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...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。展开更多
锂电池荷电状态(state of charge,SOC)的准确估计依赖于精确的锂电池模型参数。在采用带遗忘因子的递推最小二乘法(forgetting factor recursive least square,FFRLS)对锂电池等效电路模型进行参数辨识时,迭代初始值选取不当会造成辨识...锂电池荷电状态(state of charge,SOC)的准确估计依赖于精确的锂电池模型参数。在采用带遗忘因子的递推最小二乘法(forgetting factor recursive least square,FFRLS)对锂电池等效电路模型进行参数辨识时,迭代初始值选取不当会造成辨识精度低、收敛速度慢的问题。为此,将电路分析法与FFRLS相结合,提出基于改进初值带遗忘因子的递推最小二乘法(improved initial value-FFRLS,IIV-FFRLS)。首先,通过离线辨识得到各荷电状态点对应的等效电路模型参数并进行多项式拟合;然后,利用初始开路电压(open circuit voltage,OCV)和OCV-SOC曲线获得初始SOC,代入参数拟合函数得到初始参数;最后,将初始参数带入递推公式得到IIV-FFRLS迭代初始值。对4种锂电池工况进行参数辨识,结果表明:与传统方法相比,IIV-FFRLS的平均相对误差、收敛时间分别减小58%、23%以上;IIV-FFRLS具有更高的辨识精度与更快的收敛速度。展开更多
文摘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。