基于遗传算法的插值Coons曲面孔位修正方法

在机器人自动制孔过程中，制孔点位信息通常从待制孔工件工艺数模上获取，而待制孔工件安装过程中会出现位置偏移和变形，由工艺数模得到的点位信息无法直接满足孔位精度要求。为了保证自动制孔的孔位精度，提出了一种基于遗传算法的插值Coons曲面孔位修正方法。利用制孔区域边角基准孔建立双线性Coons误差曲面模型，通过模型计算出待制孔的误差补偿向量，并补偿至理论制孔位置。针对误差曲面切矢模长无法确定的情况，利用制孔区域内的基准孔构建遗传算法模型，计算出切矢模长最优值，使拟合的误差曲面更符合实际制孔区域曲面。通过试验对算法的有效性和精度进行验证，结果表明:采用基于遗传算法的插值Coons曲面孔位修正方法，可以使孔位误差得到有效的补偿。补偿后的平均孔位误差仅为0.195 6 mm，与传统的插值曲面方法相比，孔位误差降低了5%~10%。      

面向工业机器人的数字孪生建模精度补偿方法

针对现有工业机器人智能装备建模感知监测精度缺失,依靠理论参数建模精度低等问题,本文以工业机器人铣削系统为研究对象,构建了高精度光栅尺实时测量机器人关节转角的数字孪生监测系统,避免了齿轮间隙、编码器丢码等关节转角误差对数字孪生建模准确度的影响;根据MD–H运动学建模方法建立了数字孪生驱动模型,采用L–M算法对工业机器人建模参数进行辨识修正,减少了机器人数字孪生模型中几何误差的影响;开发了数字孪生交互系统平台,用以监测、控制物理空间的工业机器人铣削系统的作业运动。利用辨识后的机器人关节参数构建的数字孪生模型,使得工业机器人铣削系统运动点位的建模精度从±1.6905 mm提高到了±0.3304 mm,提高了4.12倍,表明本文针对工业机器人数字孪生建模方法的正确性和建模参数辨识方法对建模精度补偿的可行性。     

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。     

典型复合材料结构固化变形仿真预测与控制验证

针对典型复合材料结构固化成型过程中变形难以控制的问题,本文对典型复合材料结构的固化变形进行仿真预测,从固化工艺和模具补偿两方面对固化变形加以控制和验证。固化工艺方面以各设计点变形数据为基础确定了最优固化工艺曲线,模具补偿方面提出了一种构件有限元模型自适应调整的方法,综合考虑固化工艺参数与模具型面补偿采用了一种基于全局补偿量的协同控制方法。结果表明,通过仿真模拟L形构件的固化变形误差为12.4%,借助响应面优化算法得到的L形构件最优固化工艺曲线其固化变形预测值与各试验设计点最大变形的最小值偏差不超过3.3%;T形加筋壁板有限元模型经自适应调整后,对于下表面与目标型面之间的偏差距离,数值模拟值与试验测量值的最大相对误差为17.20%。通过全局补偿量的协同控制方法对半筒形壁板的模具进行补偿,其固化变形最大值相比于传统单一模具型面补偿控制方法降低了接近90%。