工业机器人定位误差在线自适应补偿

受工业机器人本体结构几何及非几何误差因素的影响,机器人执行末端的实际运动轨迹与其理论规划轨迹往往不一致,这严重限制了机器人在加工领域的拓展应用。另外,通过研究发现机器人除在工作空间上定位误差等级存在差异分布外,在服役时间上随着机器人工作性能的退化也会显著恶化其定位精度。为解决该问题,提出了一种基于定长记忆窗增量学习的机器人定位误差在线自适应补偿方法。在该方法中,首先定量分析机器人定位误差与位姿的相关关系,将工作空间划分为多个位姿区块并创建校准样本库,建立了位姿映射模型的自适应优化机制以克服空间中误差等级差异分布的问题;然后设计了定长记忆窗增量学习算法,克服神经网络模型的灾难性遗忘缺陷,并平衡了在线模式下建立机器人新、旧位姿数据映射关系的精度和效率,解决了机器人性能退化加剧定位误差影响位姿映射模型适用性的问题,从而确保算法的补偿精度稳定在目标精度水平线以上;最后,利用St?ubli机器人和UR机器人对所提方法进行了精度在线补偿实验验证。实验结果表明该方法可将St?ubli机器人的定位误差从0.85 mm降至0.13 mm,将UR机器人的定位误差从2.11 mm降至0.17 mm,明显提高...     

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...     

一种基于位姿反馈的工业机器人定位补偿方法

为了提高工业机器人的绝对定位精度,提出了一种基于末端位姿闭环反馈的机器人精度补偿方法。该方法通过激光跟踪仪测量实时跟踪机器人末端靶标点的位置来监测机器人末端的位姿,并通过对靶标点的实际位置和理论位置进行匹配获得机器人末端的位姿偏差。工业机器人系统与激光跟踪测量系统通过局域网进行数据通信,并根据位姿偏差数据对机器人末端的位姿进行修正。最后通过实验对基于末端位姿闭环反馈的机器人精度补偿方法进行验证,实验表明,经过位姿闭环反馈补偿后机器人末端位置误差最大幅度可以降低到0.05mm,姿态误差最大幅度可以降低到0.012°。     

近似度加权平均插值的机器人精度补偿方法研究

针对机器人标定高度依赖于构型的问题,考虑到机器人末端不同位置矢量间的距离、夹角以及在空间上形成的三角形面积对矢量近似度的关联,引入机器人位姿及位姿误差矢量近似度的概念及度量方法,制定基于近似度的判别规则及使用条件,对目标位姿邻域内的数据库样本进行筛选。在此基础上,提出一种基于近似度加权平均插值的机器人精度补偿方法,利用工作空间中筛选出的采样点位姿及误差数据,对目标点的位姿误差进行插值预测。实例结果表明,该方法能有效提高机器人位姿误差补偿的空间适应性,满足高端领域要求。     

空间机械手末端位姿修正模型构建方法

为了有效减小空间机械手的末端位姿误差,通过分析误差来源,该文提出了基于BP神经网络的空间机械手末端位姿修正模型构建方法,设计了关节转角系统误差、关节转角随机误差、末端位姿系统误差和末端位姿随机误差共4类数据对该方法进行验证。仿真结果表明,该方法构建的修正模型是有效的,能够大幅提高末端位姿精度。     

2TPR&2TPS 并联机构的位姿误差建模与补偿研究

位姿精度是评价机器人性能好坏的一个重要指标,建立有效的补偿算法是提高机器人位姿精度的重要保证。 本文以 一种 2TPR&2TPS 并联机器人为研究对象,建立了基于正解的误差模型,根据该误差模型得出了动、静平台位置参数误差及 驱动杆零点长度误差与机器人末端位姿误差的关系,同时建立了基于逆解的补偿算法。 通过粒子群算法对误差函数的最小 值寻优,得到了机器人驱动杆补偿量和位姿补偿量,仿真得出该机器人的平均位置精度提升了 98. 148% ;将驱动杆补偿量与 理想位姿对应的驱动杆长叠加作为机器人的驱动杆输入量进行实验验证,实验得出机器人的平均位置精度提升了 87. 457% ,补偿效果显著。     

基于机构精度通用算法的机器人位姿误差分析

在Denavit-Hartenberg参数法建立的机器人末端位姿变换方程的基础上,利用机构通用精度算法建立了机器人末端位姿误差模型。通过矩阵运算,建立了机器人末端位姿误差与各杆件运动学参数误差之间的函数关系式。在SCARA机器人上的实验表明,用此方法建立的误差模型进行误差标定和补偿,可以提高机器人的定位精度。     

