三维表面扫描机器人误差建模与补偿方法

对于三维表面扫描机器人系统,整个系统的测量误差主要来源于如下几个环节:机器人的本体定位误差、线结构光传感器的数据采集误差和手眼矩阵带来的误差。对于以上环节的各个部分,可以看成是局部过程。不论各个环节或部分的误差为多大,最后的误差均归结于所得到的测量数据。然而,整个系统的误差模型很难通过解析方法得到。为了提高系统的测量精度,通过微粒群径向基神经网络建立系统的误差模型,网络的输入选择激光条纹图像坐标系中的坐标,输出选择为经过迭代最近点算法配准后的最近点与测量点之间的误差。利用微粒群算法优化初始所得的神经元中心和宽度,在相同网络性能的前提下,压缩了网络的规模。在测量过程中利用所建立的误差网络模型将测量误差得以补偿,通过实际的试验验证该方法提高系统测量精度的有效性。

谐波齿轮传动的传动误差建模与补偿

针对谐波传动齿轮的角传动误差和静态定位误差很难实时精确测量和补偿的问题,建立了一种对谐波齿轮角传动误差及静态定位误差进行预测的数学模型,并探索了误差补偿的方法。在建模中,特别分析了微位移区域非线性弹性变形引起的角传动误差,以及各种常规研究中讨论过的同步分量;并应用具有滞回属性的滚动摩擦建模框架对非线性弹性分量进行了数学建模,最终将所提出的传动误差模型作为一种前馈补偿应用于模拟谐波齿轮传动系统。研究结果表明,所提出的建模和补偿方法能有效预测和补偿谐波传动系统的角传动误差,同时使其稳态散射降低40%,大大提高了传动系统的静态定位精度。

基于RBF神经网络的全姿态磁航向误差建模与补偿

对磁罗盘系统误差和目前多数文献所提出的全姿态磁航向误差补偿方法的不足进行了分析。针对具有一定俯仰角或横滚角的磁罗盘系统磁航向误差建模和补偿问题,提出了基于径向基函数(RBF)神经网络的修正方法,并与BP神经网络方法进行了比较。在分析算法原理的基础上进行了实验仿真,结果表明:采用RBF神经网络在明显提高网络收敛速度的基础上,大大减小了全姿态磁航向误差,校正效果优于BP神经网络。

基于KPCA和数据处理组合方法神经网络的半球谐振陀螺温度建模补偿方法

针对半球谐振陀螺(HRG)的温度建模与补偿问题,提出基于核主成分分析(KPCA)和数据处理组合方法(GMDH)神经网络的建模补偿方法.通过分析HRG的温度特性和大数据特征,初步确定网络模型的特征向量.为了去除HRG输出数据的相关性和冗余性,引入KPCA并降低特征向量维度.将特征向量代入GMDH神经网络训练,区分训练集和验证集以确定网络权值和网络结构,实现HRG温度漂移的建模与补偿.实验结果表明,单一样本预测时,所提方法预测效果明显好于传统多项式模型;多样本预测时,在4种不同训练样本下,所提方法相比传统多项式模型精度分别提升了48.5%、54.0%、56.3%、68.4%,相比GMDH模型分别提升了3.6%、5.1%、3.8%、8.8%.所提方法能够有效提高HRG在变温工况下的测量精度.

肩部康复外骨骼单关节摩擦建模及补偿方法研究

针对肩部康复外骨骼关节转动时摩擦力大、反向驱动困难的问题,搭建了一个单关节实验平台,用于模拟肩部单关节的运动。为了较好反映运动中的摩擦力,采用Stribeck摩擦模型对单关节摩擦力进行建模,并通过最小二乘法拟合模型的未知参数,此外结合位置差和电流差的正负号确定摩擦力的方向。实验结果表明,采用Stribeck摩擦模型对摩擦力进行建模后,反向驱动力矩均值至少减少了80%,从而有效解决了肩部康复外骨骼单关节中阻力大、反向驱动困难的问题。

数控机床定位误差全温度综合建模及实时补偿

提出一种数控机床定位误差的全温度综合建模方法。通过测量获得加工中心定位误差,采用多项式拟合和纵向建模法建立了加工中心在不同温度状态下定位误差的综合预测模型。利用FANUC数控系统的外部原点偏移功能,对一台加工中心进行实时误差补偿实验验证。实验结果表明,应用此误差建模方法及补偿功能,在常温和温升状态下,加工中心在三个方向的定位误差与补偿前相比都下降90%左右,大幅提高了加工中心在变温状态下的定位精度。

超精密微小型车铣复合加工机床的空间误差建模与灵敏度分析

微小型车铣复合加工机床可实现一次装夹完成大部分零件加工工序,是微小型复杂结构件加工必不可少的数控设备,作为精密加工数控设备,其自身的空间几何误差直接影响零件的加工精度。以北京理工大学自主研发的超精密微小型车铣复合加工机床CXKG25-I为研究对象,首先开展超精密车铣复合机床空间几何误差元素分析,获得机床的57项空间几何误差,并基于多体系统理论方法建立超精密车铣复合加工机床的空间几何误差模型。然后开展了空间几何误差因素的灵敏度分析,并揭示了影响机床加工误差的关键敏感因素,其分析结果指导和优化超精密车铣复合加工机床结构设计与制造。

基于迁移学习的异工况下机床热误差建模方法

机床热误差预测模型在不同工况下难以保持高预测精度是导致热误差实际补偿效果差的重要原因,对此本文提出一种基于迁移学习的异工况下机床热误差建模方法。首先利用核均值匹配算法获取不同工况下机床温度数据间的迁移权重,从而提出基于迁移学习的热误差建模方法;对不同工况下热误差数据进行差异显著性检验,并利用本文所提方法建立热误差预测模型,分析建模效果;然后比对分析本文所提建模方法与常用建模方法的实际预测效果,最后进行补偿验证实验以证明本文所提方法的有效性。结果表明,本文所提基于迁移学习的建模方法能够有效提升建模效果,其中迁移学习结合LASSO算法针对不同工况下热误差数据的预测精度和稳健性分别达到3.73和1.14μm,补偿后机床X/Y/Z 3个方向热误差分别保持在-2.3~3.1μm、-3.4~3.9μm和-3.3~4.6μm范围内。

机床加工定位误差原因分析

要保证机床的加工精度,不能因为机床本身的误差影响最终零件的误差。对机床加工误差来源的分析,可以有效地得到机床主要热变形和定位误差的对象。通过分析机床进给系统的结构和误差源,可以发现滚珠丝杠对机床误差的影响因素非常大。该文对机床进给系统滚珠丝杠传动副进行有限元模型分析,得出界条件,采用均匀加载和载荷步两种热量加载方式分别分析了滚珠丝杠稳态和瞬态的温度场及热变形场,最终解决对机床误差的影响。