（机械电子工程专业论文）机器人化装配中的误差检测与校正.pdf

圭童窒望查兰竖主堂竺堡!l一 摘要 目前，机器人装配成为机器人应用中具有实用价值的研究方向。为了使装配机器人更 有效地应用于生产实践中，尚需对机器人装配中的堡茎堕型和校正进行深入研究，以提高 装配精度及装配效率。 ( 本文课题“机器人化装 器人装配网点实验室。，本文 差检测屿校正方法进行了探 配过程的误差检测与自校正研究”，来源于国家“8 6 3 ”计划机 的应用背景为二维操纵杆的机器人化装配，对装配流程中的误 讨，并且建立了误差检测校正实验装置及监控系统。本文的研 l 、装配配合运动前的误差检测与校正： ( 由于机器人的刚性很大，装配接触过程中很小的接触误差也会产生很大的接触力。在 进行装配件之间的配合运动前，对误差进行检测和校正，对减少后续装配操作的误差，具 有重要意义。这部分的内容包括第二章和第三章。 第二章研究的是基于r i s c 策略的误差检测与校正。机器人应用中的r i s c 策略是指利 用简单的传感器来实现复杂的检测任务。本章的创新点是提出了基于r i s c 策略的装配误差 检测和校正思想，在此基础上，设计了长轴空间姿态的误差检测校正系统，并进行了实验。 第三章研究的是轴孔装配前的相对位置误差的检测与校正。由于检测与控制过程中的 不确定性本文采用了模糊控制策略，进行轴孔相对位置误差的检测与校正。与过去的研 究相比，本章的创新点在于：1 ) 与过去多为二维的研究相比，提出了轴孔的三维误差检测 与校正策略，更具有实际应用意义；2 ) 在应用模糊算法进行轴孔相对位置误差的检测与校 正过程中存在规则太多而难以确定及参数优化的困难，本文采用了遗传算法进行规则的 自动生成及模糊算法参数的优化，成功解决了这一问题。o 2 、装配配合运动过程中的误差检测与校正。 f 这部分的研究内容包括第四章、第五章和第六章。其中，第四章和第五章是针对连续 过程进行研究，第六章是针对离散过程进行研究。 第四章研究的是装配件在被装配件表面移动时，机械手的力自适应误差控制。当装配 表面的几何参数模型不是精确知道时，较小的接触误差也会产生很大的接触力，对机器人 的损害很大。本章对阻抗控制算法进行了改进，理论和仿真分析证明了改进的算法对工件 表面几何模型的不确定性具有较好的适应性。 第五章研究的是对轴孔装配配合运动过程中产生的误差进行检测和校正。本章的创新 点在于，相对以往研究是针对固定的被装配件，本章的研究对象是不固定的被装配件，因 此其装配过程的动力学更为复杂。通过理论分析，建立了基于模糊神经网络的误差检测和 校正算法，通过仿真证明了其具有较好的效果。 第六章提出了基于误差的接触状态自动识别与校正的策略。本章的研究包括三个方面： 1 ) 三维空间的接触状态预测算法：2 ) 与运动相关联的接触状态间关系算法；3 ) 装配状态 的自动识别算法。 3 、装配过程的误差与故障监控系统设计。 f 这部分的研究内容为第七章该章的研究内容是对装配线的装配流程进行监控，对装 配流程中产生的误差和故障进行响应和处理。本章建立了基于p e t r i 网的装配线监控系统 设计方法，并对其调度控制、可靠性、检测单元优化进行了分析，设计实现了二维操纵杆 装配线的计算机监控系统。，7 ， 关键词：机器人装配碳故障诊断误差校正监控 圭壅銮望奎兰堕圭堂焦丝苎一 a b s t r a c t r o b o t i ca s s e m b l yh a sb e e nv e r yp r o m i s i n gi nt h e r o b o t i c a p p l i c a t i o n f i e l d i no r d e rt o i m p r o v et h ea s s e m b l yp r e c i s i o na n de f f i c i e n c y , l o to fj o b n e e dt ob ed o n eo nt h ef i e l do ff a u l t d e t e c t i o na n de r r o rr e c o v e r yd u r i n gr o b o t i ca s s e m b l y t h et i t l eo ft h i sd i s s e r t a t i o ni s f a u hd e t e c t i o na n de n 。