封焊机的自动上料机构设计[含机械手手爪]【含CAD图纸+PDF图】
收藏
资源目录
压缩包内文档预览：
编号：118654919
类型：共享资源
大小：1.40MB
格式：ZIP
上传时间：2021-03-24
上传人：好资料QQ****51605
认证信息
个人认证
孙**（实名认证）
江苏
IP属地：江苏
45
积分
- 关 键 词：
-
含机械手手爪
封焊机
自动
机构
设计
机械手
手爪
CAD
图纸
PDF
- 资源描述：
-
喜欢这套资料就充值下载吧。。。资源目录里展示的都可在线预览哦。。。下载后都有，，请放心下载，，文件全都包含在内，，【有疑问咨询QQ:1064457796 或 1304139763】
- 内容简介：
-
混合位置/力控制SCORBOT-ER4支机械手与神经网络的非线性补偿Piotr Gierlak热舒夫科技大学，应用力学与机器人系8 Powstancow Warszawy街，波兰，35-959 R.pl摘要。机械手的混合位置/力控制的问题，机械手是不平凡的，因为是一个非线性的对象，其参数可能是未知的，变量和工作条件多变。神经网络控制系统，使机械手的行为正确，即使在控制对象的数学模型是未知的。在本文中，混合位置/力控制与神经的SCORBOT-ER4PC机器人的非线性补偿操纵器呈现。所提出的控制律和自适应律保证在意义上的实际的闭环系统稳定李雅普诺夫。进行了数值模拟的结果。关键词：神经网络，机器手，跟踪控制，力控制。1 引言 机器人找到不同的应用在许多领域的设备经济。有关的运动精度和要求机械手的自主性不断增加以及他们所执行的任务，更多，更复杂。在当代工业应用中，它是所需机械手施加指定的部队，沿着规定的路径。机械手是对象的非线性和不确定性的动态，未知可变参数（质量，转动惯量，摩擦系数），在多变的条件下工作。这种复杂系统的控制是非常有问题的。该控制系统具有产生这种控制信号，将保证用适当的力沿路径运动的执行和的更换操作条件下，保证所需的精度。在控制系统，工业机械手，计算力矩法1,2使用非线性补偿。然而，这些方法需要精确的数学模型（知识结构的运动方程的系数）的控制对象。此外，在这样的的方法，在补偿参数的标称值，由此来实现控制系统的作用，没有考虑到更换操作条件。在文献算法存在着许多变化，其中参数适应机械手的数学模型1,2。然而，这些方法不消除不确定性的模型与结构问题。与目前的困难，神经网络控制技术3,4,5,6。在这些方法中的数学模型是不必要的。这些技术用于混合位置/力控制。在作品等7,8控制器已提交。但是，在第一次的作品，只会迫使正常的同时考虑到接触表面，在所述第二工作部分假设在实际应用中难以满足，即一些刚度矩阵其中环境和特点的功能，可以计算接触力，必须是已知的。上作者的论文，被认为只有位置控制器。在本文混合位置/力神经网络控制器。这种方法考虑到最终作用于所有的力/力矩。这些位于端部执行器由传感器测量的力/力矩。2 描述的SCORBOT-ER4PC机器人机械手示于图SCORBOT-ER4支机械臂。1。它的驱动直流齿轮电机和光学编码器。机械手有5个对旋转运动：手臂的机器人有3个自由度而夹持器有2个度。图。1。一）SCORBOT-ER4支机械手，B）计划从关节空间直角坐标空间的变换是由以下方程： y = k(q) (1) 其中，qRn为广义坐标（链接的旋转角度）的载体，K（Q）是一个运动学函数，YRm是一个的位置/方向的矢量端部执行器（D点）。动力运动方程的分析模型在下面的表格79：M(q)q+ C(q, q)q + F(q) + G(q) + d(t) = u + JTh (q) + F (2) 其中M（q）Rnxn是惯性矩阵，C（Q，Q）Rn是一个向量的离心科氏力/力矩，F（Q）Rn是摩擦向量，G（Q）RN一个重力矢量，d（T）Rn是一个向量扰动界| |d| | 0，URn是控制输入向量，JH（Q）Rm1xn是一个雅可比矩阵与接触面的几何形状相关联的，RM1是一个向量的约束施加的力通常在接触表面上（拉格朗日乘数），FRn是一个矢量，力/力矩的关节，来自力/力矩FE室施加到端部执行器（除约束力）。