机器人自动制孔中绝对定位误差的分析与补偿

由于机器人绝对定位精度相对较低,无法直接满足自动制孔的孔位精度要求。为了提高机器人自动制孔的孔位精度,对机器人绝对定位误差进行了研究。首先,阐述了绝对定位误差的来源和产生过程,并通过理论分析和相关试验,证明了绝对定位误差会对机器人基坐标系的平移分量和姿态变换分量产生不同程度的影响。然后,为了补偿由于基坐标系标定不准确所引起的坐标转换误差,从飞机曲面构造原理角度,提出了一种基于误差Coons曲面函数的补偿方法。制孔试验表明,采用基于误差Coons曲面函数的补偿方法,可以使得坐标转换误差得到有效的补偿。机器人自动制孔的孔位平均位置误差为0.205mm,最大位置误差为0.343mm,满足孔位精度在0.5mm以内的要求,实现了机器人自动化精确制孔。     

考虑关节回差的工业机器人精度补偿方法

工业机器人由于绝对定位精度低的缺点一直难以应用于航空航天高精制造领域。影响机器人定位误差的因素较多,对精确建立其误差模型提出了严峻的挑战。现有的建模方法通常将机器人定位误差与其位姿关联,忽略了同一位姿下关节回差对其定位误差的影响。为提高工业机器人绝对定位精度,提出了一种考虑关节回差的工业机器人误差相似度精度补偿方法。基于改进的Denavit-Hartenberg模型建立了包含机器人几何误差、坐标系误差和传动误差的综合辨识模型,利用最小二乘法辨识了关节回差。根据辨识得到的关节回差等参数构建了误差相似度模型,使用3种型号的机器人验证了该方法对提高机器人绝对定位精度的可行性和通用性,最终通过KUKA KR500-3机器人进行了制孔试验验证。试验结果表明,该方法相较于传统方法将机器人定位误差降低了约0.1 mm,精度提高了30%以上,制孔孔位精度从0.701 mm提升至0.134 mm,为有效提高工业机器人的绝对定位精度提供了一种技术手段。     

基于误差相似性的移动机器人定位误差补偿

对由AGV承载的工业机器人组成的AGV式移动制孔机器人的定位误差补偿方法进行了研究。在面向飞机装配的AGV式移动制孔机器人系统中，利用激光跟踪仪构建坐标系，提出了AGV式移动制孔机器人机座坐标系的换站方法，能更好地适应飞机制造多品种、小批量的特点。基于对AGV式移动制孔机器人定位误差源的分析，利用定位误差相似性，提出针对AGV式移动制孔机器人的基于反距离加权定位误差的空间插值与补偿方法，克服了现有技术对于AGV式移动制孔机器人定位误差补偿的局限性。以AGV搭载的KUKA KR480型工业机器人制孔系统作为试验对象，通过试验选取最优网格步长，补偿结果表明，能将系统综合定位误差平均值由补偿前的1.045 mm降低到0.227 mm，最大绝对定位误差由补偿前的2.727 mm降低到0.478 mm，降低了82.47%，该方法能有效提高AGV式移动制孔机器人的绝对定位精度。     

基于深度神经网络的机器人定位误差补偿方法

工业机器人由于高效率、低成本被广泛应用于智能制造业,但较低的绝对定位精度限制了其在高精度制造领域的推广应用。为提升机器人绝对定位精度并解决传统复杂的误差建模问题,提出了一种基于深度神经网络的机器人定位误差补偿方法。首先在笛卡尔空间进行拉丁超立方采样规划,获得目标点姿态对误差的影响规律;然后建立基于遗传粒子群算法优化深度神经网络(GPSO–DNN)的定位误差预测模型,实现对误差的预测和补偿;最后为验证该方法的准确性和优越性,与其他误差补偿模型进行对比。试验结果表明,基于GPSO–DNN的定位误差补偿方法的补偿精度最高,定位误差由补偿前的1.529mm减小为0.343mm,精度提高了77.57%。该方法能有效补偿机器人定位误差,大幅提高机器人的定位精度。     

面向飞机装配的机器人定位误差和残差补偿

工业机器人由于其高柔性和低成本而被越来越多地应用到飞机自动钻铆系统中,使用精度补偿有效地提高机器人的绝对定位精度是保证产品质量的关键,为进一步提高机器人末端定位精度,提出了基于误差相似度的残差补偿方法。首先使用基于运动学参数标定的方法辨识出机器人的几何参数误差,再利用基于误差相似度的方法对残余误差进行估计,实现对机器人的误差和残差的补偿。以工业机器人KUKA KR-30 HA为对象所进行的试验验证表明,机器人的绝对定位精度平均值由补偿前的0.879mm经过定位误差补偿后提高到0.194mm,经过残差补偿后进一步提高到0.141mm,经过定位误差和残差补偿后的机器人最大误差由1.492mm降低为0.296mm,最大绝对定位精度误差降低了80.16%。该方法能有效地补偿参数辨识后遗留的残差,进一步提高机器人的定位精度。     