o rr e c o v e r yd u r i n gr o b o t i ca s s e m b l y l t h ep r o j e c ti s p r o v i d e db yt h er o b o t i cr e s e a r c hi n s t i t u t eo fs h a n g h a ij i a o t o n gu n i v e r s i y s o m e r e s e a r c hr e s u l t sh a sb e e na p p l i e do nt h er o b o t i ca s s e m b l yo f m a n i p u l a t o r am o n i t o rs y s t e mf o rt h e r o b o t i ca s s e m b l yh a sb e e nb u i l ti nt h el a b o r a t o r y t h er e s e a r c hj o bo ft h i sd i s s e r t a t i o nc a nb e d i v i d e di n t ot h r e ep a r t s 1 、t h ef a u l td e t e c t i o na n de r r o rr e c o v e r yb e f o r et h ea s s e m b l yp a r t sg o i n gi n t oc o n t a c t b e c a u s es m a l lc o n t a c tg e o m e t r ye r r o rw i l lp r o d u c eg r e a tc o n t a c tf o r c et ot h er o b o t ，i ti s i m p o r t a n tt om a k e f a u l td e t e c t i o na n de l l o fr e c o v e r y j o bb e f o r ec o n t a c t i n gt od e c r e a s et h ec o n t a c t g e o m e t r y e r r o rt h er e s e a r c h j o ba b o u tt h i sf i e l di si nc h a p t e r2a n dc h a p t e r3 ar i s cs t r a t e g yf o rf a u l td e t e c t i o na n de r r o rr e c o v e r yi sd i s c u s s e di nc h a p t e r2 t h i sm e t h o d i sm a i n l ya b o u tu s i n gs i m p l es e n s o rf o rc o m p l i c a t e df a n i td e t e c t i o nt a s k t h ei n n o v a t i o no ft h i s c h a p t e ri st h ef a u l td e t e c t i o na n de r r o rr e c o v e r ym e t h o db a s i n go nr i s cs t r a t e g y as y s t e mw a s b u i l tf o rt h ef a u l td e t e c t i o na n de r r o rr e c o v e r yo f t h el o n gs h a r s p a c ep o s e e r r o r i nc h a p t e r3 ，t h em e t h o df o rt h ep o s i t i o ne r r o rb e t w e e ns h a f ta n dh o l eb e f o r et h e i rc o n t a c t i n g i sd i s c u s s e d af u z z yc o n t r o ls t r a t e g yw a su s e df o rt h i sp u r p o s e t h ei n n o v a t i o no ft h i sc h a p t e ri s a s f o l l o w i n g ：1 ) t h er e s e a r c hi s o nt h et h r e ed i m e n s i o n 2 ) t h eg e n e t i ca l g o r i t h m sw a su s e dt o i m p r o v et h ee f f i c i e n c yo f t h ef u z z yc o n t r o ls t r a t e g y ； 2 、t h ef a u l td e t e c t i o na n de r r o rr e c o v e r yd u r i n gt h ea s s e m b l yc o n t a c tm o v e m e n t t h er e s e a r c ho f t h i sf i e l di so n c h a p t e r4 ，c h a p t e r 5a n dc h a p t e r 6 i nc h a p t e r4 ，t h ei m p e d a n c ec o n t r o lm e t h o dw a si m p r o v e d i no r d e rt od e c r e a s et h ec o n t a c t f o r c er e s u