论文部分内容阅读
近年来,工业机器人已广泛应用于各个领域的高精度工作。由于机器人的实际运动学模型参数值和名义参数值的差异,以及在运动过程中的其他因素都会使机器人的定位误差增大,无法满足高精度工作的要求。因此,本文针对这个问题以ABB IRB120机器人和SCARA机器人为研究对象,利用极限学习机(ELM)算法补偿机器人的定位误差,并在此基础上对ELM补偿模型进行优化。本文的主要内容如下:(1)基于机器人运动学理论建立误差模型。使用D-H法建立了IRB120机器人、SCARA机器人的正运动学模型,并用解析法求得它们的逆解。建立了IRB120机器人和SCARA机器人的误差模型。为机器人的精度补偿实验奠定了理论基础。(2)提出了利用ELM算法建立以机器人关节角为输入,实际位置和理论位置的误差为输出的机器人精度补偿模型。分别对IRB120机器人和SCARA机器人进行精度补偿的仿真实验,并与传统的BP神经网络补偿模型做对比,结果表明ELM模型的补偿效率远高于BP神经网络,且补偿精度更高。(3)为了提高ELM精度补偿模型的稳定性和补偿精度,分别采用遗传算法(GA)和粒子群算法(PSO)对ELM模型的输入权值和阈值进行优化。建立了GA-ELM模型和PSO-ELM模型,分别对IRB120机器人和SCARA机器人进行精度补偿的仿真实验,结果表明PSO-ELM模型的补偿效果优于GA-ELM模型。为了进一步提升PSO-ELM补偿模型的性能,采用改进的PSO算法优化ELM,结果表明改进的PSO-ELM模型具有更好的补偿效果。(4)机器人零点位置的准确性直接决定了机器人的绝对精度,本文采用了一种基于标定板的SCARA机器人零点标定的方法,通过SCARA机器人以不同的姿势插入同一标定孔,计算零点位置信息,并进行了零点标定实验。(5)为了验证(2)、(3)建立的机器人精度补偿模型在实际应用中的补偿效果,基于SCARA机器人和三坐标测量仪搭建了机器人精度补偿实验平台。利用三坐标测量仪完成了机器人坐标系和测量系统坐标系的统一,并制定了测量机器人末端位置的方法。最后通过精度补偿实验得出改进的PSO-ELM精度补偿方法的效果优于其他方法,经过改进的PSO-ELM算法补偿后的SCARA机器人的绝对定位误差下降了80.14%。