一种五自由度混联机器人误差预测及实时补偿技术制造技术

本发明专利技术公开了一种基于神经网络的五自由度混联机器人误差预测及实时补偿技术。本发明专利技术包括以下步骤：(1)混联机器人位姿误差分解；(2)并联机构位姿误差测量及预测；(3)串联转头误差预测；(4)混联机器人关节误差补偿；(5)补偿神经网络训练；(6)构造关节误差补偿器。本发明专利技术直接利用机器人的误差测量数据实施预测和补偿，可同时补偿由机器人几何误差，以及间隙、摩擦、温度、重力等非几何因素引起的机器人末端位姿误差，属于一种综合误差补偿方法，补偿效果明显优于传统的基于几何误差辨识的误差补偿方法。补偿方法。补偿方法。

【技术实现步骤摘要】
一种五自由度混联机器人误差预测及实时补偿技术


[0001]本专利技术涉及机器人标定技术，尤其涉及一种基于神经网络的五自由度混联机器人误差预测及实时补偿技术。

技术介绍

[0002]由三自由度并联机构与两自由度串联转头搭建而成的五自由度混联机器人是一种新型五轴联动加工装备，由于其具有速度快、精度高、动态特性好、和工作空间大等特性，目前已经逐渐应用于钻孔、铣削、抛光等高精度现代制造领域，这对于机器人的位姿精度也提出了更高的要求。
[0003]标定是提高混联机器人精度的有效途径。传统的运动学标定通过对运动学参数误差建模，并结合误差测量数据和参数辨识算法别出理论模型误差，最后进行补偿，主要包括误差建模、误差测量、参数辨识、误差补偿四个步骤。这种方法必须建立考虑全部几何误差且满足完备性、连续性和最小性要求的误差模型，实施过程非常复杂。此外，影响机器人精度的误差因素众多，既包含制造、装配误差、螺距误差等静态几何误差，还包括齿轮间隙、摩擦、温度、重力等随位形及环境因素变化的非几何误差。因此，运动学标定难以建立一个考虑所有误差源的完备误差模型实现误差参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种五自由度混联机器人误差预测及实时补偿技术，其特征是，包括以下步骤：(1)混联机器人位姿误差分解；(2)并联机构位姿误差测量及预测；(3)串联转头误差预测；(4)混联机器人关节误差补偿；(5)补偿神经网络训练；(6)构造关节误差补偿器；所述步骤(1)中的混联机器人位姿误差分解方法具体如下：将五自由度混联机器人分解为1T2R三自由度并联机构和两自由度串联转头，则机器人的正运动学模型K(q)可表示为：K(q)＝K(q
P
,q
W
)＝K
P
(q
P
)K
W
(q
W
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)q＝(q1,q2,q3,q4,q5)
T
,q
P
＝(q1,q2,q3)
T
,q
W
＝(q4,q5)
T
式中，K
P
(
·
)和K
W
(
·
)分别表示并联机构和串联转头的正运动学模型；q
P
和q
W
分别表示并联机构和串联转头的关节量；根据线性叠加原理，混联机器人末端位姿误差旋量ξ∈R6可表示为：ξ＝X
P
ξ
P
+X
C
ξ
C
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，ξ
P
∈R6，表示并联机构动平台的位姿误差旋量；ξ
C
∈R6，表示串联转头末端位姿误差旋量；所述步骤(2)中并联机构位姿误差测量及预测的过程如下:选用激光跟踪仪(81)作为测量仪器，建立激光跟踪仪测量坐标系(74)及机器人基坐标系(71)，确定所述激光跟踪仪测量坐标系(74)与机器人基坐标系(71)之间的相对位姿关系，并以机器人基坐标系(71)作为后续误差测量与补偿等环节的统一基准；利用激光跟踪仪(81)测量位姿测量装置(91)上三个靶球的球心位置坐标，据此计算动平台(5)在机器人基坐标系(71)下的位姿，并与动平台(5)理想位姿相比较，得到并联机构动平台(5)的位姿误差旋量ξ
P
＝(Δx
P Δy
P Δz
P Δα
P Δβ
P Δγ
P
)
T
；将每个测量位形下并联机构的关节量q
P
和对应的动平台位姿误差旋量ξ
P
作为一组样本数据，构造网络训练样本集；将样本集按照一定规则划分成训练集和测试集，并对样本数据进行归一化处理：进行归一化处理：式中，x
i
为样本数据某一维度的参数值，x
max
和x
min
分别表示该维度的最大和最小参数值，表示归一化后的参数值；以并联机构关节量为输入，动平台位姿误差旋量为输出，构造一个三层BP神经网络作
为误差预测神经网络；该网络由输入层、输出层和一个隐含层组成，网络输入层包含3个节点，分别代表并联机构关节量q
P
的三个分量，网络输出层包含6个节点，分别代表动平台位姿误差旋量ξ
P
的六个分量；网络隐含层采用Tan
‑
sigmoid激活函数：f(x)＝2/(1+e
‑
2x
)
‑
1；输出层采用线性激活函数：f(x)＝kx；通过对比实验确定预测神经网络的最优网络结构及参数；根据隐含层节点数目的不同，构造多个不同结构的神经网络，分别对各网络模型进行训练和验证，选择预测精度最高的网络结构及其训练参数作为并联机构误差预测模型；当动平台(5)运动至工作空间内任一位形时，将并联机构的关节量q
P
经归一化后输入上述并联机构误差预测模型，并对网络输出结果进行反归一化，即可预测得到该位形下动平台(5)的位姿误差旋量ξ
P
；所述步骤(3)的串联转头误差预测过程如下：构造转头D
‑
H参数模型，建立机器人末端连体系73相对于动平台连体系(72)的齐次变换方程：T
W
＝T4T5ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ...

【专利技术属性】
技术研发人员：刘海涛，闫志彪，贾悦婷，肖聚亮，黄田，
申请(专利权)人：天津大学，
类型：发明
国别省市：