英语原文共 181 页，支付完成后下载完整资料
工业机器人在混合制造中的研究
摘要
工业机器人在混合制造中的应用克服了许多传统制造方法的限制，例如对小型零件构建尺寸、建造周期长、有限的材料选择等。然而，机器人在工作范围内的运动精度分布不均匀、机器人在较重的外载荷作用下的加速度影响、缺少提高混合制造过程效率的方法和设备等问题仍具挑战。本文旨在通过解决以下三类研究问题，提高工业机器人在混合制造中的应用。第一个研究课题为最大限度地利用现有机器人系统的制造能力，对机器人的精度和刚度问题提出了一种新颖的概念观。摘要在分析机器人正/逆运动学、不同关节角度误差灵敏度和机器人刚度矩阵特性的基础上，建立了新的评价公式，以帮助寻找机器人在工作过程中执行某一特定轨迹范围的最佳位置和方向。第二个研究问题是机器人混合制造的工程改进。采用立体视觉、激光扫描技术和曲面技术，提高了混合制造的自动化水平和适应能力。第三个研究问题是将机器人混合制造过程扩展到更广泛的应用领域。研制了一种适用于大型机器人沉积的变螺距直径螺纹微型挤出机。提出的机器人沉积系统可以提高大型尺寸零件的制造效率和质量。此外，本文的研究成果对自动化制造、机器人设计、3D打印等行业都有一定的借鉴意义。
介绍
1.1背景
随着自动化技术的发展，工业机器人的应用范围越来越广。工业机器人在混合制造中可能的应用，通常涉及到机器人的沉积过程和机器人的加工过程，一直受到世界各国研究者的关注。在机器人混合制造过程中，工业机器人手臂作为加工或沉积工具的运动机械装置，如图1.1所示。
图1.1机器人混合制造过程
传统制造方法的许多局限，比如零件体积小、制造周期长、材料选择有限等，在混合制造中利用工业机器人能够克服这些局限。然而还存在一些问题制约其进一步发展，如机器人在工作范围内运动精度分布不均匀，机器人在较大的外部载荷作用下的加速度影响，缺少提高混合制造效率的方法和设备等。为了解决这些问题，本文将研究以下关键的研究任务，以提高工业机器人在混合制造过程中的应用。该成果将惠及机器人工程、增材制造工程和昂贵部件修复技术等多个领域。
1.2研究对象
本次研究的主要目的是探讨提高工业机器人在混合制造中的应用并且将其推广到更广泛领域的关键技术。为了实现这一总体目标，我们仔细研究了以下五项研究任务。
具体来说，研究任务1回答了以下问题:在机器人的工作包络线内，混合制造工作路径的最佳位置和方向在哪里。如何在考虑机器人运动参数误差影响的情况下，对不同位置和方向的轨迹精度进行评估，是回答这一问题的主要困难。通过对机器人前/逆向运动学的分析，揭示了串行机械手系统中不同关节的角度误差灵敏度。还将讨论不同位置和方向对末端执行器运动精度的影响。在此基础上，还得到了描述机器人激光沉积加工在不同位置、不同方向的精度差异可视化评价图。
研究任务2是如何提高机器人末端执行器承受较大外部载荷时的操作精度。在机器人混合制造过程中，沉积挤出机的重量或加工过程的切削力，对操作精度有显著的影响。通过对机器人的运动学分析和针对机器人的刚度矩阵特性，建立了新的评价公式用来在机器人的工作范围内映射轨迹的刚度。该方法以其现有的刚度能力，对提高大外径下机器人系统的工作性能意义重大。
研究任务3研究利用机器人在自由曲面上实现混合制造过程。以机器人写作任务为例，开发了一种机器人在曲面上喷涂墨水的自适应补偿算法。这种方法为使用机器人手臂在曲面上打印字符或图形提供了更大的灵活性。同时，该机器人系统也为油墨喷涂过程提供了更大的工作范围。研究任务4是将立体视觉和激光扫描技术应用于混合制造过程。这些方法可以实现零件自动对准和工作路径生成，提高混合制造过程的自动化程度和精度。
研究任务5提出了用于机器人混合制造过程的熔融球团体建模(FPM)系统。研制了一种适用于大型机器人沉积的变螺距大直径微型挤出机。为了更好地控制挤出长丝的形状，将在分析聚合物挤出理论和非牛顿流体性质的基础上做一些初步研究。机器人FPM系统通过控制灯丝形状，可以提高大型零件的制造效率和沉积质量。
通过以上研究任务的成果，可以进一步提高机器人在混合制造过程中的应用。这些技术的发展不仅有利于混合制造领域，也有利于其他领域，如机器人工程、增材制造领域和零件修复工程。
1.3组织论文
本文以图1.2的方式展示并组织了五个主要的发展。第一篇和第二篇论文侧重于机器人混合制造的基础理论研究，重点研究机器人的运动精度和刚度特性。论文三和论文四强调了机器人混合制造的工程改进，旨在提高这一过程的自动化水平和适应性。论文五开发了用于大规模机器人沉积的熔融球团体建模系统，该研究可以将机器人混合制造扩展到更广泛的领域。
