【《某自动上下料装置的末端执行器运动空间优化案例分析》3800字】

参考文献某自动上下料装置的末端执行器运动空间优化案例分析目录TOC\o"1-3"\h\u20363某自动上下料装置的末端执行器运动空间优化案例分析 1217941.1引言 1168731.2上下料工业机器人轨迹描述 2304321.3上下料装置工作空间优化 5190181.3.1粒子群算法介绍 532171.3.2运动空间约束条件 755941.3.3粒子群优化过程 7144811.3.4蒙特卡洛法可视化 9184051.1.1B样条曲线的性质特点 11230291.1.2建立五次B样条曲线 111.1引言工业机器人的末端执行器作为对零件进行直接抓取进行加工的机器人重要组成部分，它的行动轨迹直接关系到零件的加工质量，所以对末端执行器在加工过程中的运动轨迹进行优化处理至关重要。通过利用一些优化算法对机器人末端执行器的行动轨迹进行优化可缩短加工时间和使加工过程不会出现多余的震颤，进而提高加工精度。轨迹优化可以对原有轨迹的性能进行优化，使得工业机器人的运动过程更加平稳，轨迹优化不仅可以缩短加工时间，并且可以减少能量的消耗和减轻加工中的冲击。根据规划方法的不同可将轨迹优化分为以下两点：一是在已有的轨迹优化算法下将其进行改进，二是将轨迹直接进行优化，可以使得各关节的耗能、运行时间和冲击等明显的降低。在轨迹的优化中，一些优化算法的引入也是我们对轨迹研究的主要内容。在轨迹规划方法中，一般情况下我们在笛卡尔空间下对工业机器人进行轨迹规划。在笛卡尔空间下，我们可以利用较少的步骤对行动轨迹进行规划，并且可以更加直观的得出规划的轨迹，但其对关节的相关变量的计算量较大。相比较而言，关节空间规划需要进行的计算步骤较多，但无需考虑奇异问题，计算量较小，但不能直观的表现出轨迹的规划过程与结果。因此在轨迹规划中大多数学者选择关节空间进行规划。在关节空间的轨迹规划中，有需考虑末端路径的起始点到终止点的行进路径规划，还有3、5次多项式插值和高次多项式插值等方法[35]。除此之外还有一些如3次B样条插值和5次B样条插值等改进算法，可以适应各种各样的加工工况。1.2上下料工业机器人轨迹描述本文研究的是CNC车床加工对表壳零件进行打磨抛光的上下料工业机器人，对于表壳的材料而言，大多数为金属材料其表面在未加工的情况下较为粗糙，通过CNC车床配合相应的刀具对其表面进行粗加工，去除表面的多余的部分，在配合抛光加工工具对表壳进行精加工。CNC车床的加工场地与加工零件如图4-1和4-2所示。图4-1单圆壳外表壳实物图4-2CNC车床加工实景图Fig.4-1PhysicalappearanceofsingleroundshellFig.4-2CNClathemachiningpicture本文中选用夹持类末端执行器对表壳进行抓取，并对其的上下料过程和零件换取过程进行轨迹优化。图4-3单圆壳表壳三维模型Fig.4-3Singleroundshellcase3dmodel上下料工业机器人的末端抓手的卡盘与待加工的零件始末位置可知，机械手的目标轨迹与配料盘和CNC车床的加工中心位置有关。表4-1上下料装置的关键点数据Tab.4-1Keypointdataofloadingandunloadingdevice关键点上下料装置末端执行器位置和位姿QUOTEx620.4520.4580.33-80.0210.23590.75520.4320.4580.24-80.0210.22585.05520.5220.4565.23-80.0210.225100.215450.2520.4545.12-100.2515.43780.12425.7020.4560.23-110.3521.731100.125230.6520.4545.12-105.4521.73195.257225.5620.4520.45-125.1321.182110.25215.4520.4516.23-115.2220.61102.125表4-2上下料装置关键点的角度值Tab.4-2Anglevalueofkeypointofloadingandunloadingdevice关键点关节角度0.62150.9542.1512.51242.8544-1.33120.61450.95642.165-1.33652.8451-1.35410.55120.97122.135-2.74512.7451-1.23140.52250.98452.115-3.12352.91520.24410.61250.97122.135-2.47120.78411.12130.60230.96652.1892.55470.55211.21140.55160.9452.135-2.95121.78250.74120.66120.97802.147-2.54121.65640.1415图4-4自动上下料装置运动轨迹Fig.4-4movementtrackofautomaticloadingandunloadingdevice图4-5自动上下料装置运动特征曲线Fig.4-5motioncharacteristiccurveofautomaticloadingandunloadingdevice1.3上下料装置工作空间优化1.3.1粒子群算法介绍1995年由J.肯尼迪和R.C.埃伯哈特等人提出了一种按照飞鸟寻找食物的过程为样本进行模拟的智能算法，称为粒子群算法（ParticleSwarmOptimization,PSO），该算法不仅需要对个体进行研究还需要对群体特性进行研究，并可以在忽略个体重量和形状特性的情况下对运动特性进行分析[53-55]。我们在通过将鸟群寻找食物的过程和人类的觅食过程进行对比可以发现两者之间有很大的共同性，在寻找食物的过程中鸟群也会进行共享食物信息，我们将这部分信息作为群体因素[56]。