l t e df r o mg e o m e t r ye l r o r ，ap r e d i c t i o ns t r a t e g yi su s e di nt h ec o m m o n i m p e d a n c e c o n t r 0 1 t h et h e o r ya n a l y s i sa n ds i m u l a t i o np r o v et h ee f f e c to f t h i sm e t h o d i n c h a p t e r5 ，t h e e r r o r r e c o v e r yb a s i n g o nt h ef a u l td e t e c t i o n d u r i n gp a r t sc o n t a c t i n g m o v e m e n ti sd i s c u s s e d t h es p e c i a l i t yo ft h er e s e a r c hi st h a tt h ep a r tb e i n ga s s e m b l e dh a sf l e e d e g r e ed u r i n gt h ec o n t a c t i n gm o v e m e n t af u z z y - n e u r a ln e u r a ln e t w o r ki s u s e df o rt h ef a u l t d e t e c t i o na n de r r o rr e c o v e r yo ft h ep a r t sc o n t a c t i n ga s s e m b l y t h ee f f e c to ft h em e t h o di sp r o v e d b ys i m u l a t i o n i nc h a p t e r6 ，t h ec o n t a c ts t a t ei d e m i f i c a t i o ns t r a t e g y b a s i n go nt h ee r r o ri sp r o p o s e d t h e i n n o v a t i o no ft h i s c h a p t e ri sa sf o l l o w s ：1 ) ac o n t a c ts t a t ep r e d i c t i o na l g o r i t h mi nt h es p a c ew a s p r o p o s e d 2 ) t h em e t h o df o ft h ec o m p u t a t i o no ft h ec o n t a c ts t a t e sc o n n e c t i o ni sp r o p o s e d 3 ) t h e 上海交通大学博士学位论文 a u t o i d e n t i f i c a t i o nm e t h o df o rc o n t a c ts t a t ei sp r o p o s e 3 、t h em o n i t o rs y s t e md e s i g nf o rf a u l td e t e c t i o na n de l t o rr e c o v e r y t h e r e s e a r c h j o bi sd o n ei nc h a p t e r 7 i nc h a p t e r7 ，ad e s i g nm e t h o db a s i n go np e t r in e t w o r ki s b u i l t t h es c h e d u l i n g ，r e l i a b i l i t ya n do p t i m i z a t i o no f t h em o n i t o rs y s t e ma l ea n a l y s e d ac o m p u t e r m o n i t o rs y s t e mf o rt h em a n i p u l a t o ra s s e m b l yi sb u i l t k e yw o r d s ：r o b o t i c a s s e m b l y ，f a u l td e t e c t i o n ，e r r o rr e c o v e r y ，m o n i t o rs y s t e m 圭塑奎鎏盔兰苎主兰垡堡兰 一一 第一章绪论：机器人装配的误差诊断与自校正的研究概况 摘要：机器人装配已成为机器人研究与应用的一个热点。对装配过程中的误差进行诊断 与校正关系到装配是否能够成功。国内外对此进行了大量的相关研究，本章对这些研究进 行了概述性的介绍，并指出了本文的研究内容及意义。 关键词：机器人化装配，装配机器人，误差诊断，监控 1 1 前言 自从进入9 0 年代，商品形式的变更目益激烈。在装配作业中，出现了以装配机器人为 核心在一个装配单元中适应多种装配作业的柔性装配系统。