图1.2论文框架
这五篇文章都有一个共同的核心研究主题:使用工业机器人进行混合制造，但每一篇都有不同的侧重点。论文1提出了一种基于机器人系统当前精度能力的特定混合制造工作路径来寻找最佳位置和方向的新方法。这个方法有助于最大限度地利用机器人目前的精度能力，而不是一味地追求机器人系统的更高精度。针对机器人系统外载荷较大的情况，本文建立了一种新的评价公式，将混合制造轨迹的刚度映射到机器人的工作范围内。采用机器人进行混合制造的优点之一是灵活性强，本文针对第三篇论文中机器人在曲面上沉积油墨的问题，提出了一种基于b样条曲面理论的自适应补偿算法。为了提高混合生产过程的效率,采用立体视觉和激光扫描技术,给出了一个自动校准和路径规划方法在论文四。论文五研究了熔融球建模大规模机械沉积(FPM)系统,它还研究了用优化挤压过程的方法来消除大规模FPM过程中的孔隙密度。
基于关节角的混合制造过程中工业机器人轨迹精度评价图误差分析
摘要
工业机器人已广泛应用于各个领域。关节角度误差是影响机器人精度性能的主要因素。需要注意的是，这些运动参数误差即使经过标定也不能完全从机器人系统中消除，误差依然存在，并且在机器人系统运行过程中会发生波动。本文提出了一种基于当前机器人系统精度能力的确定特定工作路径的最佳位置和方向的新方法。摘要通过分析串行机械手系统中机器人的正/逆运动学和不同关节的角度误差灵敏度，建立了一种新的机器人工作范围内轨迹精度映射的评价公式。讨论了不同位置和方向对末端执行器运动精度的影响。最后得到可视化的评价图，描述机器人激光沉积工作路径在不同位置和方向的精度差异。该方法有利于最大限度地利用机器人当前的精度能力，而不是一味地追求机器人系统的更高精度。
关键词:工业机器人；轨迹精度；关节角误差；混合制造业
1．介绍
通常，串行机器人主要用于工业中对重复性要求较高的任务。在这种情况下,机器人的运动精度并不重要,只要手动机器人末端执行器的姿势位置,重复性才是重点。然而,在离线编程任务当中,像机器人混合生产过程的运动精度就变得很重要,因为工作路径和位置都是定义在一个关于绝对或相对坐标系统的虚拟空间。为了提高机器人的精度,一些研究侧重于几何参数误差的建模和识别，忽略了非几何误差。这些研究假设是非几何误差，对机器人位置误差的影响较小。识别出的运动学参数不准确，由于这些非几何误差仍然会影响机器人的精度，所以非几何误差参数不可忽略。
其他研究人员开发了包含几何和关节顺应性误差的机器人运动学模型。Judd和Knasinski实验检测了物理机器人的几何误差、齿轮误差、伺服误差、结构变形误差、热变化误差、齿轮磨损误差和底座错位等多种误差来源。然而，这些误差源仅是特定于单个物理机器人的，该方法不通用。Dulen和Schroer应用弹性梁理论研究了以六个微分单元变化为代表的机器人连杆效应。Hudgens使用了一种方法来识别施加扭矩和力的一般机器人柔度特性。但是这两项研究都没有包含足够的非几何误差来进行精确的机器人校准。
一些研究人员专注于算法研究，其中最常用的是参数识别的最小二乘算法。利用非线性优化过程、迭代线性化、扩展卡尔曼滤波等算法进行参数识别的研究还有很多。在对SCARA机器人的标定研究中，Omodei等人比较了识别算法的有效性。Omodei等人认为EKF算法具有收敛速度快、可靠性高、识别结果不确定性等优点，是上述算法中最好的。Park和Kim得出了相同的结论:EKF的收敛速度快于最小二乘估计法。一些算法也用于参数识别，例如最大似然，Levenberg-Marquardt，尽管它们的收敛速度相当慢。
此外，为了提高机器人的精度，基于机器人特征识别的机器人运动学特性。Stone等提出了一种基于旋转平面、旋转中心、旋转半径等关节特征估计S模型参数的识别方法。之后，D-H参数可以从S模型的参数中提取。Abderrahim和Whittaker在不使用S模型的情况下，采用Stone等方法直接识别D-H参数。然而，这些研究仅仅发现了机器人的几何参数。另一种标定方法是利用遗传规划方法对机器人进行标定。该方法的优点是通过遗传规划（或符号回归）自动生成校正模型，避免了人工参与建立机器人校正模型。但是，由于该方法的性质，不能提供机器人结构误差源的信息，收敛速度较慢。