2UPS&UPR&UP型并联机器人精度综合

提出了一种2UPS&UPR&UP型并联机器人的精度综合方法。基于理想运动学方程,利用摄动法建立该机器人的误差映射模型,并分离出可补偿误差源与不可补偿误差源;建立不可补偿误差源与末端姿态误差的标准差关系,揭示了工作空间内末端姿态误差标准差的分布情况;利用灵敏度系数法对机器人不可补偿误差源进行灵敏度分析,确定各不可补偿误差源对末端运动精度的影响程度;依据3σ原则,以灵敏度指标作为分配系数,通过精度综合得到给定末端精度下的不可补偿误差源的值,为机器人加工制造提供理论依据。仿真实验验证了该方法的有效性。     

工业机器人位姿误差空间IDSW插值补偿方法研究

探讨了工业机器人误差模型及位姿误差补偿的现有方法;对基于空间插值的补偿方法进行研究,提出机器人位置和机器人位姿误差两者之间的高度相关性是插值补偿法有效的先决条件;对利用微分法建立的机器人位姿误差模型进行研究,得到在机器人末端姿态不变时任意两点的位置误差的差值和姿态误差的差值分别与该两点位置差值呈高度线性关系;提出一种基于均匀数据场的空间IDSW(反距离平方加权)插值算法的机器人位姿误差补偿方法,并设计对比实验,仿真验证了本文所提出方法的有效性。     

KUKA工业机器人位姿测量与在线误差补偿

工业机器人因其良好的重复定位精度而被广泛应用于堆垛、搬运、焊接等工业领域,但其绝对定位精度低,限制了其在高精度制造领域的应用。通过构建工业机器人误差测量与在线补偿闭环控制系统,对工业机器人的误差进行在线补偿。该方法综合考虑了几何参数和非几何参数引起的误差,提高了其位姿精度。研究基于KUKA机器人传感器接口(Robot sensor interface,RSI)进行位姿误差补偿的性能。通过研究KUKA机器人末端姿态的表示方式,提出一种基于激光跟踪仪测量工业机器人末端姿态的方法,并设计试验研究机器人在其工作空间的位姿误差特点。对搭建的闭环控制系统进行位姿误差补偿试验验证了该系统的位姿补偿效果。试验结果表明,经过第二次在线误差补偿后,其绝对定位精度由原先的0.628 mm提升到0.087 mm,姿态精度接近0.01°。     

BP神经网络求6PTRT型并联机器人正运动学精确解

采用BP神经网络,利用位置逆解结果,通过训练学习,实现操作从关节变量空间到工作变量空间的非线性映射,从而求出6PTRT型并联机器人的正运动学解.计算实例表明单用BP神经网络得到的精度并不高,所以为提高正解结果精度,引入误差补偿算法,并设计相应软件,所得数据表明,该算法计算精度高.     

六自由度工业机器人末端定位误差参数辨识与实验研究

为了提高六自由度工业机器人绝对定位精度,对工业机器人进行了运动学建模,并建立了基于MD-H参数误差的机器人末端定位误差辨识模型,应用激光跟踪仪测量系统采集样本点数据,应用基于奇异值分解的最小二乘法求解辨识模型,以获得几何参数误差,并根据辨识出的误差对机器人末端定位精度进行补偿,实验结果表明,经过辨识和补偿后,工业机器人...     

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。

     

基于标定和关节空间插值的工业机器人轨迹误差补偿

轨迹精度是工业机器人重要的动态性能,目前工业机器人的轨迹精度远低于定位精度,提出一种基于机器人运动学标定和关节空间插值误差补偿的方法来提高机器人轨迹精度。基于MD-H方法建立机器人的运动学模型,在此基础上运用机器人微分运动学理论建立末端位置误差模型和轨迹误差模型。为克服最小二乘法等传统方法在数据噪声较大且不符合高斯分布时收敛慢甚至发散的问题,提出一种基于扩展卡尔曼滤波算法的机器人运动学参数辨识方法,实现运动学参数辨识的快速收敛。经过分析发现机器人误差在关节空间具有连续性的特点,为此提出一种关节空间插值误差补偿方法,建立网格形式的误差补偿数据库,并利用关节空间距离权重函数和已知的网格顶点误差计算各控制点的关节转角误差。通过试验对所提出的参数辨识和关节空间误差补偿方法进行了验证,试验结果表明：经过运动学参数辨识和补偿后机器人的绝对定位精度由1.039 mm提高到0.226 mm,轨迹精度由2.532 mm提高到1.873 mm,应用关节空间插值误差补偿后机器人的轨迹精度进一步提高到1.464 mm。     

