[go: up one dir, main page]

CN111754567B - 飞机复材构件机器人磨抛加工静动态误差综合补偿方法 - Google Patents

飞机复材构件机器人磨抛加工静动态误差综合补偿方法 Download PDF

Info

Publication number
CN111754567B
CN111754567B CN202010504997.XA CN202010504997A CN111754567B CN 111754567 B CN111754567 B CN 111754567B CN 202010504997 A CN202010504997 A CN 202010504997A CN 111754567 B CN111754567 B CN 111754567B
Authority
CN
China
Prior art keywords
robot
coordinate system
polishing
processing
grinding
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010504997.XA
Other languages
English (en)
Other versions
CN111754567A (zh
Inventor
徐小虎
刘奇
陈巍
张小俭
严思杰
丁汉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Digital Design And Manufacturing Innovation Center Co ltd
Huazhong University of Science and Technology
Original Assignee
Wuhan Digital Design And Manufacturing Innovation Center Co ltd
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Digital Design And Manufacturing Innovation Center Co ltd, Huazhong University of Science and Technology filed Critical Wuhan Digital Design And Manufacturing Innovation Center Co ltd
Priority to CN202010504997.XA priority Critical patent/CN111754567B/zh
Publication of CN111754567A publication Critical patent/CN111754567A/zh
Application granted granted Critical
Publication of CN111754567B publication Critical patent/CN111754567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/005—Manipulators for mechanical processing tasks
    • B25J11/0065—Polishing or grinding
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Robotics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manipulator (AREA)

Abstract

本发明属于复材构件机器人磨抛加工领域，并具体公开了一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法。该方法包括：搭建飞机复材构件机器人磨抛加工坐标系测量系统；建立机器人加工系统全局坐标系；构建机器人动力学递推模型；辨识机器人加工系统静态参数，建立机器人距离误差标定模型，以补偿机器人本体几何误差；构建机器人加工动态误差补偿模型；根据机器人加工动态误差理论数据集和先验知识数据集对机器人加工动态误差补偿模型进行优化训练；根据优化后的机器人加工动态误差补偿模型对机器人末端位姿进行误差补偿。本发明在动力学模型约束下精准构建坐标系全局控制网，便于误差链的全面分析，保证机器人磨抛加工型面精度。

