论文部分内容阅读
工业机器人已逐步应用在各个领域,传统的工业机器人通常采用再现示教的编程方式,而随着智能制造技术的发展,离线编程已经成为工业机器人技术的重要发展方向。工业机器人离线编程方式要求机器人本身具有较高的绝对定位精度,但现有的工业机器人的绝对定位精度要远低于其重复定位精度。工业机器人运动学标定是提高机器人绝对定位精度的重要方法,参数辨识作为标定中的一个关键环节,旨在辨识出工业机器人的运动学参数误差,从而为误差补偿和精度校准提供依据。为解决粒子群优化(PSO)算法在高维空间求解收敛速度慢的问题,本文引入反向传播神经网络(BPNN),提出一种基于BP神经网络粒子群(BPNN-PSO)的工业机器人参数辨识和误差补偿方法,并通过仿真和实验分别验证了该方法的有效性。本文以某通用型工业机器人作为研究对象,采用Modified Denavit–Hartenberg(MDH)参数方法建立了机器人的运动学模型,对机器人运动学的正逆解进行了分析,利用Matlab Robotic Toolbox进行了机器人运动学模型的验证,进而建立了机器人运动学参数误差模型。为解决测量坐标系和机器人坐标系不一致的问题,提出了一种机器人预辨识误差模型,为后续参数辨识仿真和实验提供理论支撑。研究了传统的最小二乘法机器人参数辨识原理,为解决最小二乘法在非凸优化方面的缺陷,提出了一种基于粒子群算法的工业机器人参数辨识方法,但发现粒子群算法在高维空间求解具有迭代次数多、收敛慢的问题,进而提出一种基于BP神经网络粒子群算法的工业机器人参数辨识方法。为验证上述三种方法的效果,分别编制Matlab程序对工业机器人的运动学参数误差进行辨识仿真,仿真结果表明:基于最小二乘法的工业机器人参数辨识效果最好,但需考虑冗余参数的影响,且占用内存大;基于粒子群算法的工业机器人参数辨识虽然也能有效辨识参数误差,但其在搜索时存在迭代次数多,收敛慢的缺点;而基于BP神经网络粒子群算法的工业机器人参数辨识能够有效减少搜索时迭代的次数,收敛更快。对三种不同的参数辨识方法分别进行实验研究,搭建了工业机器人的数据采集平台和误差补偿平台,采集了工业机器人的关节转角数据和末端位置数据,分别采用最小二乘法、粒子群算法和BP神经网络粒子群算法进行了参数辨识实验。参数辨识实验表明相比其他两种方法,BP神经网络粒子群算法能够快速辨识机器人误差参数,具有较强的容错能力,适用于处理精度有限、具有噪声的关节转角数据和末端坐标数据。使用三种算法的辨识结果进行误差补偿实验,实验结果表明相比于其他两种算法,基于BP神经网络粒子群算法的参数辨识不仅对数据噪声具有较强的容错能力,而且全局搜索的能力更强,对机器人控制器中参数进行补偿后,机器人位置误差由原来的0.643mm减小到0.327mm,绝对定位精度提高了49%。最后,对全文的研究成果做出归纳总结。