叶片磨抛机器人力/位混合控制的设计与实现

为提高航空类发动机叶片的自动化磨抛精度,减小复杂曲面叶片加工轨迹控制误差,采用基于六维力传感器的机器人力/位混合控制策略,实现机器人磨抛轨迹的在线修正。搭建以Staubli机器人和ATI六维力传感器为核心部件的叶片磨抛验证平台,通过C++开发上位机,采集磨抛过程中六维力传感器信息并进行Kalman滤波。通过示教确定机器人运动轨迹,对机器人运动轨迹与力传感器信息进行采集分析,确定基于力/位混合控制可以实现机器人运动轨迹的在线修正,为复杂曲面的叶片磨抛轨迹控制提供一种解决方案。

4+2自由度叶片抛磨专用机器人轨迹规划方法研究

砂带抛磨作为复杂曲面叶片精密加工的最后一道工序,其加工质量直接影响叶片的服役性能和寿命。传统6自由度机器人多关节串联具有明显的弱刚性,在末端夹持大型叶片时抗变形能力欠佳。为此,文章自主设计研发了4+2自由度叶片抛磨专用机器人系统,并开展复杂曲面叶片抛磨轨迹规划方法研究。首先基于D-H法建立该机器人运动学模型,进行机器人运动学的正、逆解的求解;其次给出了综合考虑抛磨工具与工件曲率的干涉、刀路轨迹行距和轨迹点密度对残留高度的影响规律的轨迹规划方法,建立了2个单元的协同运动模型保证叶片的加工实现;最后通过叶片抛磨轨迹数控程序验证了所获得的抛磨轨迹的正确性。

航空发动机铣削叶片抛磨技术研究现状及其发展趋势

叶片是航空发动机的核心部件,其苛刻的工况对其加工精度和表面完整性提出了更高要求。针对铣削叶片现有成性技术,阐述了叶片典型结构及抛磨前的表面状态,归纳了叶片抛磨技术关键共性难点。以表面完整性为评价指标,从手工抛磨、砂轮抛磨、砂带抛磨、磨粒流抛磨、柔性工具抛磨、磁力辅助抛磨、滚磨光整加工等方面介绍了航空发动机叶片抛磨的国内外研究进展,对比了各种抛磨技术的优缺点及适用范围。

叶片砂带磨抛装置关键零件的结构优化设计

针对叶片砂带磨抛装置的关键零件——机架和主动柔顺装置支架,以关键零件的静动态特性为优化目标,结合拓扑优化和多目标优化进行了结构优化设计。首先,根据磨抛装置各机构的安装需求初步设计机架模型,利用拓扑优化的轻量化特性设计改良的机架结构;然后,将磨抛装置关键零件的装配体作为优化对象,结合均匀设计法、灵敏度分析和响应面法建立其静动态特性与对其有显著影响的结构特征之间的二阶响应面模型;最后,以关键零件的静动态特性为优化目标,基于二阶响应面模型和NSGA-II(算法),对磨抛装置机架和主动柔顺装置支架的结构参数进行多目标优化。结果表明,拓扑优化可以获得磨抛装置较好的机架设计结构,多目标优化可进一步优化磨抛装置关键零件的结构特征,减少磨抛装置后续的优化迭代过程。

六轴联动叶片砂带抛磨中接触轮姿态的确定

对六轴联动数控砂带抛磨机床在叶片自由形面加工过程中接触轮的位姿进行了研究。以加工过程中接触轮与被加工曲面法向接触为出发点,提出了针对接触轮在加工过程中位姿的定义方法。分析了接触轮母线形式对被加工区面适应能力的影响。为避免加工过程中干涉,基于接触轮旋转自由度的有效空间,提出了避免干涉的方法。以切削带宽最大为目标,提出了接触轮第六自由度的控制原则;并对接触轮的位姿控制参数进行了仿真验证。

叶片抛磨表面粗糙度优化预测模型及实验研究

抛磨作为提高叶片表面质量的最后一道工序,能够显著提高叶片表面完整性,表面粗糙度是衡量叶片抛磨后表面完整性最重要的技术指标。采用六自由度机器人+百叶轮弹性磨具对叶片进行抛磨加工,首先采用单因素实验法分析了影响叶片表面粗糙度的主要工艺参数,接着采用正交试验得出了叶片抛磨加工的优化工艺参数区间,最后采用非线性回归模型对表面粗糙度进行了预测。实验验证结果表明,影响叶片表面粗糙度的主要工艺参数依次为百叶轮目数、接触压缩量、抛磨循环次数和机器人进给速度,采用川崎RS20N机器人抛磨某型号精铸汽轮机叶片,优选区间为百叶轮目数(200~600)#之间,接触压缩量为(0.2~1.2)mm,抛磨循环次数为(2~4)次,进给速度为(0.1~0.4)mm/s,在优选工艺区间进行加工,表面粗糙度均低于0.4μm,预测模型和实际抛磨结果误差率低于10%,表明该预测模型能够为实现叶片抛磨工艺参数在线控制和调整提供理论依据。

机器人几何参数误差识别与补偿方法及实验

工业机器人因其组织灵活性、强可拓展性,在叶片类复杂零件的高精度加工中得到越来越多的关注,这对机器人末端执行机构的定位精度提出了更高的要求。文章基于自主设计研发的六自由度关节机器人进行几何参数误差识别和补偿方法研究,旨在提高机器人末端执行机构的定位精度。首先,基于D-H法建立机器人各关节转角与末端位置坐标的关系模型,建立分别考虑连杆长度误差、连杆偏置误差和关节转角误差的位置误差模型;然后,基于自主设计的专用测头进行运动过程坐标数据测量实验,基于实验数据采用Levenberg-Marquardt进行几何参数误差项识别;最后,将识别的结果在机器人模型中进行补偿,并对补偿后的效果进行实验验证,结果表明,补偿后的定位精度比补偿前提高了60%以上。