Description

飞机复材构件机器人磨抛加工静动态误差综合补偿方法
技术领域
本发明属于复材构件机器人磨抛加工领域，更具体地，涉及一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法。
背景技术
碳纤维复合材料因其耐高温、耐摩擦、高强度、密度小、耐腐蚀、轻质高强、性能可设计等优良性能，已广泛应用于航空航天结构材料，是实现航空航天装备轻量化和高效能化的关键，其用量已成为航空航天飞行器先进性和国际竞争力的标志之一。据统计，Z10直升机复合材料(以下简称“复材”)占比达90％，J20战机复材占比约40％，CR929客机复材占比约51％，C919客机复材占比约30％。
由于碳纤维复合材料易老化、屏敝率差，在飞机复材构件成型后其表面需打磨以便喷涂防护层来提升构件防腐蚀性、耐候性、耐磨性等防护性能。目前，已有的飞机复材构件表面打磨技术主要是人工打磨和人工助力打磨。需要工人手持或辅助打磨器械加工大型飞机复材构件，其存在加工精度低、产品一致性差、加工效率不高等诸多弊端，严重制约航空复材构件自动化、智能化生产的发展，成为航空制造技术领域的难点。
相较于前两种飞机复材构件的表面打磨方式，机器人磨抛加工可发挥其柔性好、操作空间大、可扩展多种外部传感单元等优势，有望实现飞机复材构件的智能化加工。但目前机器人磨抛加工过程全局误差链建立不全面，难以有效捕捉姿态、标定、测量及加工等误差，严重影响工件的加工型面精度，限制了机器人磨抛加工在飞机复材构件智能化生产中的应用。
基于上述缺陷和不足，本领域亟需提出一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，以解决实际飞机复材构件机器人磨抛加工中精度低、产品一致性差、加工效率不高等问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，其中结合机器人磨抛加工静动态误差自身的特征及其机器人加工动态误差补偿模型优化的特点，相应的基于机器人加工系统距离误差标定模型补偿机器人本体几何参数误差，并在此基础上采用融合先验知识的新型支持向量机算法建立误差补偿模型，实时矫正机器人位姿及补偿末端加载变形误差，减少机器人加工动态误差，使得所加工的飞机复材构件精度高、产品一致性好以及加工效率高等特点。
为实现上述目的，本发明提出了一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，包括以下步骤：
S1搭建飞机复材构件机器人磨抛加工坐标系测量系统；
S2建立机器人加工系统全局坐标系；
S3基于所述机器人加工系统全局坐标系构建机器人动力学递推模型；
S4根据所述机器人动力学递推模型辨识机器人加工系统静态参数，并根据该机器人加工系统静态参数建立机器人距离误差标定模型，以补偿机器人本体几何误差；
S5根据机器人本体几何误差构建机器人加工系统全局坐标系下机器人加工动态误差补偿模型；
S6根据机器人加工动态误差理论数据集和先验知识数据集对机器人加工动态误差补偿模型进行优化训练；
S7根据优化后的机器人加工动态误差补偿模型对机器人末端位姿进行误差补偿。
作为进一步优选的，步骤S1中，所述机器人磨抛加工坐标系测量系统包括激光跟踪仪和双目测量设备。
作为进一步优选的，步骤S2中，所述机器人加工系统全局坐标系包括工件坐标系、工具坐标系、测量坐标系以及机器人全局基准坐标系。
作为进一步优选的，步骤S2中，所述机器人加工系统全局坐标系采用基于离散型差分进化的非线性优化算法建立。
作为进一步优选的，步骤S5中，采用融合先验知识的新型支持向量机回归算法构建机器人加工动态误差补偿模型。
作为进一步优选的，步骤S6中，采用混沌粒子群优化算法对机器人加工动态误差补偿模型进行优化训练。
作为进一步优选的，步骤S6具体包括以下步骤：
S61选取一组机器人磨抛加工空间内分散的目标点集合A，并通过所述机器人磨抛加工坐标系测量系统测量得到所述目标点集合A在测量坐标系W1下的位姿PAM，获取所述目标点集合A在机器人全局基准坐标系W2下的理论位姿PA，然后求取所述测量坐标系W1与所述机器人全局基准坐标系W2间的坐标系转换矩阵T；
S62确定一组机器人末端待补偿目标点集合B，并将该待补偿目标点集合B按预设比例分成机器人加工动态误差先验知识数据集Bp以及剩余数据集CBBp；
S63在所述测量坐标系W1下测量得到所述先验知识数据集Bp中各点的目标位姿PBpm，然后通过所述坐标系转换矩阵T得到所述先验知识数据集Bp中各点在所述机器人全局基准坐标系W2下的实际位姿PBpr；
S64根据所述先验知识数据集Bp中各点的实际位姿PBpr和理论位姿PBpt得到所述先验知识数据集Bp中各点对应的矫正位姿PBpr’；
S65将所述先验知识数据集Bp中各点的实际位姿PBpr作为机器人加工动态误差补偿模型的输入，所述矫正位姿PBpr’作为机器人加工动态误差补偿模型的输出，对机器人加工动态误差补偿模型进行优化训练；
S66将所述剩余数据集CBBp的目标位姿作为优化训练后的机器人加工动态误差补偿模型的输入,并由该模型输出矫正后目标点集合B’，并将该矫正后目标点集合B’作为机器人磨抛加工静动态误差补偿的依据。