的矢量F是由下式给出： F = JbT (q)FE （3)JB（q）的Rmxn在体内是一个几何的雅可比矩阵2。雅可比矩阵可以以下列方式计算Jh的（q） Jh(q) =h(q)/q (4)其中，h（q）的=0是一个完整约束方程，它描述了的接触表面。这个等式的自由度的数量减少n1的=正 - M1，因此，可以通过以下进行说明的分析系统的减少位置变量1RN17。变量的其余部分在下面的依赖于1方法： 2 = (1) (5)2RM1，和产生的完整约束。的载体广义坐标可以被写为q =T1T2 T。让我们定义扩展雅可比矩阵7 （6）在那里输入1身份矩阵Rn1xn1。这使得写的关系： (7） (8)并写了降阶动态的1，如： (9) 其中预乘式（9）由LT（），并考虑到，降阶动力学计算公式如下： (10)3 神经网络混合控制一个混合位置/力控制的目的，是按照所需的轨迹运动，并产生期望的接触力，令吉正常表面。通过定义运动误差E，过滤的运动误差，力的错误和一个辅助信号1为： (11) (12) (13) (14)其中，是正对角设计矩阵的动力学方程（10）可以是写在过滤的运动误差 (15)与一个非线性函数 (16)其中。数学结构混合位置/力控制器具有7的一种形式 (17)KD和KF为正定矩阵的位置和力的增益，是鲁棒控制的术语中，函数f（x）近似的功能（16）。此功能可近似由神经网络。在这项工作中一个典型的前馈假定具有一个隐藏层的神经网络（图2b）。隐藏层使用S形曲线的神经元，与输入层的连接权重收集中的矩阵D，并与输出层的权重矩阵W中收集输入权重随机选择和恒定，但输出的权重最初是等于零，并且将适配过程期间被调谐。这种神经网络中的权重是线性的，并具有以下的说明中，3,4： (18)与输出从隐藏层的，其中，x是输入向量，神经元的激活函数是一个向量，是一个估计误差界| | 0。矩阵W是未知的，所以估计W是使用一个真正的神经网络的数学描述，这近似函数f（x）由下式给出 (19)图。 2。a）计划的闭环系统,B）神经网络代入方程（18），（18）和（19）代入（15），我们获得了描述的闭环系统（图2a），在过滤的运动误差条款 (20)其中 = W - 是重量估计错误的。为了获得一个适应的权重和法律的鲁棒控制长期v，Lyapunov稳定性理论的应用。定义Lyapunov函数候选，这是一个二次形式的经滤波的运动误差和重量估计错误4 (21)其中W是一个对角的设计矩阵，TR（）表示矩阵的痕迹。的时间衍生物的沿的解决方案的函数V（20）是 (22)M - 2V的斜对称矩阵的属性。定义一个自适应律的重量估计为7 (23)具有k 0，并选择鲁棒控制期限的形式 (24)功能（22）可写为 (25)功能0，如果两个下列条件中的至少一个将满足 (26) (27)其中KDmin是最小奇异值的KD，| | W| | FWmax，| |，| | F表示Frobenius范数。该结果意味着，该函数V是负的，外一个紧凑的定义的集合（26）和（27）。根据一个标准的Lyapunov定理扩展10，既| | LS| |和| |W| | F是一致最终有界设置s和W的实际限制，BS和BW。自适应律（23）保证重量估计会在没有持续性的激励条件的约束。为了证明，武力错误是有限的，我们写式（9）过滤的运动误差方面，考虑到（17），（18），（19）和（24）。转换后，我们得到 (28)所有量的右手边是有界的。预乘式（28）JH和计算力误差，我们得到： (29) 在那里Jh是奇异的。这一结果意味着，力误差是有界的，和可以减小通过增加力增益KF4 仿真结果 为了证实所提出的混合控制系统的行为，模拟进行。我们假设，在接触表面是平坦的，粗糙和xy平面平行。端部执行器是正常的接触表面，移动在该表面上的所需的圆形路径（图3a），并施加规定的力（图3b）。在一个联合的空间所需的轨迹（图3c），得到解决的逆运动学问题。 五个简单的非线性补偿问题已经腐烂任务。