除了上面提到的基于模型的校准方法外，还开发了其他方法，如机器人校准的所谓无模型校准。这些方法是基于机器人运动学关系的近似化，如机器人关节读数与其位置误差之间的关系或机器人位置与其位置误差之间的关系。为了近似这些关系，一些研究者使用径向基函数网络(RBFN)，模糊逻辑算法和人工神经网络(ANN)。其他一些研究者利用了多项式比如傅里叶多项式，普通多项式，雅可比多项式，拉结多项式，黑米多项式，贝塞尔多项式，以及其他研究利用傅立叶和普通多项式预测机器人构型或末端执行器位置的位置误差。不过，这些技术由于精度低和多项式复杂而受到限制。在这些近似技术中，ANN基于函数的近似方法由于其具有较强的适应性、灵活性和学习能力而成为最有效的方法。在一些研究中，基于人工神经网络建立了机器人关节角度与其对应关节误差之间的函数关系。然而，由机器人标称逆运动学得到的神经网络训练数据是不准确的。一般情况下，机器人运动学的近似方法在了解机器人误差源的灵敏度方面是有限的，即使是容易建模和测量的误差也是有限的。
如上所述，该领域的研究大多集中在提高机器人系统的精度上，但需要注意的是，这些运动参数误差并不能完全从机器人系统中消除。即使经过校准，这些误差仍然存在，并且在机器人系统运行过程中会发生波动。因此，它更具意义的是最大限度地利用机器人目前的精度能力，而不是一味地追求机器人系统的更高精度。本文提出了一种基于当前机器人系统精度能力的确定特定工作路径的最佳位置和方向的新方法。本文的结构如下:首先介绍了刚体表示和齐次变换矩阵的相关知识。然后通过分析机器人的正/逆运动学和串行机器人系统中不同关节的角度误差灵敏度，建立了一种新的评定机器人工作行程内轨迹精度的方法。讨论了不同位置和方向对末端执行器运动精度的影响。最后得到可视化的评价图，描述机器人激光沉积工作路径在不同位置和方向的精度差异。
2．刚体的表示和齐次的变换矩阵
空间中的点P可以用它相对于笛卡尔坐标系的三个坐标来表示
其中px, py, pz是三个点的坐标参考系。l，i和k是坐标系中沿每个轴的单位向量（一个矢量可以由它的尾部和头部的三个坐标表示）。如果向量从O点开始，到P点结束(图2.1)，则:
其中px, py, pz是坐标系中向量的三个分量。实际上，点P是由点P上的一个向量表示的，由向量的三个分量表示。这个向量也可以写成矩阵的参照系形式，如式(3)所示
一个对象可以通过在其上附加一个参考系并在空间中表示该参考系来在空间中表示。由于对象永久地附着在这个参考系上，它相对于这个参考系的位置和方向总是已知的。
图2.1空间中点和向量的表示
因此，只要能够在空间中描述坐标系，就可以知道相对于固定坐标系的物体的位置和方向。
图2.2空间中点和向量的表示
其中xb,yb,zb是坐标系B中的单位向量，三个单位向量是相互垂直的，它们的长度必须等于1。这些约束转化为以下约束方程:
创建一个3x3矩阵R，使用方向余弦值xb, yb和zb的相对坐标将坐标系A中的单位向量作为元素。
R表示物体相对于参考坐标系a的旋转，很容易注意到R是一个正交矩阵，满足下式:
关于x轴、y轴和z轴的旋转矩阵如下:
因此，对象相对于固定点的位置和方向可以由4times;4齐次矩阵描述:
3．自由度工业机器人的D-H表示
在1955年，Denavit和Hartenberg在ASME应用杂志上发表了一篇论文。力学后来被用来表示和建模机器人并推导它们的运动方程。Denavit-Hartenberg (D-H)模型是一种非常简单的建模机器人链路和关节的方法，可以用于任何机器人配置，无论其顺序和复杂性如何。它还有一个额外的好处，许多技术已经开发出来用于它的结果，如雅可比矩阵的计算，力分析等等。这种方法已经成为了描述机器人及其运动的标准方法。对于6自由度工业机器人，每个关节都有一个参照系，并定义一个从一个关节到下一个关节的通用转换程序。将从基座到第一个关节，从第一个关节到第二个关节等的所有变换结合起来，直到最后一个关节，机器人的总变换矩阵将得到图3.1所示的两个坐标系，每个坐标系都被分配在一个旋转关节上。将关节的编号i分配给第一个显示的关节。i 1是第二个关节，所有的关节，无一例外，都用z轴表示。对于转动关节来说，z轴是在转动方向上，转动的右手法则是这样的，围绕z轴的转动值theta;是关节的变量，如图3.1所示，一般情况下，关节不一定是平行或相交的。因此，一般来说，z轴是斜轴。在空间内总有一条直线与任意两条斜线相互垂直，称为公法线，这两条斜线之间的距离最短。x局部坐标系的坐标轴总是沿着公法线的方向指定。因此,如果一个 ai表示zi与zi 1之间的共同法线;xi 1的方向将在ai之间。资料编号：[3203]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
