基于POE模型的工业机器人运动学参数二次辨识方法研究

针对工业机器人在高度制造领域精度不高的问题,本文提出了一种基于POE模型的工业机器人运动学参数二次辨识方法。阐述了基于指数积(Product of exponential, POE)模型的运动学误差模型构建方法,并建立基于POE误差模型的适应度函数;为实现高精度的参数辨识,提出了一种二次辨识方法,先利用改进灰狼优化算法(Improved grey wolf optimizer, IGWO)实现运动学参数误差的粗辨识,初步将Staubli TX60型机器人的平均位置误差和平均姿态误差分别从(0.648 mm, 0.212°)降低为(0.457 mm, 0.166°);为进一步提高机器人的精度性能,再通过LM(Levenberg-Marquard)算法进行参数误差的精辨识,最终将Staubli TX60型机器人平均位置误差和平均姿态误差进一步降低为(0.237 mm, 0.063°),机器人平均位置误差和平均姿态误差分别降低63.4%和70.2%。为了验证上述二次辨识方法的稳定性,随机选取5组辨识数据集和验证数据集进行POE误差模型的参数误差辨识,结果表明提出的二次辨识方法能够稳定、精确地辨识工业机器人运动学参数误差。

串联工业机器人两级定位误差标定方法研究

针对串联型工业机器人的绝对定位误差较大的问题,该文提出一种两级误差标定方法,该方法融合了误差模型法和基于径向基(radial basis function,RBF)神经网络的非模型标定方法。首先,基于M-DH(modified DH)运动学模型建立串联型工业机器人的位姿误差模型,并基于差分进化(differential evolution,DE)优化算法实现M-DH运动学参数误差的辨识,将TX60机器人的平均综合位置/姿态误差从(0.5368 mm,0.1745°)降低为(0.1772 mm,0.0875°)。其次,为了进一步提升机器人的精度性能,利用RBF神经网络拟合预测TX60机器人的剩余误差,该方法将机器人的平均综合位置/姿态误差从(0.2178 mm,0.0863°)降低为(0.1044 mm,0.0411°)。最后,通过实验验证基于两级误差标定方法的精度提升效果要优于单一的基于RBF神经网络的误差标定方法,平均综合位置/姿态误差降低比例分别是4.9%和14.9%。因此,该文提出的两级误差标定方法能够有效地提升机器人的精度性能。

基于优化位姿集的工业机器人运动学参数辨识方法研究

针对在高端制造领域工业机器人绝对定位误差仍无法满足精度要求的问题,提出一种基于优化位姿集的机器人定位精度提升方法。首先,基于M-DH模型对待标定机器人Staubli TX60建立运动学模型,并基于位姿微分变换方法构建该机器人的运动学误差模型;其次,利用IOOPS算法优化筛选机器人的辨识位姿集;最后,提出一种基于PSO-LM优化算法的运动学参数辨识方法,并通过实验验证运动学参数辨识精度。实验结果表明:基于PSO-LM混合优化算法辨识后的TX60机器人的平均综合位置/姿态误差分别从(0.5777 mm,0.0039 rad)降低为(0.0816 mm,0.0014 rad)。该文提出的PSO-LM混合优化算法具有较好的辨识精度和收敛速度,并且基于优化辨识位姿集获取的运动学模型具有更好的泛化能力。

基于正十二面体靶标多机器人定位系统研究

针对基于单目视觉的室内定位系统精度差的问题,提出了一种基于AprilTag标签和正多面体的正十二面体AprilTag靶标,并通过单目视觉检测该靶标的相对空间位姿。该靶标装置通过在正十二面体各个表面粘贴AprilTag标签,扩展了靶标的检测范围,同时结合多面体之间的约束关系,提升了位姿检测精度。通过搭建实验平台实施该靶标的位姿检测精度验证,实验结果表明提出的正十二面体AprilTag靶标的相对位姿检测精度明显优于单个AprilTag标签位姿检测精度,当采用相同尺寸的AprilTag标签时,相对位置误差降低了约83.6%,同时在3个轴向上的相对姿态误差分别减少了约95.2%、94.6%、89.1%。

离心式风机的检修浅析

随着现代化建设的加速,离心式风机的用途越来越广泛,广泛应用于石油化工等场所的通风换气及消防高温排烟。离心式风机是一种从动的流体机械,通过全压产生、流量输出、所需功率及效率等参数来体现其工作的,这些工作参数之间相互联系。离心式风机使用初始,轴承部位的有很小的振动,但是使用时间久了,离心式风机的叶轮会被大量内粉尘不均匀地附着,离心式风机的动平衡被破坏,使轴承振动变大,这一振动如果超出离心式风机额定值,会出现各种故障,这时离心式风机必须停机检修,排除故障。本文旨在介绍离心式风机的几种常见检修方法,从而对离心式风机的检修有所帮助。