对于每一个环节的控制，用一个单一的输出是一个单独的神经网络使用。神经网络具有相应的11，10，10，12和4个输入。神经网络链接1-4有15个神经元，并链接5中隐藏的有9个神经元层。输入的权重是随机选择的范围。 “设计矩阵被选择为：=诊断KD一diag1，1，1，1，1，1，1，1，1，W=4I，我是单位矩阵与合适的尺寸，而且KF= 3，K = 0.1。在控制器中，只把结果为第二连杆在本文中。在开始的运动，代偿性信号f2（2）（图4b）所产生的补偿器是不准确的，因为初始重量估计被设置为零。的信号UPD2（图4b）所产生的SCORBOT-ER4支机械手的混合位置/力控制图。 3。a）该端部执行器，b）将所需的力所需的修补，c）在所需的在一个共同的空间的轨迹图。4。控制输入的第二个环节：一）U2 - 总量控制信号，2 - 鲁棒控制项，uF2上的术语JT - 第二个元素,b) 第二元件的的PD术语KDLs，的代偿性信号PD控制器开始时，大多数的含义，进而影响的PD信号的运动过程中减小，因为重量估计适应，和补偿的信号增加的含义。信号uF2上（图4a），这将导致从“武力”控制，采取的重要组成部分。总量控制信号U2（图4a）。鲁棒控制术语2（图4a）相关联与干摩擦力的存在下，T =（图5a），其中，= 0.2是一个摩擦系数。一定的的力误差（图5b）。在理论上的考虑，有时被忽视的摩擦力，在实际应用中被视为干扰。但是，在这种方法中控制质量较差。在初始运动阶段的运动误差的最高值，所以| | LS| |（图6a）具有最高的值。此后，它是减少在适应的重量估计的（图6b）。根据中提出的理论纸，重量估计有界。图。 5。一）施加力正常和T=切向接触表面，b）将力误差图。图。 6。一）| | Ls的|，B）的重量估计的神经网络与第二链接5 结论在控制系统中的所有信号有界的，所以控制系统是稳定的。此外，运动误差减少在运动过程中。数值计算的混合控制系统的质量，我们用均方根的错误，定义为：其中K =0.0363rad/ s,=0.0439rad/s=0.0667N是一个数的样品。以比较神经元混合控制zi自适应混合控制技术，控制器在相同的工作条件下进行了测试。这样的控制器是基于数学模型的机械手。自适应控制器的测试在建模误差的情况下，模型的干摩擦的关节控制器中的省略结构。在这种情况下，我们取得S=0.0439弧度/秒和=0.0671N。这些指数显示，神经元混合控制器是更好的的自适应混合动力相比，控制器控制对象的模型是不为人所熟知。致谢。这项研究的框架内研究，实现项目编号U-8313/DS/M。在项目POPW.01.03.00-18-012 /仪器/设备购买从结构基金09，波兰东部发展的经营计划共同资助由欧洲联盟，欧洲区域发展基金。参考文献1。 Canudas，C. de Wit的，西西里，B.，巴斯丁，G.：机器人控制理论。施普林格，伦敦（1996）2。 K.，Tchon，马祖尔，A.，Duleba，I.，霍萨，R.，R. Muszynski：机械臂及移动机器人：模型，movenent的规划和控制。 AOW PLJ，华沙（2000年）（波兰语）3。 Gierlak，P.，Zylski，W.：机械手的跟踪控制。 ：方法与模型在自动化和机器人，第一卷。 14日，第1部分（2009年），国际会计师联合会4。刘易斯，FL，刘，K.，Yesildirek，A.：神经网络机器人控制器的保证跟踪性能。 IEEE跨。神经网络，以0.5公顷网格可得最少数的（1995）5。 Zalzala，AMS，莫里斯，AS：用于机械手控制的神经网络。埃利斯霍伍德（1996）6。 Zylski，W.，Gierlak，P.：验证的多层神经网络控制器在机械手跟踪控制。反式脂肪。科技刊物。固态现象164，2983-2987（2010）7。刘易斯，FL，贾甘纳坦，S.，Yesildirek，A.控制的机器人非
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号