作为进一步优选的，步骤S61中，目标点集合A的获取方法如下：
S611设定构成集合的样本点的个数；
S612对机器人磨抛加工空间进行区域划分；
S613根据机器人磨抛加工路径以及构成集合的样本点的个数，在机器人磨抛加工空间划分后的各区间随机选取样本点，从而得到目标点集合A。
作为进一步优选的，步骤S7中，对机器人末端位姿进行误差补偿包括对机器人末端位置以及姿态的补偿。
作为进一步优选的，机器人末端位置的补偿通过位置补偿器实现，机器人末端姿态的补偿通过姿态补偿器实现。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
1.本发明在所述全局坐标系基础上建立动力学递推模型，辨识机器人加工系统的静态参数，依据所述静态参数得到机器人加工系统距离误差标定模型，补偿机器人本体几何参数误差；最终采用融合先验知识的新型支持向量机算法建立误差补偿模型，实时矫正机器人位姿及补偿末端加载变形误差，减少机器人加工动态误差。本发明在动力学模型约束下精准构建坐标系全局控制网，便于误差链的全面分析，保证机器人磨抛加工型面精度。
2.本发明建立的距离误差标定模型对机器人加工系统动态补偿的初始值进行了优化，显著的提高了迭代效率和迭代精度。
3.本发明采用混沌粒子群优化算法具有结构简单、学习速度快和泛化性能突出等特点，实现了机器人位姿和加工轨迹的实时动态补偿，提高了机器人磨抛加工系统的准确性和鲁棒性。
4.本发明对机器人磨抛加工空间进行区域划分，并根据机器人磨抛加工路径以及构成集合的样本点的个数，提高了样本空间的遍历性，使得优化后的机器人加工动态误差补偿模型适应性更强，获取的机器人末端位姿补偿更加精确。
附图说明
图1为本发明实施例涉及的一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法的流程示意图；
图2是本发明实施例中涉及的机器人位姿及末端加载变形误差补偿流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1和图2所示，本发明实施例提供的一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，采用融合先验知识的新型支持向量机算法实现机器人末端目标位姿与修正位姿的映射，使得补偿后的实际位姿与目标位姿保持一致，以提高机器人磨抛加工的精度。在本发明中，先验知识指机器人末端目标点的理论位姿。具体实现方法如下：
步骤一，搭建飞机复材构件机器人磨抛加工坐标系测量系统。
本发明中，坐标系测量系统包括激光跟踪仪和双目测量设备。或者，为了进一步提高测量的精度、速度和分辨率，坐标系测量系统为由多个相机、多个标定球以及标定板构成的Optitrack系统。
步骤二，基于离散型差分进化的非线性优化算法建立机器人加工系统全局坐标系。
根据步骤一搭建的坐标系测量系统，采用离散型差分进化的非线性优化算法建立机器人加工系统全局坐标系。其中，机器人加工系统全局坐标系至少包括工件坐标系、工具坐标系、测量坐标系以及机器人全局基准坐标系。工件坐标系为待加工的飞机复杂构件所在的坐标系，工具坐标系为机器人末端夹持的工具所在的坐标系，测量坐标系为测量系统所在的坐标系，机器人全局基准坐标系为机器人的基坐标系。通过相对位置关系以及机器人的运动学关系，获取各个坐标系之间的转化关系，进而可测量获取机器人末端位姿信息，即为机器人末端的实际位姿。在本发明中，首先构建离散型差分进化的非线性优化算法模型，然后将坐标系测量系统测量得到的工件、工具、机器人以及参照物之间的位姿关系等作为可变参数输入离散型差分进化的非线性优化算法模型，得到工件坐标系、工具坐标系、测量坐标系以及机器人全局基准坐标系及各坐标系之间的转换关系。坐标测量系统测量得到的机器人末端的实际位姿与控制系统输入的机器人末端理论位姿之间的差值即为机器人末端位姿误差。其中，位姿误差包括位置误差和姿态误差，位置误差包括机器人末端沿X轴、Y轴以及Z轴的误差，姿态误差包括机器人末端α角、β角以及γ角的角度误差。
步骤三，基于所述机器人加工系统全局坐标系构建机器人动力学递推模型，以获取机器人关节力矩关系式。该机器人关节力矩关系式包含了机器人关节力矩、角度、角速度以及角的加速度。
步骤四，根据所述机器人动力学递推模型辨识机器人加工系统静态参数，并根据该机器人加工系统静态参数建立机器人距离误差标定模型，以补偿机器人本体几何误差，并根据该距离误差标定模型对机器人本体几何误差进行补偿。一般而言，可采用理论辨识法辨识机器人加工系统静态参数。其中机器人本体几何误差主要由机器人安装误差、工具安装误差等因几何构建安装而产生的误差。通过基于所述机器人加工系统全局坐标系构建机器人动力学递推模型，并以此来辨别机器人加工系统静态参数，可实现对机器人静态误差的控制和补偿。