据国外资料介绍，在现代工 业化生产过程中装配作业劳动量所占的比例日益增大，一般占4 0 左右，产品总成本的 5 0 一7 0 是消耗在装配作业上，而且装配作业的自动化程度远远落后于其它作业的自动化水 平，因此装配作业就成了产品生产过程中的瓶颈，为了适应产品多样化和小批量的特点， 世界发达国家竞相以机器人为主体的柔性装配系统展开研究，机器人化装配近年来取得了 极大的进展。根据i f r 对1 7 个主要机器人使用国家的统计，用于装配、焊接及机械加工的 机器人分别占3 4 5 、2 3 9 、1 0 3 ，并且用于装配的机器人数量仍然以最快的速度增 氏。 机器人化装配是柔性自动化领域的重要环节，也是工业机器人应用领域中最复杂的作 业之一。在完全结构化的环境中，机器人装配是很容易实现的，但由于实际机器人的装配 环境在零件定位、机器人运动及传感信息等各方面存在诸多不确定性以及突发事件，使得 基于装配零件c a d 设计参数和相关环境知识的装配作业等常常发生故障，导致生产率和产 品质量的f 降，严重时甚至损坏设备，发生事故。同时，随着产品更新速度的加快和中、 小批产品需求量的增加，迫切需要提高机器人装配的柔性以提高对非结构性环境的适应能 力。对装配流程的各个环节进行误差检测和校正，包括工件的加工质量、工件的送料、工 件的定位、工件的抓取、装配件之间的相对位置关系、工件之间的配合运动、装配工序完 成与否等等，可以减少装配过程中的故障，降低装配过程中突发事件的产生，提高机器人 装配作业的成功率，增加柔性装配系统对作业环境的适应能力。 机器人装配误差的产生在于装配作业过程中存在的大量的不确定性。这些不确定性包 括：( 1 ) 传感器系统的误差和噪声；( 2 ) 机器人运动命令的执行误差：( 3 ) 装配件位置和 尺寸误差。为了在存在不确定性因素的环境下成功地进行装配作业，近年来许多学者进行 了大量富有成效的研究，但仍有些阿题尚未解决，需要进一步作深入研究。 1 2 工件状态的检测 对【件的形状、位置及接触状态进行检测，有助于减少装配过程中的不确定性。 加州大学的j o h nfc a n n y 和k e n g o l d b e r g 6 3 1 1 6 4 1 1 6 5 6 6 6 7 提出了r i s c 机器人的思想， 实质是使用传统的工业自动化硬件，通过几何规划和传感策略，去实现比较复杂的任务。在 装配应用上就是应用简单的光电传感器来进行检测，其优点是可靠性高。其应用包括两个方 面t 一个是应用轴孔装配中的定位，一个是工件的形状识别，即是将传送带上不同形状的工 件进行识别。图1 1 是他们应用三个光电传感器进行轴位置的定位图1 2 是他们的工件形状 兰二兰堡垒! 墼墨茎墼塑堡茎堡堑兰! 堡垩盟竺壅塑翌一 识别示意图。此外，刘澄清等 6 2 】也进行了类似的研究，他的文章中介绍了一种利用价格低 廉的光电开关，配合机器人的高精度，采用中断技术来进行定量的零件位姿误差动态在线 检测与补偿的快速装配方法 - 1 l 图1 1c a n n y 等的轴定位检测装置 图1 2c a n n y 等的工件形状识别示意图 m a j o r i es k u b i c 5 6 7 8 9 1 0 等的研究方向是通过力传感器，来对工件的接触状态 识别。她的研究包括采用模糊算法和神经网络算法，以克服磨擦和传感器带来的非线性。 然而，这些方法的应用有很大的局限性，例如，当工件抓取姿态改变时，又必须重新进行 识别训练，为此，l o u i s 1 1 1 提出了一个算法，可以减少在重新进行训练时的次数。 对于装配作业来说，c a n n y 等的研究更具有实用意义。然而，他们没有建立一个基于 误差检测的设计思想。此外，他们的研究没有涉及空间姿态检测的研究，而空间姿态误差 是影响装配误差的重要因素。 1 3 轴孔相对位置误差的检测与校正 由于装配过程中的不确定性，可能使轴孔的实际位置偏离理想装配位置，从而导致装 配的失败。因此，轴孔相对位置的误差检测和校正，是一个研究热点。 一类方法是基于传感器信息的基础上。上海交大的赵锡芳等 7 5 提出了基于模式匹配 的轴孔相对位置误差检测和校正策略；p a r k 1 5 等提出了基于模糊策略的轴孔误差检测和 校正策略；在c a i n e 4 的研究中，当轴与孔存在接触时通过转动运动以消除误差。 基于传感器信息的方法的缺点是，当传感器信息存在不确定性或环境几何建模存在不 确定性时，将使误差校正效果降低。 另一类解决方法建立在振动方法的基础上，提供了种在存在传感不确定性的情况下的 保证进程进行的方法。该方法是持续振动一个工件以进行平面搜索，减少工件间的位置误差， 直到在误差范围内。许多研究者对此技术进行了研究 1 0 9 1 1 0 1 1 1 ，这种方法对于无倒角 孔装配似乎很有效。h o n g l e r 1 1 2 经过理论和实验研究，认为高斯自噪声信号在随机搜索中 的效果最好。在e r d m a n n 6 0 的研究中，应用了随机运动的方法来消除轴孔的相对位置误差。 随机化方法指的是从可能方法的集合中，随机选取和执行一个行动。所谓可能方法集合，包 含一些不能精确识别但可以完成任务的可能行动。