基于机器视觉的机械手夹持角自动化控制系统

为缩短机械手元件到达预设位置所需的消耗时长,避免夹持角出现过度增大的行为状态,设计基于机器视觉的机械手夹持角自动化控制系统。根据夹持器机械元件所处运动状态,控制角位置传感器的连接灵敏度,再借助拉压力控制结构,完成对夹持力作用形式的按需调节,实现自动化控制系统硬件结构应用平台环境的搭建。在此基础上,抓取必要机械手运行图像,遵循机器视觉原理,完成预处理,再联合运动学函数,执行力控制切换操作,实现基于机器视觉的夹持力控制,完成机械手夹持角自动化控制系统的设计与应用。实验结果表明,在电机驱动速度等于2000PPS、4000PPS、6000PPS的情况下,机械手元件到达预设位置所需的消耗时长均不会超过9.5s,与双闭环控制系统相比,更符合有效控制夹持角行为状态的应用需求。

基于大数据挖掘的机械手夹持角控制方法研究

机械手夹持角关系到物体抓取牢固程度,一旦机械手夹持角出现较大偏差,将导致物体运送过程中出现掉落的现象,影响了机械手的工作质量和工作效率。为此,研究了基于大数据挖掘的机械手夹持角控制方法。建立机械手夹持活动域模型,明确后期运动控制模型提供限制区域。利用角位置传感器采集相关数据和图像,结合绝对标记形心坐标和标记点运行轨迹中心坐标,检测推算出机械手实时夹持角。通过大数据挖掘算法中的回归方法,建立机械手最优夹持角计算模型,得出预期值。利用大数据挖掘算法中的BP神经网络算法,优化PID控制器中的三个参数。以计算预期值与机械手实时夹持角之间的误差为输入,通过改进PID控制器计算机械手夹持角控制量,实现机械手夹持角优化控制。实验结果表明,所研究方法应用后,控制结果与最优夹持角之间的均方根误差均小于2°,说明所研究方法的精度较高,能够有效减小机械手夹持角偏差。

机械手最优夹持角度动态联合自动化控制方法

自由度的增加与抓取方式的多样化,导致机械手无法达到末端控制器最理想的夹持角度。为改善机械手最优夹持角度控制精度、提高工作效率,提出基于多目机器视觉的机械手最优夹持角度动态联合自动化控制。利用多目视觉系统将三维场景投影在二维平面中,构建相机透视投影模型。为明确像素点与场景点的位置关系,获取相机模型参数,实现相机标定。将目标图像和深度图像像素一一对应,采集夹持目标位置信息,利用均值自适应滑动滤波方法完成信息滤波。结合目标信息,确定夹持空间,设置合理的高斯模型数量,得到平移旋转分量,计算最优夹持角度。根据末端控制器结构,引入比例、积分、微分控制环节,获取机械手扶持牵引力计算公式,实现动态联合控制。仿真实验表明,该方法可获取准确夹持角度,实现对机械手夹持过程的平稳控制。

新型铁钻工旋扣钳夹持力的研究

针对旋扣钳对不同钻具进行拧卸时夹持角的差异性,对钻具半径和夹持角的关系进行了研究分析。得到夹持角后便可以确定旋扣钳在工作状态下的受力关系。通过分析旋扣钳的受力,推导得出油缸推力、夹持力等重要结果。利用所得公式和最大油缸推力对不同直径的钻具进行了实例计算。最后通过ADAMS软件对旋扣钳进行仿真,再次校验了研究的正确性。

动力卡盘高爪最优配车锥角及配车方法

在阐明卡爪夹持弧的锥角对卡爪/工件接触状态的影响规律及其对卡盘径向夹持刚度影响规律的基础上,研究卡盘的使用参数和结构参数等对夹紧状态下卡爪倾转角度的影响规律,并建立卡爪夹持弧配车锥角的数学模型。针对卡盘的硬爪和软爪2种不同的卡爪形式,研究夹持弧锥角的加工和使用方法。研究结果表明：1个合适的配车锥角可使夹紧力在工件上均匀分布,能够减轻径向夹持刚度的周期性变化;对于锥角已定（0.05°）的硬爪夹持弧,在使用时拉杆的输入推拉力必须限制在一定范围内（16~30 k N）,才能保证卡爪在整个名义夹持长度上与工件完全接触;采用定量配车或使用新型配车夹具的方法,可使软爪配车出合适锥角,使夹紧力在工件上均匀分布。