基于机械关节反馈的机器人精度补偿技术

工业机器人因其高柔性和低成本而正被越来越多地应用于飞机自动化装配生产线中,但其绝对定位精度差一直是制约其发展的瓶颈。为了进一步提高机器人末端的定位精度,提出了基于机械关节反馈的机器人定位精度补偿方法,该方法通过在机器人的关节处安装绝对式光栅尺,将关节伺服引入到机器人的控制中,来实现机器人关节的闭环控制,从而降低关节误差对末端位置的影响,提高关节的定位精度。试验结果表明,机器人的绝对定位误差由补偿前的最大值1.125mm降低到0.167mm,该方法能够有效地降低机器人的绝对定位误差,实现机器人的高精度控制。     

面向飞机自动化装配的工业机器人标定技术

将工业机器人用于飞机的自动化装配有着很高的定位精度要求,对六自由度KUKA机器人的定位精度补偿方法进行了研究,该方法通过建立机器人运动学误差模型,以Levenberg-Marquardt阻尼迭代最小二乘法求出适合机器人标定空间的各参数误差最优值并以Kuka机器人为实验平台进行试验验证。经过补偿后,标定空间内机器人的绝对定位精度得到极大改善,可以满足飞机自动化装配的精度要求。     

机器人精度补偿技术与应用进展

当今工业机器人加工技术越来越多地被应用于航空、航天、高铁、船舶等高端制造领域中的制孔、铆接、铣削、磨削等工艺。然而,由于工业机器人定位精度低限制了其自身发展及其在高精制造业中的进一步应用;因此,开展机器人精度补偿技术研究对提高机器人定位精度十分重要。对工业机器人精度补偿技术的研究现状进行综述,分析了机器人的定位误差来源,梳理了当前在提高机器人定位精度方面的研究方法和技术以及目前的应用进展,总结了未来工业机器人定位精度提升方法的趋势,可为工业机器人在制造业的应用发展提供指导。     

一种适用于曲面结构的机器人制孔误差在线补偿技术

针对工业机器人应用于飞机零部件自动钻孔时各项误差累积造成制孔精度差的问题，提出一种利用单应关系计算机器人驱动坐标三维偏差，以在线补偿机器人制孔精度的方法。首先利用外部测量设备建立机器人制孔系统中各坐标系关系；在标定阶段，通过以一定倾斜角度固联于机器人末端的相机拍摄一幅安装于制孔工作平面上与刀轴正对的平面标定板图像，并据此完成基于单应变换的手-眼关系标定；在实际制孔过程中，机器人在测距传感器及相机的辅助下，从基准孔理论坐标对应的姿态，不断调整至基准孔正上方理想位置，通过手-眼关系计算基准孔实际位置对应的机器人驱动坐标，然后根据一组基准孔的机器人三维驱动误差，计算三维驱动误差变换矩阵，据此获得这组基准孔邻域范围内各待钻孔的机器人驱动坐标补偿量，从而实现待钻孔定位误差补偿。以飞机结构实验件为对象进行了模拟制孔验证，实验结果表明，补偿前待钻孔三维综合定位误差和法向误差测量值范围分别为2.28~2.85 mm和2.09°~3.93°，平均为2.55 mm和3.30°，补偿后制孔最大误差分别不超过0.30 mm和0.21°，满足自动制孔位置精度要求。     

基于双目视觉测量系统的孔位补偿研究

由于加工装配误差等原因,飞机壁板工件的数学模型和实际模型往往不一致。为解决不一致导致的制孔位置精度差的问题,提出了一种基于双目测量系统的孔位补偿方案。为了能够更好地设计满足制孔需要的视觉测量系统,分析了机器人自动化制孔系统的工作流程。然后介绍了视觉测量系统组成和工作流程,最后分别对视觉测量系统的基准孔三维坐标提取、孔位误差补偿、数据库读写3个重要功能的技术进行了详细的介绍。通过该双目视觉测量系统的孔位补偿方法,可以获取基准孔的三维坐标,对孔位误差进行补偿,补偿信息写入数据库,提高机器人自动化制孔系统的制孔位置精度。     

Determination of optimal samples for robot calibration based on error similarity

Industrial robots are used for automatic drilling and riveting.The absolute position accuracy of an industrial robot is one of the key performance indexes in aircraft assembly,and can be improved through error compensation to meet aircraft assembly requirements.The achievable accuracy and the difficulty of accuracy compensation implementation are closely related to the choice of sampling points.Therefore,based on the error similarity error compensation method,a method for choosing sampling points on a uniform grid is proposed.A simulation is conducted to analyze the influence of the sample point locations on error compensation.In addition,the grid steps of the sampling points are optimized using a statistical analysis method.The method is used to generate grids and optimize the grid steps of a Kuka KR-210 robot.The experimental results show that the method for planning sampling data can be used to effectively optimize the sampling grid.After error compensation,the position accuracy of the robot meets the position accuracy requirements.     