这类方法的优点在于：其一，有助于提高 完成任务的层次，这是因为随机策略不要求保证任务在一定步数内成功完成，而是重复进行 随机运动以完成任务：其二，可减少策略的知识要求，因为随机化方法容许每步操作中出 7 现的失误，因而对任务的细节不敏感：其三，可简化任务的规划和执行，因为随机化策略可 2 圭童窒望查兰苎主堂竺笙墨一一 以忽略对特别情况的预测，而是任务的完成与实际遇到的场景相独立应用随机化方法的 一个例子是在装配中，将两工件靠近用小的随机运动使两工件配合，直到配合精度在传 感器测量精度范围内。 振动方法或随机化方法的缺点是，对于误差范围有较强的限制，当误差范围较大时， 将使误差校正过程时间变得很长。 在上述的研究中，多是针对二维情况( 如平面) 进行分析研究，当接触表面不是单一 平面时，问题就变为三维状况下的轴孔相对位置误差检测和校正，而以往对三维状况下的 研究重视不够。为了克服传感器测量数据中的不确定性，及校正过程中非线性因素的影响， 模糊策略是一个值得重视的方法。然而，对于模糊方法应用中，对于模糊规则太多而难以 确定及模糊隶属函数的优化，是需要解决的问题。 1 4 装配接触力控制 在工件与环境接触时，由于它们之间的相对位置误差，会使机械手产生较大的接触力。 因此在机器入装配过程中，不仅需要控制机械手的运动，还要控制机械手与环境之间的 接触力，使机械手具有一定的柔性。为了实现运动和力的同步控制，已经提出了几种控制 策略 9 5 9 6 1 。这些策略，基本上是基于阻抗控制和混合力位控制基础上的。阻抗控制是 由h o r g a n 5 0 提出来的，其实质是用机械阻抗表示动态力与动态位移之间的动态关系。混 合力位控制是机械手部分自由度受力约束、部分自由度受位置约束的控制策略。 在力位混合控制策略及阻抗控制策略的应用中，主要问题是不确定性导致的建模误 差。当机器人动力学模型的结构及参数精确时，大多数基于模型控制的策略及设计方法 9 7 9 8 1 ，能够应用于设计非线性控制器的运动和力同步控制。然而由于参数的不确定性， 将使模型出现误差。由于动力学的非线性，系统识别与估计技术 9 9 】不容易实施，使问题 的解决更为复杂。 解决以上问题，一个方法是基于迭代学习控制的基础上，通过机械手对装配任务进行 重复执行，对模型参数及控制参数进行学习，以跟踪期望的运动轨迹和力轨迹，其优点是 不需要动力学模型的精确知识，可以有效克服不确定性带来的影响。大多数的机器人迭代 学习控制研究集中在阻抗控制策略 1 0 0 1 0 2 i 0 5 和混合力，位控制【1 0 1 。在c h i e n c h e m 4 8 】 的文章中，首先给出目标阻抗，当进行重复运动时，学习控制器按照模型跟踪要求的响应。 基了二学习阻抗系统的收敛性，其给出了一种设计方法。该学习阻抗控制算法应用于s c a r a 机器人，实验结果证明了其方法的有效性。 另一个解决方法是基于力自适应控制基础上的( 如c r a i g h s u 及s a s t r y , o s u k a ，s a d e g h 及h o r o w i t z 。s l o t i n e 及l i ，k o d i t s c h e k ，b e r g h u i s 等 9 7 9 9 】) 。这些适应控制策略是将非线 性、时变与机器人动力学结合进行考虑。l a s k y f 5 2 】指出，在理想情况的阻抗控制系统中 如果环境特征精确给定，通过恰当设置的笛卡尔参考位置轨迹，原则上可以设定阻抗控制 的参考力。然而，在实际上这往往是不行的。在其文中，通过用力反馈的方法自动修改参 考位置，以达到力跟踪的目的。 1 5 装配配合运动过程误差控制 当装配件间发生接触时，由于它们之间的接触误差，将使机械手产生较大的反作用力。 装配运动过程误差控制的目的，就是根据力反馈信息对机械手的驱动力或运动位置进行基 苎二皇丝堡! 坐壁垒薹墼竺堡茎堡堑兰皇堡垩塑旦塑塑堡 于误差的校正，以减少装配误差带来的反作用力。在过去的研究中，研究者提出了一系列 的误差补偿策略 1 3 。大多数的策略，都是建立在某种柔顺行为的基础上。 采用r c c 是解决问题的一个较好的方法。r c c 采用一个被动的、具有位置自适应的柔 顺手腕或工作台，不需要对机器人的控制器作任何变动。r c c 作为机器人手臂与末端执行 _ 器的接口，能利用零件装配过程中产生的力与力矩校正其位置和角度定位误差，使得装配 顺利进行。r c c 的一个重要特点是它有一个柔顺中心，r c c 的设计使得作用于柔顺中心上的 侧向接触力可以只产生侧向的运动而不伴随角度偏转运动：作用于柔顺中心的力矩可以只 产生绕柔顺中心的转动，而不伴随侧向运动。所以在零件的装配过程中，只要将柔顺中 心置于被插装零件的末端，那么，接触时产生的侧向接触力引起r c c 侧向运动将会补偿零 件配合的角度定位误差，使得装配得以顺利进行。 通用的r c c 装置，通过弹性杆和结构的设计获得所需的剐度和柔顺中心距离，故它的 刚度和柔顺中心是固定的，一般r c c 装置只能装配有倒角的零件，其可补偿的误差范围受 倒角宽度的限制；再者，手腕柔顺结构本身在顺应校正时会产生与初始误差和间隙有关的 恢复力矩，常常导致装配力增加甚至使装配不能顺利进行；r c c 对工作环境的适应性也比 较差，这些都使它的应用范围受到限制。 