基于迁移学习的铣削机器人定位误差补偿方法

空间网格补偿法是提高机器人定位误差的有效方法之一,然而由于所需采样位姿多导致误差测量环节非常耗时,为提高机器人定位误差补偿效率,提出了一种机理分析与数据驱动的铣削机器人定位误差补偿方法,基于迁移学习来预测机器人工作空间内不同区域的定位误差。首先建立机器人刚柔耦合误差模型,研究立方体与柱体工作空间内不同区域的误差分布特性;之后,考虑误差区域相似性将机器人工作空间分为源域空间与目标域空间,在源域空间基于分级采样策略将完备的机器人采样位姿及误差测量数据作为源域数据,对于目标域空间只需要将少量的采样位姿及误差数据作为目标域数据,源域数据与目标域数据均用于训练高斯过程回归模型,通过基于加权拟合误差的子空间对齐和自适应权重迭代方法提升迁移学习模型预测精度,根据指定机器人位姿参数预测并补偿机器人定位误差;最后,使用KR160铣削机器人系统进行了误差补偿试验以验证该方法的可行性和有效性,试验结果表明,经过补偿后机器人定位误差1.499 mm降低到0.182 mm,所需机器人采样位姿数目减少了70%,使用铣削机器人加工法兰孔,其轮廓误差和位置误差达到0.269 mm和0.331 mm,该方法可以提高补偿...     

基于双目视觉的工业机器人运动轨迹准确度检测

针对工业机器人运动轨迹准确度检测困难的问题,提出了一种基于双目视觉理论的检测方法。根据空间解析几何学中点、线和面三者之间的约束关系,建立了基于直线特征匹配的工业机器人运动轨迹位姿视觉检测模型。基于此模型对一种典型六轴工业机器人运动轨迹的位置偏差和姿态偏差进行了测量。测量结果表明采用这种方法的测量系统结构相对简单,能够方便地进行工业机器人动态轨迹准确度的测量。     

机翼蒙皮天线的形变重构方法和实验

文中提出了一种引入迁移学习的形变重构方法,并用某无人机机翼进行了实验验证。该方法首先利用模态法获取大量的仿真源数据,并对实际机翼进行测试,获得少量的目标数据,然后利用迁移学习算法将目标数据迁移到源数据中,使得重构的位移值更加接近实际测量值。结果表明,该方法大幅提升了机翼蒙皮天线在实际工作环境中的形变重构精度。     

工业机器人空间位置精度预测模型研究

预测工业机器人空间位置精度对高精度加工具有重要影响,分析影响其空间位置精度的因素,提出一种考虑结构参数误差及关节刚度、摩擦特性参数的空间位置精度预测模型。应用激光跟踪仪辨识工业机器人结构参数与名义值间存在的偏差,分析关节转角偏差随工况的变化,提出关节刚度和关节摩擦参数辨识方法,在ADAMS环境下建立空间位置精度预测模型。以UR5机器人为实验对象,API激光跟踪仪为测量仪器对其空间位置精度进行测量,与预测模型输出结果进行对比,实验结果表明,该模型可准确预测工业机器人空间位置精度,预测精度可达0.5mm。     

基于无监督迁移成分分析和支持向量机的故障分类方法

针对因源域和目标域数据存在分布差异及故障样本缺乏影响故障分类准确度的问题，构建了基于无监督迁移成分分析—支持向量机(UTCA-SVM)的故障分类模型。首先，将不同工况的样本特征映射到Hilbert核空间；然后，通过最大均值差异(MMD)来度量迁移的源域样本数据，实现从源域到目标域的跨域特征信息迁移；最后，通过实验对所提故障分类方法进行验证。实验结果表明：所提方法与主成分分析—支持向量机分类模型(PCA-SVM)和SVM分类模型相比，能够减少域分布差异以更准确的进行样本数据分类，进而准确地检测出滚动轴承的故障状态。     

