长行程桁架机器人典型组件的模块化设计

为了解决长行程导致的桁架机器人设计选材困难、安装调试复杂等问题,提出模块化设计的方法。利用此方法将长行程二轴桁架机器人分成X轴模块、Z轴模块、立柱模块、电控系统模块等具有独立功能和标准接口的几部分,相同模块具有互换性,各模块依接口对接即可完成设备组装。X轴模块的大尺寸横梁也设计为多个标准模块组装而成,还对横梁进行了力学分析。结果表明模块化设计能够方便选材降低成本,有效控制安装位置精度,快速实施设计变更,能在安装地面不平整时制定有效调节方案,经安装调试及实际使用,符合技术参数要求,运行平稳可靠,达到了预期目标。

抓取细长工件桁架机器人典型组件的优化设计

为了解决桁架机器人抓取范围有限且桁架机器人只能抓取行程所覆盖的空间,桁架机器人的抓取机构无法到达行程以外空间以及一些狭小空间,提出在桁架机器人Z轴下端加装典型组件,即摆动T轴。摆动T轴前端装有抓取机构,实现搬运工件的功能,解决桁架机器人因结构缺点而影响抓取范围的问题。对加装的摆动T轴进行模块化设计,抓取机构中气缸所用阀岛安装在T轴内部,传感器、气管在T轴与Z轴连接处均设置快插接头,减少桁架机器人安装周期,便于桁架机器人改造升级。针对行业内常用抓取机构进行优化,并对T轴结构件进行有限元分析,确保所设计的T轴结构件具有足够的刚度、强度。代入实际参数进行私服电机及减速机性能参数确定。分析抓取中心的运动学方程,得到抓取中心速度、加速度。

基于Q(λ)-learning的移动机器人路径规划改进探索方法

强化学习算法广泛的应用于路径规划,使移动机器人能够与环境交互并实现自主避障、获取最优路径。传统Q(λ)-learning算法所采用的探索策略存在探索利用平衡问题,由于收敛过早,往往得不到最优解。本文提出一种动态调整探索因子的探索方法,以探索成功率判断机器人对环境的熟悉程度,指导探索过程,从而找到最优路径;采用栅格法建立地图。通过仿真和对比试验证明了该方法可以得到全局最优策略。

结合神经网络和Q(λ)-learning的路径规划方法

Q-learning是一种经典的增强学习算法,简单易用且不需要环境模型;广泛应用于移动机器人路径规划。但在状态空间和动作空间较大时,经典的Q-learning算法存在学习效率低、收敛速度慢,容易陷入局部最优解等问题。通过引入神经网络模型,利用地图信息计算状态势值,从而优化了设计奖励函数。合理奖励函数为Q(λ)-learning算法提供了先验知识,避免训练中的盲目搜索,同时奖励函数激励避免了陷入局部最优解。仿真试验表明,改进的路径规划方法在收敛速度方面有很大的提升,训练得到的路径为全局最优。

一种偏心滑轮支架的设计与优化

偏心滑轮机构应用广泛,在重型机械、航空航天、机床、冶金、核工程等多个领域有着广泛应用。本文基于一种偏心滑轮机构,提出了基于Solidworks的偏心滑轮支架设计,并提出了一种利用Solidworks Simulation对该偏心滑轮支架进行分析和优化的方法。通过对偏心滑轮螺钉安装部分的计算,对偏心滑轮支架的整体结构进行了优化,使得偏心滑轮支架的结构更加合理,降低了偏心滑轮支架重量,能够满足偏心滑轮支架的使用要求。