另类研究方法是为装配运动过程构造一套主动顺应方法，根据传感器读数确定恰当 的机器人运动来保证装配任务的成功执行( l o z a n o ，m a s o n 8 6 及t a y l o r , e r d m a n ，d o n a l d 【6 9 5 3 7 9 1p e s h k i n 2 l 】张卫平【4 7 】) 。机器人装配过程可以表示成物体间接触状态的转移 与改变。不同的接触形式对应了不同的的接触力。由于不确定性，初始接触状态也会具有 不确定性，顺应运动可以看作是从初始接触状态到中间目标状态以至最后目标状态的转变 过程。构造顺应方法，先要在无不确定性情形下，让机器人经由无碰路径来完成装配任务， 形成名义装配方向，在名义路径给定后，一个基于任务的顺应运动用来处理装配操作中的 不确定性，以避免工件间接触力过大并沿修正后的运动方向引导机器人达到最后的装配目 标。基于误差的运动方向确定，可以通过对不确定性所有可能的误差接触状态进行分析， 得到每接触形式对应的接触力特征，再求解实现接触状态转移的机器人运动方向，构成 顺应的力错误修复运动方向映射。 a s a d a f l l 9 】将神经网络方法引入到主动顺应方法的构造中，采用了多层神经网络来表 达输入力和输出速度之间的映射。其神经网络由一个输入层。两个隐含层和一个输出层构 成，输入层为六维力信息，第一个隐含层由阈值单元组成，其输出指示接触是否发生；第 二个隐含层用来分辨具体的接触状态，输出层则产生每个具体接触状态下的输出速度的调 节命令。该网络存在的主要问题是学习样本多，学习速度慢，很难用于实践。 采用主动柔顺的方法，主要困难在于基于误差的运动方向的确定。由于很难把实际装 配环境中的各种不确定因素考虑进去，对不确定性的模型也不一定全面，因此常常会出现 不合理的映射。神经网络的泛化功能虽然对解决这一困难有帮助，但其学习速度慢阻碍了 它的实际应用。 1 6 装配过程的误差状态识别与校正 装配任务通常通过一系列的步骤完成，例如，在轴孔装配中，轴与孔外沿表面相接触， 然后，倒角接触，新的运动将轴的顶部插入孔中，接着，轴与孔的中心对齐，最后，通过 插入步骤将轴插入孔中。通常对误差接触状态进行识别，并产生相应的校正运动，操作中 的每一步都会缩小装配件间的位置误差。在这一操作过程中，存在两个问题，一个是对误 - 差状态的识别，一个是对误差校正路径的规划。 4 圭塑窒望查兰苎主兰垡堡奎 一 一个工件与另一个工件进行装配配合运动的过程中，机械手抓取的工件与环境相接触， 接触状态必须通过安装在机械手末端的传感器感知。由于对于一个给定的接触，可能有多 种输出结枭，因此，对其进行分类和决策是必要的。在大多数以前的工作中，接触状态观 测器以一系列阀值的形式来表示。当测量值超过阀值时，则认为另一种接触状态发生阀 值是简单的，但由于阀值建立在运动命令、抓取件与环境的接触状态特征的基础上，而由 于这些变量本身的不确定性，使阀值难以确定，且缺乏鲁棒性。 解决上述问题的一个方法是将连续控制算法与离散网络相结合。网络之间的过渡是 个由测量和概率决定的决策过程。h a n n a f o r d 及l e e ( 1 9 9 1 ) 【z 4 使用隐含m a r k e r 模型 ( h m m ) 进行状态识别是一种根据统计数据进行决策的方法。他们使用h m m 模型来为在 一个给定操作过程中的力发生顺序建模。尽管该模型对于象装配这样重复进行的操作很有 效，但由于测量力依赖于运动命令及机械手与工件间的相互关系，因此只对固定顺序的装 配任务有效，因为测量力决定于运动命令及机器人与工件之间的相对位置关系。e b e r m a n 8 5 】 提出了一种统计的、基于模型的方法去建立接触状态观测器，以克服基于阀值的方法的缺 点。由于该模型考虑了约束关系，因而克服了h a n n a f o r d 方法的缺点，且能根据几何特征 和运动命令预先给出决策模型。 对在不确定性环境下的接触状态识别，基本上是基于假设一求证的基础上。d e s a i 和 v o l z f 8 7 应用力力矩传感数据；x i a o 和s u i s s 用视觉传感信息去验证接触状态假设：f a r a h a t 、 g r a v e s 、t r i r t k e l 8 9 应用线性编程方法到力力矩检测中以对不同的接触状态进行验证； s p r e n g 9 0 根据运动自由度，使用检测运动以验证接触假设。m i c h a e ls p r e n g 1 8 对多边形物 体在具有不确定性环境下的装配进行了研究，即工件与环境的位置及方向不确定、工件的运 动与命令不完全一致。由于这些不确定性，可能会导致与期望接触不一致的接触发生。因此， 需要一个状况分析器以获得接触信息。分析器应用包括不确定性范围幅值的名义模型，以获 得接触状态假设。对假设的分类建立在测试运动的基础上，即运动的可行性建立在某一假设 正确的基础上。在以上的研究中，问题的关键是如何获得初始接触假设。