考虑测量空间的机器人绝对定位精度标定

相较于机床,工业机器人绝对定位精度较低,难以满足磨削等高精度加工工艺的需求,较大地限制了其应用拓展。针对该问题,本文重点考虑空间测量位置的优化与选择,提出了一种基于距离精度的机器人绝对定位精度标定方法。首先在空间测量位置对于测量精度影响分析的基础上,采用了雅克比矩阵条件数来定量描述机器人运动性能。结合机器人关节运动特征,分别给出了关节空间与末端笛卡尔运动空间内的机器人优化测量位置范围。然后采用MD-H运动学方法构建了机器人绝对定位精度误差模型,引入距离精度方法,通过距离误差计算避免了坐标系转换误差。最后基于KUKA机器人实验平台开展了标定实验,结果表明机器人平均绝对定位误差从标定前的1.191 mm降低到了0.096 mm,有效验证了方法的有效性。     

工业机器人运动学参数标定误差不确定度研究

为研究机器人末端定位不确定度分布规律,采用不确定度误差的评价方法对工业机器人标定方案得到的运动学参数进行了分析.采用基于各轴单独旋转拟合空间曲线的方法,解算获得运动学参数模型.在机器人标定模型的基础上,分析出各项运动学参数标定结果的不确定度.分析了各轴关节转角θ对不确定度的影响规律,并实验研究各轴在标定或者动态测量过程中,测量点数及测量角度等条件对测量不确定度的影响.推导出机器人末端位置误差不确定度的计算方法,并分别以机器人某一固定姿态和固定路径为例,研究了机器人末端位置误差的不确定度.采用激光跟踪仪做为闭环测量设备,实验验证了单轴运动空间曲线拟合方法,可有效地估计在整个机器人工作空间内的运动误差不确定度分布,标定后在x、y、z3个方向上定位不确定度分别为0.356 mm、0.582 mm和0.524 mm.     

基于空间绝对距离的机器人自标定研究

研究了一种工业机器人的自标定方法,对六自由度工业机器人的控制模型和误差模型进行了独立建模。提出的标定方法是基于空间中的绝对距离,对测量工具要求并不苛刻,测量过程简单,数据获取便捷可靠。采用解析法消除冗余误差参数,使得参数辨识的结果变得精确可靠。经实验证明,基于空间绝对距离的机器人自标定方法能将机器人的绝对精度提高十几倍。     

有限样本下基于迁移学习的铣削稳定性预测方法

传统铣削稳定性分析因采用静态刀尖点频响函数和平均切削力系数而使其在真实工况下的预测精度降低。为此,引入迁移学习提出一种基于少量实验样本的铣削稳定性预测方法。首先,生成静态刀尖点频响函数和平均切削力系数在全转速范围内多个系列的随机值,并在各系列下进行铣削稳定性分析,通过计算少量极限切削深度实验值与对应的预测值之间的误差,确定最优系列并以其构造源域稳定域数据;然后,利用大量源域数据建立极限切削深度的预训练模型,通过少量实验样本全局微调此模型使其适应真实加工场景。以40组颤振实验样本展开实例验证,所提方法比采用少样本建模的预测精度提升32%,并对比不同数据规模下各类模型预测精度,共同验证所提方法的有效性。     

基于神经网络和模型迁移学习的不相关多源频域载荷识别

针对使用模型初始权重随机设定的神经网络模型进行不相关多源频域载荷识别时训练效率低、精度低的问题,提出一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法.首先,利用某频率点的历史数据对不相关多源载荷识别的多输入多输出神经网络模型进行训练;其次,将该频率下的神经网络的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值;再次,利用目标频率的历史数据对神经网络进行微调训练,从而得到目标频率的不相关多源频域载荷识别模型;最后,将该频率的训练好的神经网络的模型参数迁移到下一个相邻频率的模型,循环该过程直到建立所有频率点的神经网络模型.在圆柱壳声振实验数据集上的载荷识别结果表明,该方法具有较好的网络权值初值、能有效减少训练时间,比不使用迁移学习的神经网络方法、基于传递函数和最小二乘广义逆的方法、基于多元一次线性回归的方法具有更高的识别精度.