基于ADAMS与WLSSVR的移动机器人定位误差研究

为了提高采用码盘定位方式的移动机器人定位精度,通过ADAMS仿真机器人转弯时码盘因打滑产生位移误差的情况,量化机器人在特定转弯半径,不同转弯速度对应的码盘定位误差值;然后,运用加权最小二乘支持向量回归机(WLSSVR)对数据进行回归计算,获得误差补偿决策函数;补偿机器人在转弯时因码盘打滑产生的定位误差,进而提高机器人定位精度。实验表明加入了码盘误差补偿的航迹推算定位算法的定位效果比没有误差补偿的定位准确度有显著提高。     

Preisach迟滞逆模型的神经网络分类排序

为了补偿影响压电陶瓷执行器纳米定位系统精度的迟滞非线性,提高系统的控制精度,开展了基于压电陶瓷执行器的迟滞非线性逆模型的研究。兼顾到迟滞的擦除特性和建模的精确度,提出了一种Preisach逆模型分类排序法的神经网络实现方法,用神经网络取代了传统的反查值方法,以避免插值误差。建立三层BP神经网络,运用实测数据进行训练,确定各层权值;然后,结合排序得到的电压和位移极值信息,通过神经网络方法拟合出较精确的输入电压值。运用若干组实验数据检验了此逆模型的有效性,结果表明,该神经网络的实现方法将逆模型的平均误差降低到了1.5V以下,最大误差绝对值降低到了2.7V以下。与反查值方法相比,神经网络实现方法有效提高了压电陶瓷执行器纳米定位系统的迟滞逆模型的精度。     

工作空间分区的机器人非概率可靠性标定方法研究

全工作空间域的高精度定位是超大工作空间机器人实现全范围精密作业的关键。本文以提高机器人全工作空间域内参数标定的可靠性和空间适应性为目标,研究机器人自身诸多不确定性的非概率量化方法,分析不确定性参数在不同工作空间域对机器人末端定位精度的影响差异,依据定位精度非概率可靠度指标对全工作空间域分区,提出一种在工作空间分区框架下对机器人进行非概率可靠性标定的方法。实例表明,分区标定补偿后,x、y、z三个方向的误差区间的下界和上界平均值分别下降了40.16%、59.36%和59.08%、40.87%以及54.24%、33.98%,且补偿后的机器人响应速度快,运动过程中波动小,证明了本文方法在缩小全工作域内末端误差范围,提升机器人的绝对定位精度及标定的空间适应性方面的有效性。     

基于贝叶斯神经网络的机床热误差建模

热误差严重影响着机床的加工精度,对机床关键部件进行热特性分析是开发精密机床的重要环节。通过测量包括数控机床的特殊位置温度和定位误差在内的热特性,研究了温升与定位误差之间的关系,提出了一种基于贝叶斯神经网络的热误差建模方法。通过K-means聚类和相关系数法来选择温度敏感点,可以有效地抑制温度测量点之间的多重共线性问题。结果表明:通过使用贝叶斯神经网络能提高机床88.015 9%的精度,比BP神经网络高出15.763 8%,与BP神经网络模型相比,贝叶斯神经网络具有更加优良预测性能。贝叶斯神经网络模型为降低机床热误差的影响提供了新思路。     

基于840 Dsl CNC的机器人精确控制技术

为提高工业机器人的控制精度,摒弃机器人原有控制系统,采用一种基于西门子840Dsl数控系统的工业机器人直驱控制方案,引入前馈补偿以及关节半闭环补偿,选取直线绝对式光栅尺,采用以直代曲的方式作为关节第二测量系统,对其进行精确标定,将机器人的重复定位精度提高到0.03 mm,绝对定位精度提高至0.15 mm,相较本体精度提...     

基于线性回归理论的数控机床精度检测及误差补偿分析

为提高数控机床定位精度,需对精度的误差源进行分析及补偿。基于线性回归理论,采用激光干涉仪为检测工具,建立了BF-850B数控机床数据检测的精度检测与补偿模型,并根据各个测量点位误差特性进行分析,确定采用一次性线性补偿和多段式线性补偿方法;最后,结合具体的数控机床实例,根据得到的实验数据验证实现误差补偿,对定位精度的补偿效果进行了分析。结果表明:一次性线性补偿将X轴精度由4.853 1～35.025 0μm提高至-2.472 1～0.736 3μm;将Y轴精度由-14.425 0～-4.132 5μm提高至-2.481 2～0.752 9μm;将Z轴精度由-4.128 0～17.227 1μm提高至-0.501 5～1.324 5μm;多段式线性补偿将X轴精度提高至-1.364 1～0.484 0μm;将Y轴精度提高至-1.364 1～0.551 0μm;将Z轴精度提高至-0.412 0～0.495 2μm;补偿前根据数据分布的主要特点,采用呈线性或分段式对数控机床的系统误差进行相应的呈线性或分段式补偿有着很好的补偿效果。