在一个物体与另 个物体相接触的c 空间中，初始接触假设可以是c 空间中的具有不确定性的接触区域。然而， 对j ：一个可以移动和转动的三维物体，很难给定其c 空间的边界。为避免这样的问题，x i a o 5 4 】 使用了在三维空间根据不确定性将物体放大的方法。m c c a r r a g h e r 3 6 提出动态模型匹配的方 法。其方法是通过建立状态变迁，对于在装配过程中发生的接触力交化建立一个力文档，用 之与实际的接触力信号进行比较，当匹配时，则认为一个状态发生了变化。由于机械手的位 置误差及装配工件的加工误差，约束环境的准确位胃是不可知的，但力和力矩信息可以由安 装在腕部的力传感器得到，该方法在轴孔装配过程中的力和力矩变化中得到了有效的应用， 其装配状态的检测吸仅需要6 i o r e s ，可适应快速装配的需要，但也存在一定的误差。 对丁二接触状态的表示，a m b l e r , p o p p l e s t o n e 及b e l l e s 9 3 9 4 等作出的研究包括： 1 ) 根据接触物体间的拓扑元素关系定义物体间的空间关系；2 ) 根据以上描述定义物体 间的相对关系。在他们的工作中，仅考虑了空间约束中的对等约束，即点一点、边一边、 面一面实际上，并不是所有的符号等式可用这样的方式求解，如点一边、点一点、边一 边。t a y l o r 9 5 发展了a m b l e r 等的工作，考虑了多种不对等约束，如重叠约束。l o z a n o - p e r e z e 8 6 用点边接触表征二维物体点- 面接触表征3 维物体，接触状态由一系列这样的 基本元素构成。d e s a i 8 7 提出了基本接触元素的概念( e c ：e l e m e n tc o n t a e t i o n ) ，并用e c 来构成接触状态( c f ：c o n t a c tf o r m a t i o n ) 。j i n gx i a o 9 2 2 等认为e c 在表征物体时存在冗 余提出用p c ( p r i n c i p l ec o n t a c t ) 来作为接触状态描述的基本元素。 在误差校正方面，e r d m a n 5 3 j 指出，机器人必须在不确定的情况下进行成功的任务规划 和动作。在轴孔装配中，不确定性的原因是传感器及控制的误差。机器人移动物体向目标运 动时，不能精确地控制目标的运动，机器人也不能精确她感知物体的位置或作用在物体上的 蔓二皇堕堡! 盟堡茎墼堕堡茎堡堕皇皂堡至盟堕塑矍翌一 力。尽管存在这些不确定性，机器人必须能够保证任务的成功完成。e r d m a n 应用几何方法进 行运动策略的自动综合，任务按几何目标进行建模，通过位置和力传感器进行目标的识别。 通过计算可以达到目标的运动的几何空间得到成功的运动规划，而不用考虑控制及传感的误 差。 由于装配运动过程可以看成一系列接触状态的变迁，许多研究基于离散事件模型的基础 上。a u s t i n 5 5 指出，由于模型错误及参数的不确定性机械手的速度命令可能是错误的或 次优的。他提出了基于离散事件模型的任务级的自适应算法，用于改变模型的参数。在其文 章中，装配过程被建模成混合动态系统。包括离散和连续部分。混合动态模型有效的表示了 装配任务的离散特性，同时提供了进行故障恢复的较好的结构。混合动态系统提供了一个与 持续时间系统相作用的离散事件系统。离散事件系统是控制器的决策器，并作用于抽象层次。 m c c a r r g h e r 及a s a d a 等 1 0 7 1 0 s 提供了用于装配任务的离散事件控制器综合技术，具有良 好的故障恢复特性。自适应混合动态控制器同时具有故障恢复和自适应的优点，是适用于装 配任务的好方法。 1 7 装配误差及故障监控系统设计 建立装配误差及故障监控系统，可以对作业流程中误差及故障进行诊断和响应，减少系 统中断的次数和时间，提高装配系统的效率。过去装配系统很简单，在大多数情况下，允 许使用直觉的、非正式的方法来构造监控系统。随着自动化、集成化及柔性在自动化制造系 统中的发展，使发展监控系统的正规方法成为必要。 监控系统完成以下三个任务：监控、通讯、调度管理。监控包括：1 ) 通过传感器反馈 监视工作单元的行为；2 ) 根据控制规则及工作单元的行为进行控制决策；3 ) 执行控制任务。 通讯是传感器反馈及控制任务执行的基础，调度管理是一系列与监控及通讯相关的任务，如 数据库管理。监控系统的发展主要是针对制造系统专门的行为以设计新的监控器及控制律。 为发展监控系统，各种技术如专家系统及可控自动机模型、p e t r i 网得到了广泛的研究。 l 、基于离散事件模型的误差及故障监控系统设计方法 所谓基于离散事件模型的设计方法，是指应用离散事件模型的理论，对系统的设计、调 度控制及性能分析进行研究 1 2 3 1 1 2 4 2 9 】。 b r a n d i n 3 2 】、蒋智平等 3 3 】提出了一种基于控制自动机的方法来构造监控系统。它把限 制条件可能影响到的系统状态记录在一个静态知识库中，然后用黑板记录限制条件的动态出 现，从而实现对系统的动态监控。 