一种仿人机器人臂的重力补偿研究

为了对7自由度握手机器人臂进行重力补偿,提出了基于最小二乘法的机器人臂动力学参数识别方法。首先,推导了该机器人臂各关节转矩的重力项理论计算公式;其次,对基于最小二乘法原理的参数识别方法进行详细分析;最后,利用该方法对机器人臂各连杆进行了参数识别试验。试验表明:依靠该方法进行参数识别后的重力项计算值和实测值基本上是一致的,能够用于机器人臂的重力补偿计算。     

基于重力补偿的机械臂PD控制系统研究

针对多关节机器人机械臂数学描述复杂、运动学分析困难的问题,采用逆动力学方法建立机器人双关节机械臂的动力学模型,并对重力项进行补偿,采用对重力矩准确估值的PD控制算法实现机械臂运动轨迹准确跟踪,能够满足机械臂定点控制的要求,具有无超调、初始力矩小等特点,通过仿真实验表明与理论分析结果一致,表明此控制方法的有效性。     

基于非圆齿轮的机械臂重力补偿机构研究

目前大多数机器人工作过程中需要消耗大量能量来克服自身重力,为了降低能耗并提高机器人性能,提出一种用于转动关节机械臂的重力补偿装置,该装置采用非圆齿轮行星轮系扭转弹簧机构,可实现机械臂任意可达工作空间的重力补偿;建立机械臂静平衡力学模型,根据静平衡约束条件设计非圆齿轮行星轮系,对非圆齿轮行星轮系传动比分配进行讨论,得到满足力矩平衡的最简轮系;以2R平行四杆机构机械臂为例进行设计分析,并导入ADAMS中进行验证,仿真结果表明,重力补偿机构有效降低了驱动力矩。     

空间机器人悬挂系统重力补偿研究

在地球表面模拟月球的低重力环境,需要对模拟器进行重力补偿。采用宏微机构,能满足大行程和高精度的要求。采用质心恒张力吊挂原理,设计了一种恒张力控制重力补偿机构,为移动性能综合实验提供多吊点的月面低重力环境模拟。对张力控制吊挂装置进行了力学分析和振动分析,对控制系统的设计要点进行了说明。大量的现场试验和不同的工况试验表明:能够满足模拟器大行程和高精度运动的重力补偿,补偿精度达到98%,能够满足试验要求。该系统已用于某研究所定型产品试验。     

基于遗传算法优化BP神经网络的数控机床热误差补偿

以提高数控机床加工精度为主要目的,针对减少热误差而提出一种基于遗传算法优化BP神经网络的数控机床热误差补偿方法.首先,分析遗传算法优化的BP神经网络学习算法.然后,建立神经网络模型对三轴联动卧式加工中心进行实时补偿.实验仿真结果表明遗传优化BP神经网络模型具有预测补偿能力强、补偿精度高、拟合性能优、实时性好等特点.     

基于粒子群优化神经网络的机器人精度补偿方法研究


针对工业机器人应用于飞机柔性化自动装配时绝对定位精度不能满足装配精度的问题,在机器人空间网格精度补偿方法的基础上,综合考虑环境温度的变化对机器人的绝对定位精度的影响,提出了基于神经网络的机器人综合精度补偿方法。为了防止神经网络在训练中陷入局部极值,采用粒子群优化方法对它的初始权值和阈值进行了优化。实验结果表明,当温度在20~30℃范围内变化时,机器人的绝对定位误差由补偿前的1~3mm,提高到补偿后的绝对定位误差最大值为0.32mm,平均值为0.194mm,精度较未补偿前有了大幅提高,可以满足飞机自动化装配的高精度的要求。

     

基于遗传算法的机器人末端位置补偿轨迹规划

提出了一种机器人末端位置调整补偿的轨迹规划方法,利用遗传算法求解了机器人末端位置调整引起的关节变化量。利用该方法,机器人可在不精确环境下进行校正式示教学习,通过示教还原后可实现模糊环境中的机器人末端连续轨迹扫描。利用该方法在4自由度机器人上获取了理论关节轨迹与校正轨迹,试验结果证明了该方法的可行性。     