步骤五，根据机器人本体几何误差构建机器人加工系统全局坐标系下机器人加工动态误差补偿模型。其中，机器人加工动态误差补偿模型采用融合先验知识的新型支持向量机回归算法构建。即将先验知识与新型支持向量机回归算法融合，构建机器人加工系统全局坐标系下机器人加工动态误差补偿模型。在本发明中，先验知识指机器人末端目标点的理论位姿，一组机器人末端目标点的理论位姿构成先验知识数据集。在本发明中，首先基于先验知识的新型支持向量机回归算法构建机器人加工动态误差补偿模型，并将机器人加工动态参数、机器人末端加工变形量、传动误差、控制误差、阈值参数、权值系数等作为基于先验知识的新型支持向量机回归算法的参数，构建机器人加工动态误差补偿模型。
步骤六，根据机器人加工动态误差理论数据集和先验知识数据集对机器人加工动态误差补偿模型进行优化训练。整个迭代优化训练的过程采用混沌粒子群优化算法进行。其具体包括以下步骤：
(1)选取一组机器人磨抛加工空间内分散的目标点集合A，并通过所述机器人磨抛加工坐标系测量系统测量得到所述目标点集合A在测量坐标系W1下的位姿PAM，获取所述目标点集合A在机器人全局基准坐标系W2下的理论位姿PA，然后求取所述测量坐标系W1与所述机器人全局基准坐标系W2间的坐标系转换矩阵T；
(2)确定一组机器人末端待补偿目标点集合B，并将该待补偿目标点集合B按预设比例分成机器人加工动态误差先验知识数据集Bp以及剩余数据集CBBp；
(3)在所述测量坐标系W1下测量得到所述先验知识数据集Bp中各点的目标位姿PBpm，然后通过所述坐标系转换矩阵T得到所述先验知识数据集Bp中各点在所述机器人全局基准坐标系W2下的实际位姿PBpr；
(4)根据所述先验知识数据集Bp中各点的实际位姿PBpr和理论位姿PBpt得到所述先验知识数据集Bp中各点对应的矫正位姿PBpr’；
(5)将所述先验知识数据集Bp中各点的实际位姿PBpr作为机器人加工动态误差补偿模型的输入，所述矫正位姿PBpr’作为机器人加工动态误差补偿模型的输出，对机器人加工动态误差补偿模型进行优化训练；
(6)将所述剩余数据集CBBp的目标位姿作为优化训练后的机器人加工动态误差补偿模型的输入,并由该模型输出矫正后目标点集合B’，并将该矫正后目标点集合B’作为机器人磨抛加工静动态误差补偿的依据。
作为本发明的优选方案，步骤(6)中，将所述剩余数据集CBBp中各点的目标位姿作为步骤(5)优化训练后的机器人加工动态误差补偿模型的输入，训练初步优化训练后的机器人加工动态误差补偿模型输出的补偿值向矫正位姿PCBpr’转化的能力，使得补偿值与矫正位姿PCBpr’的差值在阈值范围内，完成机器人加工动态误差补偿模型的优化。其中，矫正位姿PCBpr’为剩余数据集CBBp中各点的实际位姿PCBpm和理论位姿PCBpt得到所述剩余数据集CBBp中各点对应的矫正位姿PCBpr’。实际位姿PCBpr为在所述测量坐标系W1下测量得到所述剩余数据集CBBp中各点的位姿PCBpm，然后通过所述坐标系转换矩阵T得到所述剩余数据集CBBp中各点在所述机器人全局基准坐标系W2下的实际位姿PCBpr。
更具体的，在本发明中，为了提高训练样本的适用性，需要设定构成目标点集合A的样本个数，原则上样本个数越多，结果越精确。然后对机器人磨抛加工空间进行区域划分。根据机器人磨抛加工路径以及构成集合的样本点的个数，在机器人磨抛加工空间划分后的各区间随机选取样本点，从而得到目标点集合A。优选的，根据机器人磨抛加工路径覆盖量，选取样本点的个数，如即，覆盖量越大，选取的样本点越多。
步骤七，根据优化后的机器人加工动态误差补偿模型对机器人末端位姿进行误差补偿。即使用所述机器人加工动态误差补偿模型矫正机器人位姿及补偿末端加载变形误差。
图2所示为本发明实施例中的机器人位姿及末端加载变形误差补偿流程图，通过所述机器人磨抛加工坐标系测量系统测量得到一组测量坐标系W1下目标点集合A的机器人末端位姿PAM，同时通过机器人软件端获得与之对应的一组机器人全局基准坐标系W2下的理论位姿PA，利用LM算法求得所述测量坐标系W1与所述机器人全局基准坐标系W2间的坐标系转换矩阵T。其次，对于待补偿目标点集合B，从中随机选取小部分目标点构成先验知识数据集Bp，测得其在所述测量坐标系W1下的位姿PBpm，利用所述坐标系转换矩阵T求得所述先验知识数据集Bp在所述机器人全局基准坐标系W2下的实际位姿PBpr，将所述实际位姿PBpr与其相对应的理论位姿PBpt相比较得到所述先验知识数据集Bp中对应目标点的矫正位姿PBpr’，以所述先验知识数据集Bpre中目标点的实际坐标PBpr作为输入，以与其相对应的矫正位姿PBpr’作为输出，训练融合先验知识的新型支持向量机回归算法建立的机器人加工动态误差补偿模型。最终，将所述待补偿目标点集合B的剩余目标点所构成的集合，即剩余数据集CBBp作为输入,经由融合先验知识的新型支持向量机回归算法建立的模型输出得到矫正后的目标点集合B’，将所述矫正后的目标点集合B’中点的位姿输入机器人控制器，补偿机器人对末端误差。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，其特征在于，包括以下步骤：
S1搭建飞机复材构件机器人磨抛加工坐标系测量系统；
S2建立机器人加工系统全局坐标系；
S3基于所述机器人加工系统全局坐标系构建机器人动力学递推模型；