在寻找食物的过程中鸟类会在考虑自身的飞行速度和自身体力等自身因素和群体共享的信息对觅食路线进行选择。我们可以进一步通过对两个影响因素的比重对整体选择做出调整。粒子群算法的基本步骤为，对于群体中的个体进行评估，将对环境的适应情况较好的个体，转移到指定的备选区间，下一步对粒子进行初始化处理，我们给予每一个粒子相应的初始速度，接下来就是粒子根据环境和自身条件进行相应的速度和位置改变，设为第i个微粒所在的历史的最优解，为整个群体粒子在整个运动历史位置中最能满足条件的最优解[57]，记xi为粒子i的当前位置，速度用vi来表示。粒子i的速度更新公式为（4-1）公式（4-1）中为个体部分，为群体部分。粒子群（PSO）算法的基本流程如图4-6、图4-7所示。图4-6PSO算法速度更新方程图4-7粒子群算法流程图Fig.4-6PSOalgorithmspeedupdateequationcompositionFig.4-7PSOalgorithmflow我们利用PSO粒子群算法对上下料机器人的各关节的工作空间进行寻优处理，我们运用上文计算的关节运动方程作为约束目标函数进行PSO迭代优化，基于PSO粒子群算法的工业机器人的运动轨迹规划流程如图4-8所示。图4-8基于PSO粒子群算法的最优轨迹规划流程Fig.4-8PSOparticleswarmoptimizationbasedoptimaltrajectoryplanningprocess1.3.2运动空间约束条件根据上文中的D-H表得到的各关节正逆运动解作为目标函数，由第二章的CNC车床基本尺寸可以得出该机械臂需要在一个520×500×500的立体加工空间内完成送料、上料和下料的完整过程，在确保机械臂不与CNC车床的箱体和各关节的运动过程不会发生干涉现象，需要确定各关节的运动角度和运动距离，各角度范围为，，，运动距离范围为，，。将上述范围作为运动约束条件，引用粒子群（PSO）算法作为智能优化算法，对加工空间进行优化，可以将自动上下料装置的运动空间限制在特定的加工空间内。1.3.3粒子群优化过程由于上文中得到的相关关节的运动目标函数，结合相应的约束条件与加工工况和精度要求得出相应的粒子群（PSO）算法参数表如表4-2所示为下文的优化过程做出铺垫。按照所选择的粒子群参数借助Matlab软件，以各关节的运动函数作为限制条件，利用粒子群算法的迭代计算得出各关节可行的运动空间，并得到其运动空间云图如图4-9所示。(a)(b)(c)(d)(e)(f)图4-9各关节迭代状态图Fig.4-9iterationstatediagram上图4-9为各关节在粒子群算法迭代寻优的结果下求得的最大空间点的可视化结果，并得出各关节的迭代效果图如图4-10所示。图4-10各关节迭代效果图Fig.4-10iterativeeffectofeachjoint如上图4-10所示得到四个关节的迭代效果图，迭代的效果较为平稳，通过对各关节运用粒子群算法的工作空间优化所得的结果如表4-3。表4-3迭代计算各关节参数表Tab.4-3parametertableofeachjointiniterativecalculation关节参数迭代优化值未优化工作空间1.570.44603.162232.51.3.4蒙特卡洛法可视化蒙特卡洛法又称计算机随机模拟算法，是一种基于随机选择数进行的模拟数算法[58]，本文将上面优化的相关结果，是利用概率模型结合随机抽样的方法得到各种概率分布抽样，并建立各种估计值[59-60]。具体算法流程如下：在已知的机械手matlab仿真模型基础上设置给关节的参数限制。随机获取在参数限制范围内的3000个点作为示范随机分布的情况。各关节分别随机取得范围内参数。在Matlabrobotic toolbox工具箱的模拟仿真情况下按照获得的随机参数进行动画演示并且画出范围内选取的相关点。结合上文中利用PSO粒子群算法对关节空间的优化和通过Matlabrobotic toolbox工具箱仿真得出如下图4-11仿真过程。图4-11蒙特卡洛法可视化流程图Fig.4-11visualizationflowchartofMonteCarlomethod借助Matlab软件对仿真的结果进行一个可视化处理并且将未优化的工作空间与已优化的加工空间作比较，可以很明显的得出粒子群算法可以有效的优化相关的加工空间。优化前与优化后的工作空间仿真图如图4-12所示。（a）优化前（b）优化后图4-12机械手工作空间仿真图Fig.4-12manipulatorworkspacesimulationdiagram由上图4-12优化前后的加工空间可以清楚的看出，利用粒子群算法对上下料工业机器人的加工空间进行优化可将原本分散的加工空间缩小固定在一定的加工空间内，可以很好的解决CNC车床加工空间小的问题。1.1.1B样条曲线的性质特点B样条曲线是贝兹曲线的一种进化版本，该曲线有在保存原有的曲线优势基础上，引入了控制顶点可以增加曲线的可控性，大大缩短了曲线的运算时间。并使得该曲线更符合工业机器人的运动形式模拟。（1）B样条曲线的构建形式为：（4-1）公式（4-1）中，为B样条曲线的控制顶点，表示时刻的型值点，、是B样条的基函数：（4-2）由于在运动方程中需要对原本的轨迹方程进行求导数处理得到工业机器人的各行动关节的角速度和加速度以及加加速度等。故得到各阶的导函数为：上式中k为k次B样条，z为z阶导数。1.1.2建立五次B样条曲线对五次B样条曲线的构建条件需要我们在已知B样条曲线的次数情况下，我们需要对五次B样条曲线的控制顶点和各节点上的方向矢量进行进一步研究[61]，在针对上下料机械臂的研究中我们需要确保自动上下料装置的起始点和终止点与五次B样条曲线模拟曲线的起始点和终止点相互重合，故我们需要n+5个控制顶点对整条曲线进行拟合，并需要的重复度为6。我们可以得到五次B样条曲线的累计弦长归一化后的方程为：（4-3）并