一种多因素影响下工业机器人绝对定位误差预测补偿方法

专利主权项内容

1.一种多因素影响下工业机器人绝对定位误差预测补偿方法，其特征在于，包括如下步骤：步骤1：将机器人加工环境根据加工范围分为准备区、过渡区以及工作区，准备区为工件或者加工末端的放置区，过渡区为机械臂从准备区前往工位进行加工的区域，工作区为工件加工的区域；步骤2：获取工业机器人末端的理论位置和实际位置；机器人末端的理论位置由正运动学获取，其中，P为机器人末端点在基坐标系下的理论空间位置P(x, y, z)，/>为从基坐标系开始到机器人末端关节坐标系之间的总变换矩阵；/>为末端关节坐标系与工具坐标系之间的变换矩阵，P为末端点在工具坐标系下的空间位置；basetool机器人末端的实际位置的获取：首先，获取末端关节坐标系与工具坐标系之间的转换关系，然后，机器人基坐标系与仪器坐标器的转化关系计算出机器人的实际基座标系，通过机器人的实际基座标系获取机器人末端的实际位置；步骤3：基于轮盘赌法选择的动态粒子群算法实现机器人的运动学参数进行标定；令e＝P-P＝(x-x, y-y, z-z)为工业机器人工具末端实际位置与理论位置的误差，P(x, y, z)为工业机器人工具末端理论位置，P(x, y, z)为工业机器人工具末端实际位置；rrrrrrrr设定初始值范围得到粒子群，个体初始值为所有几何参数的误差，将所有误差与机器人的几何参数理论值进行叠加后进行正运动学计算得到工具末端的理论位置，建立目标函数F；式中，F为目标函数，(x, y, z)为机器人工具末端的理论位置，(x, y, z)为机器人工具末端的实际位置；iiiririri所有粒子根据当前个体极值和当前全局最优值更新速度和位置；式中，v为粒子当前的速度，x为当前粒子的具体值；p为粒子当前的最优值，g为粒子群中的全局最优值，c和c为学习因子，rand()为[0, 1]之间的随机数，ω为惯性因子，T为最大迭代次数，T为当前迭代次数，ω为初始惯性权值，ω为迭代至最大迭代次数时的惯性权值；iibb12maxiniend在每迭代N次后，对种群中的粒子按照轮盘赌法选择合适数量的种群进行下一轮迭代；最终迭代后得到机器人的几何误差参数，将其补偿至机器人理论几何参数，得到机器人实际几何参数；步骤4：基于反距离加权法结合误差变化趋势的复合算法利用定位误差的相似性插值得到任意空间点位置误差；通过分层采样法获取空间点的位置，空间点的距离从准备区、过渡区和工作区依次减小，通过数个空间点建立一个方形空间，方形空间的8个顶点为已知空间点P(x, y)(i＝1, 2, …, 8)；iii首先，计算目标点P到8个已知点的距离d(i＝1, 2, …, 8)，计算已知空间点权重w为已知点权重的权重，d为目标点到已知空间点的距离；iii然后，利用误差变化加权法采用空间网格作为插值空间，将空间网格中的点两两相连，再确定不同直线上各个方向误差的变化规律；规定在同一条空间直线上误差总是由数值较小的一点指向数值较大的一点，并用箭头表征；每个点都存在共四个箭头指向或者背离，并对所有点的进行权重赋值，规定若有箭头指向该点，则将其标注为得分+1，背离点则得分为0，统计得到所有空间的得分集合S＝{s1, s2, s3, s4, s5, s6, s7, s8}，每个元素得分最高4分，最低0分，每个点误差的得分权重将误差变化加权法得到的X、Y、Z方向误差得分权重与IDW算法得到权重值进行融合：式中，ρ为某一方向最终的误差权重值，n和n为融合系数，w为IDW算法得到权重值，σ为EDW获取的某一方向的误差；i12ii目标点某一方向的误差式中，e为第i个顶点的某一方向的误差值，e为预测得到的目标点某一方向的空间误差；i获取X、Y、Z三方向的误差e、e、e；通过预测目标位置的定位误差并进行补偿，此时通过逆运动学可以得到机械臂各个关节角所需转动的关节角度值。xyz