空间机械臂基于神经网络的死区补偿控制

针对自由漂浮空间机械臂所存在的模型误差和机械传动机构中的齿隙死区问题,提出基于神经网络的自适应补偿控制方法。对于系统的模型误差,利用神经网络的逼近能力来对不确定部分进行自适应补偿,而设计变结构控制器消除逼近误差。对于关节执行机构中的齿隙死区,利用两个神经网络来分别进行死区模型的估计与补偿,利用死区补偿原理来推导死区输出、死区补偿器及控制器三者之间的数学关系,进而设计基于神经网络的控制器、补偿器及死区估计器的自适应在线学习律。基于Lyapunov理论证明了控制系统的稳定性。仿真结果验证了控制器的有效性。     

机器人基座六维力传感器重力补偿研究

机器人基座六维力传感器常受到安装精度和机器人重力影响而出现测量误差。为了解决这一问题,在利用 D-H 法建立机器人位姿模型的基础上,推导出基于最小二乘法的基座六维力传感器静态重力补偿算法。针对算法中需要采集大量机器人位姿数据的问题,采用正交实验法确定样本空间以减少位姿采集量。最后以六自由度协作机器人为例,利用 6 因素 5 水平的正交实验表获取机器人典型位姿,搭建数据采集平台,实现补偿算法所需数据的采集,求解该机器人的基座六维力传感器静态重力补偿矩阵。实验表明,该补偿算法能够有效得到基座六维力传感器测得的误差值。     

基于遗传算法优化神经网络的技术研究

为克服传统BP算法的收敛速度慢和容易陷入局部极小值的缺点,提出了一种基于遗传算法优化的BP神经网络智能诊断技术:采用基于实数编码的遗传算法优化神经网络权值和阈值,代替了原BP网络随机设定的初始权值和阈值,然后再用BP算法对网络进行精确搜索。实验仿真结果表明,用此法优化过的神经网络的训练步数明显减少,诊断准确率达91.7%,泛化能力也得到提高。     

基于神经网络的机械手摩擦补偿方法控制研究

论文提出了一种利用扩展两层神经网络和模糊整定PD控制相结合,对机械手伺服系统进行控制器设计的自适应跟踪控制设计方法,利用扩展两层神经网络的精确逼近特性来逼近机械手伺服系统中的未知动态摩擦。利用Lyapunov理论证明引入的一鲁棒控制律保证了机械手闭环系统的稳定性,仿真结果验证了基于扩展两层神经网络控制方法的有效性。     

基于自适应神经网络控制的机械臂运动轨迹跟踪误差研究

针对机械臂受到外界干扰时运动不稳定、轨迹跟踪误差较大等问题,提出了自适应神经网络控制方法。给出了机械臂动力学方程式,利用正反馈神经网络研究机器臂的动力学特性。设计了自适应神经网络控制系统,通过李雅普诺夫函数证明了该闭环系统的稳定性和收敛性。建立了机械臂模型简图,采用Matlab/Simulink软件对机械臂动力学参数进行仿真。同时,与PID控制系统仿真结果进行对比和分析。仿真结果显示,机械臂运动轨迹在受到外界干扰情况下,采用自适应神经网络控制运动轨迹跟踪误差较小,输入转矩波动较小。机械臂采用自适应神经网络控制方法,可以提高运动轨迹的控制精度,削弱了机械臂运动的抖动现象。     

