论文部分内容阅读
在机器人装配线上被操作对象的位置往往是不确定的,无法预先指定末端工作位姿,只能根据其在绝对坐标系中的位姿进行工作,这就要求机器人有较高的绝对定位精度。要满足机器人精确定位的要求,需对机器人逆运动学及其控制问题和定位误差补偿等问题进行研究。传统的机器人逆运动学方程求解模型和定位误差补偿模型都是非线性的,求解非常困难,而神经网络以其很强的非线性映射能力得到广泛研究和应用,本文利用神经网络建立了装配机械手精确定位相关模型并进行了深入研究,主要研究内容如下:(1)在分析机器人逆运动学问题的基础上,推导了装配机械手逆运动学方程,用代数法反解运动学方程,对运动学参数在装配机械手末端定位精度中的影响进行了分析。结果表明运动变量误差对定位精度影响很大,基于机器人逆运动学的位置控制模型要有良好的关节角求解精度。(2)由于代数法、几何法和迭代法等传统方法在求解机器人逆运动学中遇到困难,设计了一个基于改进代数算法神经网络的装配机械手逆运动学模型,由代数法得到的训练样本集在MATLAB上编程进行神经网络训练和测试,测试结果表明改进后的算法可以满足装配机械手逆运动学方程求解的要求;另外对逆运动学参数误差在定位精度中的影响进行了仿真分析。结果表明神经网络逆运动学模型可以满足装配机械手定位精度的要求。(3)影响装配机械手定位精度的因素多且为非线性,用参数辨识方法难以找到理想的数学模型对其描述。在基于改进代数算法神经网络的装配机械手逆运动学模型基础上提出了基于改进BP算法——LMBP算法神经网络的装配机械手定位误差补偿模型并进行了分析。仿真结果表明补偿效果明显。(4)对基于改进代数算法神经网络的装配机械手逆运动学模型和基于LMBP算法的装配机械手定位误差补偿模型在8位单片机上的实现进行了研究,进行模块化编程和基于KEIL平台的仿真实验。经过优化调试,最终结果为程序占用内部ROM空间为4141B,单次运行时间为0.273s,仿真结果和期望值误差较小。基于神经网络的装配机械手精确定位模型在8位单片机系统中可以较好的实现。