Calibration of robotic drilling systems with a moving rail

Industrial robots are widely used in aircraft assembly systems such as robotic drilling systems. It is necessary to expand a robot＇s working range with a moving rail. A method for improving the position accuracy of an automated assembly system with an industrial robot mounted on a moving rail is proposed. A multi-station method is used to control the robot in this study. The robot only works at stations which are certain positions defined on the moving rail. The calibration of the robot system is composed by the calibration of the robot and the calibration of the stations.The calibration of the robot is based on error similarity and inverse distance weighted interpolation.The calibration of the stations is based on a magnetic strip and a magnetic sensor. Validation tests were performed in this study, which showed that the accuracy of the robot system gained significant improvement using the proposed method. The absolute position errors were reduced by about 85%to less than 0.3 mm compared with the maximum nearly 2 mm before calibration.     

基于预测扭矩前馈的涡轴发动机内模控制方法

基于内模原理设计了涡轴发动机功率涡轮转速控制器.针对主旋翼扭矩变化对功率涡轮转速的干扰,提出了一种基于极端学习机的扭矩预测方法.极端学习机训练基于动态仿真数据,其输入通过相关分析获得.基于内模原理的功率涡轮转速控制器采用极点配置的设计方法,将输入信号的内模直接加入控制器,实现鲁棒跟踪.扭矩前馈采用比例微分(PD)控制策略,实现对发动机负载变化干扰的有效补偿.数字仿真结果表明:极端学习机扭矩预测精度高,扭矩相对误差小于1.5‰,与不加前馈控制相比,所提出的控制方法减小了机动飞行过程中功率涡轮转速的超调或下垂30%以上.      

辅助动力装置控制系统传感器智能解析余度方法

针对辅助动力装置(APU)控制系统传感器故障,提出了一种基于协方差优化集成极限学习网络(COSELM)的传感器智能解析余度方法。该方法能够根据在线序列预测误差的最小方差来自适应更新单个在线序列极限学习机的权重系数,发挥和权衡各个学习模型的优势,通过提高模型算法的稳定性和泛化性,改善传感器智能解析余度的精度。通过在某辅助动力装置控制系统传感器解析余度的验证表明,提出的COSELM方法可以解决传感器在发生偏置故障时的信号重构问题,重构误差不超过1%,适用于不同辅助动力装置个体,为其提供可靠的解析余度。     

航空网络关键节点辨识的核极限学习机算法研究

通过技术手段准确识别航空网络的关键节点,对航空网络平时的正常运行以及战时的防御和修复,具有重要的理论意义和参考价值。提出一种基于核极限学习机的航空网络关键节点识别方法,首先,采用层次分析法对节点综合重要度进行评估;然后,选取三个简单指标,基于核极限学习机学习简单指标与综合重要度之间的映射关系,建立重要度评估模型;最后,以中美两国航空网络为例进行仿真。结果表明:仅需计算 40 个节点的复杂指标值,就可对关键节点取得较满意的辨识效果,降低了计算复杂度,提高了辨识效率,即采用本文方法辨识航空网络的关键节点是有效、可行的。     

基于杆臂补偿的多MIMU六方位倍速率标定方法

误差建模、标定与补偿是提高微惯性测量单元(MIMU)精度的关键,而杆臂效应是影响低成本微机电系统(MEMS)惯导精度进一步提升的瓶颈。针对杆臂效应引起的多MIMU标定误差问题,提出了一种基于杆臂补偿的多MIMU六方位倍速率标定方法。分析了杆臂效应影响多MIMU标定的误差机理,设计了一种六方位倍速率标定方案,建立了基于杆臂补偿的误差系数标定解算模型,补偿了杆臂效应引起的标定误差,并应用加权最小二乘法对MIMU加速度通道和角速度通道的非对称性误差进行了抑制。试验结果表明,与现有六方位正反速率标定方法相比,采用该方法的MIMU加速度通道补偿误差降低了84%,角速度通道补偿误差降低了68%。     

机器人辅助飞机装配制孔中位姿精度补偿技术

在飞机自动化装配中,机器人制孔技术由于其高度柔性和相对低成本而倍受关注.然而,机器人本身的动、静态误差及制孔过程大量坐标系标定和坐标转换会引起难以补偿的残留误差,为提高机器人制孔的位置和姿态精度,构建一种基于激光跟踪仪闭环反馈的机器人辅助飞机装配制孔系统.本文首先论述应用激光跟踪仪建立系统中关键坐标系的方法,并分析了机...