文 2 6 】 1 0 5 】提出，利用p e t r i 网的动态性可以很好地描述故障现象的动态产生和传播过 程，故障本质上是一种异常行为状态，故障诊断和推理的任务就是分析这些异常行为过程之 间的因果关系找出故障的最终原因。文章提出模糊行为p e t r i 网理论，用模糊行为p e t r i 网 来表示模糊产生式规则，同时利用p e l r i 网的可达性和变迁激活规则进行故障诊断专家系统 的推理，并给出推理结果的可信度。 在调度控制方面，k h c h o 2 4 指出在离散事件动态系统( d e d s ) 中失效和故障是不 同的，失效是指系统元件或功能的完全中止，而故障是可以容忍的。在假设系统监测器可以 记录所有的状态转换及事件产生的前提下，提出了对d e d s 进行故障诊断与识别以找到系统 容锚控制事件顺序的定量方法。 在系统性能分析方面， y o n gec h o o n g 4 2 1 0 3 分析了机器故障对离散事件系统的影 响，但未对系统的自修复进行探讨。s h i n i c h ik i m u r a , 及m a s a t o 1 0 4 等研究了具有自修复 6 =兰堂奎望查兰堕主堂竺堡塞一 能力的机器人装配工作站，并分析了其特点。m s m p a t h 2 9 】对离散事件系统的可诊断性 进行了研究。j i h f o 唱k a o 2 3 】以生产效率为敏感度指标，设计了一种方法，用来判断装 配单元出现故障时，是重新开始，或是通过其它路线继续进行。 2 、基于人工智能的误差及故障监控系统设计方法 所谓基于人工智能的误差及故障监控系统设计方法，是指建立基于规则的控制和调节 系统 3 4 】。由于对于每个故障都有故障恢复的要求，因而每个故障区有一个在操作过程中 建立的搜索树，知识库由此建立以提高工作单元适应未曾预见故障的能力。对于未知故障， 规则的增加包括采集进一步的传感器数据以确定故障原因，或要求操作者进行一些输入操 作【1 2 2 1 【1 2 3 1 2 4 1 。 丛明等f 7 3 】将概率的方法应用到故障推理中，其方法是采用概率方法建立故障分析模 型，建立故障树，以表示系统的故障机理及其传播机理。他以录象机芯自动装配线为研究 对象，分析了自动装配线故障模式、故障机理，提出故障分析模型和故障诊断方法，并给 出故障诊断实例。 l u i s 4 0 将知识学习应用到监控系统中，他提出了一个对机器人装配任务进行监控的通 用结构。该结构在不同层次上进行抽象对任务进行发送、监视其执行、对故障进行诊断 和浃复。对故障的分类及相关的原因分析在诊断和恢复中占有重要的地位。通过使用机器 学习技术，监控结构能够改进其能力。 史天运等【1 1 4 】构造了一个状态综合监测识别专家系统，它由状态综合监测识别知识 库、推理机、数据库、知识库管理模块，故障信息通讯模块构成，是一个自动推理专家系 统，无需人工干预，采用前向推理技术，其输入信号来源是上述三方面信息的检测结果， 肖至少一种发现状态异常自动调用状态综合监测识别知识库，启动监测识别推理模块进 行多方面信息融合，发现故障及时屏幕提示、并立即报警且通过故障信息通讯模块将故障 类型及故障等级送往f m s 主控器采取相应措施。故障等级分为：( 1 ) 致命故障：( 2 ) 严重 故障：( 3 ) 较轻故障；( 4 ) 微小故障4 种。对能够具体定位的故障可直接给出维修措施， 对无法精确定位的故障则停机后离线检测精密诊断。文 7 5 】及【4 0 】也进行了类似的工作。 为了使自动装配系统真正有效，应该使系统能自动进行故障恢复。但是，目前在这一 领域的研究还集中在故障诊断方面，对于故障恢复方面有实际应用的不多。有许多带有故 障恢复功能的机器人工作单元的描述，然而，大多数的研究者集中于他们系统特征的描述， 而不是具体的技术应用。此外，在大多数的应用中，故障恢复的应用很有限。 g i n i f l 2 4 构造了一个方法，即所谓的机器人工作单元的“增补程序”。该方法建立在“操 作层”上，针对某一装配任务，增加检查点、互锁点及其它特征以进行故障识别与修复。 当故障发生时，程序转至故障修复程序，以使装配能继续进行下去。该程序已经在工件抓 取及放置的机器人工作单元中得到了应用。g i n i 的研究的一个缺点是其不能说明故障诊断 如何作出。其方法是采用“故障字典”的方式，故障被认为是可预测的，系统中的传感器 可以测量得与记忆库中相匹配的故障信息。当故障诊断完成后，则进行故障恢复，该工作 提到了“通用策略”，并对故障类型进行了分类，但其基于可预测故障的基础上，其方法是 移开当前的装配工件，要求操作者取走障碍物，抓取替代工件，重复进行上一步的操作。 虽然这种固定的响应方式在其实验中证明有效，但对于复杂的工作环境缺乏柔性。 l e e 等 1 2 3 】也对机器人工作单元的故障恢复进行了研究。其工作主要集中在传感器监测 及软件结构上。其建立了一个叫“a f f i r m ( a b e r y s t w y t hf r a m e w o r kf o rl n d u s l r i a | r o b o t m o n i t o r i n g ) ”的软件结构。a f f i r m 设