RBF神经网络补偿的并联机器人控制研究

为了实现对三自由度Delta并联机器人更精确的轨迹跟踪控制,对并联机构的动力学建模不确定性进行研究,提出了计算力矩控制基础上的RBF神经网络在线补偿控制策略。利用Lyapunov理论推导了神经网络在线权值自适应律,保证了系统稳定性。运用RBF神经网络在线自学习系统的不确定性,提高了控制效率同时增加算法的自适应性。在Simmechanics中建立系统物理模型并在Simulink中设计控制器,之后进行Simulimk/Simmechanics联合仿真,结果表明算法优于计算力矩控制,可以有效减小跟踪误差的收敛半径,实现对目标轨迹的准确跟踪。     

基于BP神经网络的机器人运动学逆解新算法

介绍了BP神经网络原理及算法并利用改进的BP神经网络算法对UY自由度机器人运动学反解问题进行了探讨。通过BP网络建立运动学模型,选择贝叶斯算法,采用Matlab神经网络工具箱进行编程,同时按照一定的范围要求提供样本,在试验及数值模型提供的样本数据范围内,得出模型测试精度都能满足工程要求。文章还进行了BP网络训练,并用训练好的网络来求解运动学逆问题,取得了较好的效果,为机器人运动学逆问题算法提供了新的思路,对机器人动力学问题、轨迹规划、运动控制也有一定的启发作用。     

基于神经网络和遗传算法的高速铣削工艺参数优化的研究

基于高速铣削正交试验,利用神经网络高度的非线性映射能力和遗传算法的全局寻优能力,建立了铣削力、铣削温度和表面粗糙度的BP神经网络仿真模型,在对它们进行优化的基础上获得几个主要因素的最优搭配。     

具有固定重力补偿的机器人控制研究

机器人控制的目的是要控制机器人末端的位置和姿态,使其可以从工作空间内的任意起始位置出发都可以到达工作空间内的期望位置。机器人系统的控制离不开对系统的动力学分析,由机器人动力学特性可知,相对于摩擦力、哥氏力、离心力,重力对机器人动态特性的影响更大,不考虑重力补偿而采用固定控制往往存在相对恒定的关节误差。通过对机器人的重力补偿使控制器输出克服重力,并对其稳定性进行分析,从而降低关节误差,达到机器人的期望位置。最后通过对机器人仿真验证重力补偿的实际效果。     

可重构机械臂构型自适应控制研究

针对可重构机械臂系统存在的不确定性及不同构型下的轨迹跟踪问题,提出了径向基函数(Radial Basis Function,RBF)神经网络鲁棒自适应补偿控制算法。设计了RBF神经网络补偿控制器自适应逼近补偿系统存在的未知项;为减小控制器逼近误差及适应构型变化时的鲁棒性,在控制律中引入了鲁棒项;基于李雅普诺夫(Lyapunov)稳定性理论设计了构型自适应调节律和鲁棒项并证明了闭环控制系统的稳定性。最后,以两种典型的可重构机械臂构型进行研究,结果表明所提算法能够适应系统构型的改变,同时有效地补偿系统存在的不确定性。     

基于神经网络与遗传算法的薄壁件多重装夹布局优化

在多重装夹元件装夹过程中,由于装夹顺序、夹紧力、定位元件位置等装夹布局参数的不同,薄壁件的装夹变形程度也不一样。单个装夹布局参数引起的工件装夹变形规律能够通过有限元方法获得。但是,若同时考虑多个装夹布局参数的影响,仅仅利用有限元方法难以揭示装夹布局参数与装夹变形之间的关系。为此,针对薄壁件的装夹布局方案建立三维有限元模型,以便利用有限元法获取神经网络的训练样本。借助神经网络的非线性映射能力,通过有限的训练样本构建装夹变形的预测模型。以减小工件的最大装夹变形为目标,并根据每一代装夹布局中工件的最大装夹变形定义个体的适应度,建立装夹布局方案的优化模型及其遗传算法求解技术。试验结果表明,网络预测值与相应的有限元仿真值、试验数据之间的相对误差均不超过3%。提出的基于神经网络与遗传算法的装夹变形"分析-预测-控制"方法,不仅能够提高装夹变形的计算效率,而且为薄壁件装夹布局方案的合理设计提供基础理论。