S4根据所述机器人动力学递推模型辨识机器人加工系统静态参数，并根据该机器人加工系统静态参数建立机器人距离误差标定模型，以补偿机器人本体几何误差；
S5根据机器人本体几何误差构建机器人加工系统全局坐标系下机器人加工动态误差补偿模型；
S6根据机器人加工动态误差目标数据集和先验知识数据集对机器人加工动态误差补偿模型进行优化训练；
S7根据优化后的机器人加工动态误差补偿模型对机器人末端位姿进行误差补偿。
2.根据权利要求1所述的一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，其特征在于，步骤S1中，所述机器人磨抛加工坐标系测量系统包括激光跟踪仪和双目测量设备。
3.根据权利要求1所述的一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，其特征在于，步骤S2中，所述机器人加工系统全局坐标系包括工件坐标系、工具坐标系、测量坐标系以及机器人全局基准坐标系。
4.根据权利要求1所述的一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，其特征在于，步骤S2中，所述机器人加工系统全局坐标系采用基于离散型差分进化的非线性优化算法建立。
5.根据权利要求1所述的一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，其特征在于，步骤S5中，采用融合先验知识的支持向量机回归算法构建机器人加工动态误差补偿模型。
6.根据权利要求1所述的一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，其特征在于，步骤S6中，采用混沌粒子群优化算法对机器人加工动态误差补偿模型进行优化训练。
7.根据权利要求3所述的一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，其特征在于，步骤S6具体包括以下步骤：
S61选取一组机器人磨抛加工空间内分散的目标点集合A，并通过所述机器人磨抛加工坐标系测量系统测量得到所述目标点集合A在测量坐标系W1下的位姿PAM，获取所述目标点集合A在机器人全局基准坐标系W2下的理论位姿PA，然后求取所述测量坐标系W1与所述机器人全局基准坐标系W2间的坐标系转换矩阵T；
S62确定一组机器人末端待补偿目标点集合B，并将该待补偿目标点集合B按预设比例分成机器人加工动态误差先验知识数据集Bp以及剩余数据集CBBp；
S63在所述测量坐标系W1下测量得到所述先验知识数据集Bp中各点的目标位姿PBpm，然后通过所述坐标系转换矩阵T得到所述先验知识数据集Bp中各点在所述机器人全局基准坐标系W2下的实际位姿PBpr；
S64根据所述先验知识数据集Bp中各点的实际位姿PBpr和理论位姿PBpt得到所述先验知识数据集Bp中各点对应的矫正位姿PBpr’；
S65将所述先验知识数据集Bp中各点的实际位姿PBpr作为机器人加工动态误差补偿模型的输入，所述矫正位姿PBpr’作为机器人加工动态误差补偿模型的输出，对机器人加工动态误差补偿模型进行优化训练；
S66将所述剩余数据集CBBp的目标位姿作为优化训练后的机器人加工动态误差补偿模型的输入,并由该模型输出矫正后目标点集合B’，并将该矫正后目标点集合B’作为机器人磨抛加工静动态误差补偿的依据。
8.根据权利要求7所述的一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，其特征在于，步骤S61中，目标点集合A的获取方法如下：
S611设定构成集合的样本点的个数；
S612对机器人磨抛加工空间进行区域划分；
S613根据机器人磨抛加工路径以及构成集合的样本点的个数，在机器人磨抛加工空间划分后的各区间随机选取样本点，从而得到目标点集合A。
9.根据权利要求1所述的一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，其特征在于，步骤S7中，对机器人末端位姿进行误差补偿包括对机器人末端位置以及姿态的补偿。
10.根据权利要求9所述的一种飞机复材构件机器人磨抛加工静动态误差综合补偿方法，其特征在于，机器人末端位置的补偿通过位置补偿器实现，机器人末端姿态的补偿通过姿态补偿器实现。
CN202010504997.XA 2020-06-05 2020-06-05 飞机复材构件机器人磨抛加工静动态误差综合补偿方法 Active CN111754567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010504997.XA CN111754567B (zh) 2020-06-05 2020-06-05 飞机复材构件机器人磨抛加工静动态误差综合补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010504997.XA CN111754567B (zh) 2020-06-05 2020-06-05 飞机复材构件机器人磨抛加工静动态误差综合补偿方法

