统的调度优化问题,提出了敏捷制造执行系统调度问题的最大成本最小化的策略.同时提出了一种带扰动因子的蚁群调度算法,使调度问题更接近实际,对敏捷制造执行系统的调度模型进行了分析与描述.设计了状态转移规则、轨迹强度更新规则以及加工成本的决策规则,由蚁群算法确定各批次零件各工序进行柔性加工所用的机床,用蚂蚁种子信息素踪迹更新策略对信息素进行更新,以获得问题的解,仿真实验结果验证了算法的有效性.     

换轨机器人共融悬臂算子分裂输运原理

为优化共融悬臂柔顺特性,提升换轨精度,以自动换轨装备悬臂算子多体系统为对象,针对换轨机器人龙口悬臂在无载荷、吊轨及施工过程中的末端振动现象,建立在不同模态频率、静力荷载和剪切效应作用下的混阶时空输运模型;引入Bezier插值离散方法,求解机器人共融悬臂混阶时空算子分裂输运变化,得到悬臂末端空间尺度上载荷冲击、惯性偏移与时间尺度上温变梯度、轴向变形等因变参数对悬臂振动特性的影响规律,为共融悬臂的优化设计提供指导。实验结果表明,混阶时空载荷、制动约束与模态频率、惯性偏移呈正比关系,且理论数值分析、仿真模型结果与实验标定数据具有一致性与互证性。     

基于LMD-CSP和随机森林的运动想象脑电信号分类

针对脑电信号具有非平稳性、非线性以及个体差异较大等特点而导致特征提取困难、分类准确率低的问题,提出一种基于LMD-CSP和随机森林(Random Forest,RF)的脑电信号分类方法.首先对脑电信号进行预处理,然后利用局部均值分解(Local Mean Decomposition,LMD)将预处理后的脑电信号分解为多个乘积函数(Product Function,PF)分量,并选出最具判别性的PF分量,再利用共空间模式(Common Spatial Pattern,CSP)分别对选出的PF分量进行特征提取,最后将得到的CSP特征输入随机森林分类器中进行分类识别.实验结果表明,该方法的平均分类准确率高达92.18％,远高于其他方法,证明了该方法的有效性.