Publications (2)

Publication Number Publication Date
CN111754567A CN111754567A (zh) 2020-10-09
CN111754567B true CN111754567B (zh) 2024-02-27

Family

ID=72674799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010504997.XA Active CN111754567B (zh) 2020-06-05 2020-06-05 飞机复材构件机器人磨抛加工静动态误差综合补偿方法

Country Status (1)

Country Link
CN (1) CN111754567B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112643681A (zh) * 2020-12-16 2021-04-13 湖南涉外经济学院 一种工业机械臂智能化路径规划装置及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110385720A (zh) * 2019-07-26 2019-10-29 南京航空航天大学 一种基于深度神经网络的机器人定位误差补偿方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6812665B2 (en) * 2002-04-19 2004-11-02 Abb Ab In-process relative robot workcell calibration

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110385720A (zh) * 2019-07-26 2019-10-29 南京航空航天大学 一种基于深度神经网络的机器人定位误差补偿方法

Also Published As

Publication number Publication date
CN111754567A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN109773786B (zh) 一种工业机器人平面精度标定方法
CN110193829B (zh) 一种耦合运动学与刚度参数辨识的机器人精度控制方法
CN106737855B (zh) 一种综合位姿误差模型与刚度补偿的机器人精度补偿方法
CN112873199B (zh) 基于运动学与空间插值的机器人绝对定位精度标定方法
CN108748159B (zh) 一种机械臂工具坐标系自标定方法
CN109822577B (zh) 一种基于视觉伺服的移动式机器人高精度加工方法
CN111367236A (zh) 一种面向加工过程的移动机器人系统标定方法及系统
CN108015808B (zh) 一种混联机器人的运动学标定方法
CN104215206B (zh) 一种双机器人协作系统的基坐标标定方法
CN109822574A (zh) 一种工业机器人末端六维力传感器标定的方法
CN102183205A (zh) 一种大型零部件最佳装配位姿匹配的方法
CN106777656B (zh) 一种基于pmpsd的工业机器人绝对精度校准方法
CN112558547A (zh) 一种五轴数控机床平动轴几何误差补偿数据快速优化方法
CN113580148B (zh) 基于等效运动链的并联机器人运动学标定方法
CN104890013A (zh) 一种基于拉线编码器的工业机器人标定算法
CN109591019B (zh) 一种无确定性定位特征物体的空间精确定位方法
CN114952858B (zh) 一种基于摩擦补偿控制的工业机器人轨迹跟踪方法和系统
CN113359609A (zh) 五轴数控机床关键几何误差优化配比补偿方法
CN110228067A (zh) 一种基于激光跟踪仪的双臂机器人组合操作测试方法
CN108445765B (zh) 一种飞机自动钻铆并联调姿托架的标定方法
CN115229796A (zh) 一种面向航空大构件铣削的机器人末端位姿跟踪补偿方法
CN105643620B (zh) 一种基于十字型杆件的工业机器人简易标定方法
CN111390914A (zh) 一种机器人零位和工具坐标标定方法
CN115091455A (zh) 一种工业机器人定位误差补偿方法
CN111754567B (zh) 飞机复材构件机器人磨抛加工静动态误差综合补偿方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant