CN109794935A - 基于神经网络分析的装配过程力与力矩预测系统及方法 - Google Patents
基于神经网络分析的装配过程力与力矩预测系统及方法 Download PDFInfo
- Publication number
- CN109794935A CN109794935A CN201910018178.1A CN201910018178A CN109794935A CN 109794935 A CN109794935 A CN 109794935A CN 201910018178 A CN201910018178 A CN 201910018178A CN 109794935 A CN109794935 A CN 109794935A
- Authority
- CN
- China
- Prior art keywords
- data
- axis
- torque
- neural network
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明公开一种基于神经网络分析的装配过程力与力矩预测系统及方法,通过建立精确的数学模型,继而通过收集的数据对参数进行求解,将采集不同条件下的数据对用来训练神经网络模型并建立其映射关系,最终实现精确预测力与力矩。有益效果:可以通过分析未装配状态的装配端受影响情况,再在装配状态中引入之前分析的受影响情况,就能得到实际的接触力/力矩数据,有效去除干扰数据,装配的控制精度大大提高。
Description
技术领域
本发明涉及装配机器人控制技术领域,具体的说,涉及一种基于神经网络 分析的装配过程力与力矩预测系统及方法。
背景技术
出于全自动装配的考虑,装配过程中机器人的控制是否精确直接影响装配 结果,而机器人力和力矩的参数准确性是精确控制的必要条件,由于装配时负 载重力、安装误差等扰动,使机器人控制所需要的实际力和力矩难以准确计算, 就需要对接触力和力矩进行预测,其预测结果可作为实际控制的重要参考,则 预测精度越高,实际控制的装配效果越好。
机器人装配端安装的六维力传感器测得的力与力矩数据由三部分造成,即: 传感器自身系统误差、装配负载重力作用、装配负载所受外部接触力,若要得 到装配负载所受外部接触力,即实际控制所需要的力,就需要消除传感器系统 误差和装配负载重力作用的影响。
如下公式所示:
可以看出,装配过程的接触力(Fcx、Fcy、Fcz)是力传感器测量值(Fx、Fy、Fz)减去负载重力带来的影响(Gx、Gy、Gz),以及传感器自身带来的误差(Fx0、 Fy0、Fz0),力矩也存在类似问题。
接触力的精确感知问题可以归结为,求取机器人末端位姿和接触力的映射 关系问题。
发明内容
针对上述背景所存在的问题,本发明提出了一种基于神经网络分析的装配 过程力与力矩预测系统及方法,通过建立精确的数学模型,继而通过收集的数 据对参数进行求解,将采集不同条件下的数据对用来训练神经网络模型并建立 其映射关系,最终实现精确预测力与力矩。
为达到上述目的,本发明采用的具体技术方案如下:
一种基于神经网络分析的装配过程力与力矩预测系统,包括装配机器人, 该装配机器人的装配端设置有姿态传感器和力传感器,所述姿态传感器用于检 测装配端的三轴位姿参数I1,所述力传感器用于检测装配端的三轴接触力数据 I2、三轴力矩数据I3;
还包括预测机构,所述预测机构的数据输入端组连接所述姿态传感器的输 出端和所述力传感器的输出端,所述预测机构的数据输出端组连接有装配机器 人控制机构的数据输入端组。
对于装配端受重力和误差造成的影响,实际在未装配状态和装配状态两种 过程中是几乎一致的,因此可以通过分析未装配状态的装配端受影响情况,再 在装配状态中引入之前分析的受影响情况,就能得到实际的接触力/力矩数据, 有效去除干扰数据,装配的控制精度大大提高;
上述未装配状态是指装配端已经连上装配件但装配件还未与装配目标接触 的过程,则装配状态指装配件开始与装配目标接触直到装配完成的过程。
进一步设计,所述预测机构包括静态位姿与力/力矩关系映射模块、动态实 际接触力/力矩数据计算模块、处理模块、数据存储模块,所述处理模块分别与 静态位姿与力/力矩关系映射模块、动态实际接触力/力矩数据计算模块、数据存 储模块连接。
通过上述设计,静态位姿与力/力矩关系映射模块预先分析未装配状态的装 配端受力情况,以此来建立映射关系,由于此时装配件还未接触装配目标,则 此时装配端所检测得到的三轴接触力数据I2a、三轴力矩数据I3a就是完全受重力 和自身误差所影响的力数据,将此时的三轴位姿参数I1a与三轴接触力数据I2a、 三轴力矩数据I3a建立关系,就能获知重力加上自身误差对装配端姿态的影响;
该影响在装配状态时会继续存在,也就能通过静态位姿与力/力矩关系映射 模块获知装配时的装配端姿态受的影响,再由动态实际接触力/力矩数据计算模 块将三轴接触力数据I2b、三轴力矩数据I3b对应扣除该影响,就能得到准确的实 际接触力/力矩数据I5,从而为更精准控制机器人动作提供数据支撑。
更进一步设计,所述静态位姿与力/力矩关系映射模块设置有BP神经网络 模型,其输入层为3个输入节点,输出层为6个输出节点。
BP神经网络能很好地建立数据之间的映射关系,一旦神经网络训练完成, 就能通过输入层的输入数据直接得到输出层的输出结果,由于三轴位姿参数I1为3个参数值,因此BP神经网络的输入层只需设置为3个输入节点,而三轴接 触力数据I2、三轴力矩数据I3共有6个参数值,则输出层需要设置为6个输出 节点,每个节点与各参数值一一对应。
一种基于神经网络分析的装配过程力与力矩预测方法:
步骤一,静态位姿与力/力矩关系映射模块建立装配机器人装配端的静态位 姿与力/力矩关系映射模型,该静态位姿与力/力矩关系映射模型通过BP神经网 络得出:装配机器人装配端的三轴位姿参数I1与重力影响的力/力矩数据I4之间 的关系;
其中,所述重力影响的力/力矩数据I4包括装配端的三轴重力影响力和三轴 重力影响力矩;
步骤二,装配过程中,处理模块实时接收装配机器人装配端动态的三轴位 姿参数I1b、三轴接触力数据I2b、三轴力矩数据I3b;
步骤三,处理模块将步骤二的动态的三轴位姿参数I1b输入到静态位姿与力/ 力矩关系映射模块,获得动态的重力影响的力/力矩数据I4b;
步骤四,处理模块将步骤三得到的动态的重力影响的力/力矩数据I4b与步骤 二的三轴接触力数据I2b、三轴力矩数据I3b输入到动态实际接触力/力矩数据计算 模块,得到装配端的实际接触力/力矩数据I5,该实际接触力/力矩数据I5即为预 测结果。
由于未装配状态的受力影响是包括重力和自身误差两种因素的,因此,实 际上静态位姿与力/力矩关系映射模型得到的映射关系是位姿与(重力+误差)的 关系,上述重力影响的力/力矩数据I4是包含有重力与误差综合影响的数据,命 名为重力影响仅因为重力的干扰更大。
通过上述设计,未装配状态的三轴位姿参数I1a、三轴接触力数据I2a、三轴 力矩数据I3a可训练静态位姿与力/力矩关系映射模型,然后在装配过程中将三轴 位姿参数I1b输入模型,就能得到动态的重力影响的力/力矩数据I4b,该I4b与三 轴接触力数据I2b、三轴力矩数据I3b比较做差即获知实际接触力/力矩数据I5,从 而为控制装配机器人的控制力提供精确计算基础。
进一步设计,步骤一还包括如下内容:
S1.1,建立BP神经网络,所述BP神经网络的输入层为3个输入节点,输 出层为6个输出节点;
S1.2,利用预先采集的未装配状态的N组装配端位姿与测量力/力矩数据对 J,对所述BP神经网络进行训练;
每组所述装配端位姿与测量力/力矩数据对J包括三轴位姿参数I1a、三轴接 触力数据I2a、三轴力矩数据I3a,其中,三轴位姿参数I1a作为BP神经网络的3 个输入参数,三轴接触力数据I2a、三轴力矩数据I3a作为BP神经网络的6个输 出参数;
S1.3,利用预先采集的未装配状态的另外M组装配端位姿与测量力/力矩数 据对J,对所述BP神经网络进行验证;
S1.4,验证完成后的BP神经网络即为所述静态位姿与力/力矩关系映射模型。
BP神经网络能够很好地学习三轴位姿参数I1a与三轴接触力数据I2a、三轴 力矩数据I3a之间的数据映射关系,只需把多组数据对输入神经网络就能完成训 练、校验,最终得到快速计算的静态位姿与力/力矩关系映射模型。
更进一步设计,步骤四中排除干扰计算方式为:
其中,Fx、Fy、Fz为步骤二检测到的三轴接触力数据I2b,Fx0、Fy0、Fz0为步 骤三得到的动态的重力影响的力/力矩数据I4b中的三轴重力影响力,Tx、Ty、Tz为步骤二检测到的三轴力矩数据I3b,Tx0、Ty0、Tz0为步骤三得到的动态的重力影 响的力/力矩数据I4b中的三轴重力影响力矩,Fcx、Fcy、Fcz、Tcx、Tcy、Tcz则为装 配端的实际接触力/力矩数据I5。
本发明的有益效果:通过建立精确的数学模型,继而通过收集的数据对参 数进行求解,将采集不同条件下的数据对用来训练神经网络模型并建立其映射 关系,最终实现精确预测力与力矩。
附图说明
图1是系统的结构框图;
图2是方法的主要流程示意图;
图3是静态位姿与力/力矩关系映射模型的建立流程图;
图4是实施例的工作流程图;
图5是实施例BP神经网络训练误差示意图;
图6是实施例BP神经网络验证误差示意图;
图7是实施例预测效果对比图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明:
如图1所示,一种基于神经网络分析的装配过程力与力矩预测系统,包括 装配机器人1,该装配机器人的装配端设置有姿态传感器1a和力传感器1b,图 4中小图1示有装配机器人力与位姿的简单分析示意,其中,装配机器人右侧是 装配端,装配端中心轴位置安装姿态传感器1a和力传感器1b,所述姿态传感器 1a用于检测装配端的三轴位姿参数I1,所述力传感器1b用于检测装配端的三轴 接触力数据I2、三轴力矩数据I3;
还包括预测机构2,所述预测机构2通过三轴位姿参数I1、三轴接触力数据 I2、三轴力矩数据I3预测装配过程的实际接触力/力矩数据I5;
所述预测机构2的数据输入端组连接所述姿态传感器1a的输出端和所述力 传感器1b的输出端,所述预测机构2的数据输出端组连接有装配机器人控制机 构3的数据输入端组。
所述预测机构2包括静态位姿与力/力矩关系映射模块2a、动态实际接触力 /力矩数据计算模块2b、处理模块2c、数据存储模块2d,所述处理模块2c分别 与静态位姿与力/力矩关系映射模块2a、动态实际接触力/力矩数据计算模块2b、 数据存储模块2d连接。
本实施例所述静态位姿与力/力矩关系映射模块2a设置有BP神经网络模型, 其输入层为3个输入节点,输出层为6个输出节点。
优选设备参数如下:
装配机器人优选型号:安川MOTOMAN MH12,控制器:DX200,负载:12kg, 自由度:6,重复定位精度:±0.08mm,最大工作半径:1440mm,电源容量:1.5kVA。
该装配机器人的装配端自带有姿态传感器1a,控制器:DX200即为装配机 器人控制机构;
力传感器1b优选为型号:ATI-mini45-E的六维力传感器,其主要技术参数 为:量程:SI-290-10
分辨率:SI-290-10
另设有处理器主机,该处理器主机上设置预测机构2。
如图2所示,一种基于神经网络分析的装配过程力与力矩预测方法:
步骤一,静态位姿与力/力矩关系映射模块2a建立装配机器人装配端的静态 位姿与力/力矩关系映射模型,该静态位姿与力/力矩关系映射模型通过BP神经 网络得出:装配机器人装配端的三轴位姿参数I1与重力影响的力/力矩数据I4之 间的关系;
其中,所述重力影响的力/力矩数据I4包括装配端的三轴重力影响力和三轴 重力影响力矩;
步骤二,装配过程中,处理模块2c实时接收装配机器人装配端动态的三轴 位姿参数I1b、三轴接触力数据I2b、三轴力矩数据I3b;
步骤三,处理模块2c将步骤二的动态的三轴位姿参数I1b输入到静态位姿与 力/力矩关系映射模块2a,获得动态的重力影响的力/力矩数据I4b;
步骤四,处理模块2c将步骤三得到的动态的重力影响的力/力矩数据I4b与 步骤二的三轴接触力数据I2b、三轴力矩数据I3b输入到动态实际接触力/力矩数据 计算模块2b,得到装配端的实际接触力/力矩数据I5,该实际接触力/力矩数据I5即为预测结果。
排除干扰计算方式为:
其中,Fx、Fy、Fz为步骤二检测到的三轴接触力数据I2b,Fx0、Fy0、Fz0为步 骤三得到的动态的重力影响的力/力矩数据I4b中的三轴重力影响力,Tx、Ty、Tz为步骤二检测到的三轴力矩数据I3b,Tx0、Ty0、Tz0为步骤三得到的动态的重力影 响的力/力矩数据I4b中的三轴重力影响力矩,Fcx、Fcy、Fcz、Tcx、Tcy、Tcz则为装 配端的实际接触力/力矩数据I5。
如图3所示的步骤一如下:
S1.1,建立BP神经网络,所述BP神经网络的输入层为3个输入节点,输 出层为6个输出节点;
S1.2,利用预先采集的未装配状态的N组装配端位姿与测量力/力矩数据对 J,对所述BP神经网络进行训练;
每组所述装配端位姿与测量力/力矩数据对J包括三轴位姿参数I1a、三轴接 触力数据I2a、三轴力矩数据I3a,其中,三轴位姿参数I1a作为BP神经网络的3 个输入参数,三轴接触力数据I2a、三轴力矩数据I3a作为BP神经网络的6个输 出参数;
S1.3,利用预先采集的未装配状态的另外M组装配端位姿与测量力/力矩数 据对J,对所述BP神经网络进行验证;
S1.4,验证完成后的BP神经网络即为所述静态位姿与力/力矩关系映射模型。
本实施例采用图4、图5所示的内容实施,其中,实验采集了2000组装配 端位姿与测量力/力矩数据对J,并将其中1700组用于网络训练,300组用于测 试。
实验采用网络输出与真实数据的相对误差率来表现预测精确度,训练误差 如图5所示,测试误差如图6所示,对接触力/力矩的预测误差为1%。
本实施例还对比了未采用本发明预测方法随机调整位姿的装配策略,对比 效果如图7所示,图中红色线条表示本发明预测的装配过程接触力/力矩的变化, 蓝色线条表示对比方法的装配过程接触力/力矩的变化,可明显看出经本发明准 确预测后装配过程的参数更准确,使数据变化波动更小,也就更好地达到了预 测数据优化装配的目的。
Claims (6)
1.一种基于神经网络分析的装配过程力与力矩预测系统,其特征在于:包括装配机器人(1),该装配机器人的装配端设置有姿态传感器(1a)和力传感器(1b),所述姿态传感器(1a)用于检测装配端的三轴位姿参数I1,所述力传感器(1b)用于检测装配端的三轴接触力数据I2、三轴力矩数据I3;
还包括预测机构(2),所述预测机构(2)通过三轴位姿参数I1、三轴接触力数据I2、三轴力矩数据I3预测装配过程的实际接触力/力矩数据I5;
所述预测机构(2)的数据输入端组连接所述姿态传感器(1a)的输出端和所述力传感器(1b)的输出端,所述预测机构(2)的数据输出端组连接有装配机器人控制机构(3)的数据输入端组。
2.根据权利要求1所述基于神经网络分析的装配过程力与力矩预测系统,其特征在于:所述预测机构(2)包括静态位姿与力/力矩关系映射模块(2a)、动态实际接触力/力矩数据计算模块(2b)、处理模块(2c)、数据存储模块(2d),所述处理模块(2c)分别与静态位姿与力/力矩关系映射模块(2a)、动态实际接触力/力矩数据计算模块(2b)、数据存储模块(2d)连接。
3.根据权利要求2所述基于神经网络分析的装配过程力与力矩预测系统,其特征在于:所述静态位姿与力/力矩关系映射模块(2a)设置有BP神经网络模型,其输入层为3个输入节点,输出层为6个输出节点。
4.一种基于神经网络分析的装配过程力与力矩预测方法,其特征在于:
步骤一,静态位姿与力/力矩关系映射模块(2a)建立装配机器人装配端的静态位姿与力/力矩关系映射模型,该静态位姿与力/力矩关系映射模型通过BP神经网络得出:装配机器人装配端的三轴位姿参数I1与重力影响的力/力矩数据I4之间的关系;
其中,所述重力影响的力/力矩数据I4包括装配端的三轴重力影响力和三轴重力影响力矩;
步骤二,装配过程中,处理模块(2c)实时接收装配机器人装配端动态的三轴位姿参数I1b、三轴接触力数据I2b、三轴力矩数据I3b;
步骤三,处理模块(2c)将步骤二的动态的三轴位姿参数I1b输入到静态位姿与力/力矩关系映射模块(2a),获得动态的重力影响的力/力矩数据I4b;
步骤四,处理模块(2c)将步骤三得到的动态的重力影响的力/力矩数据I4b与步骤二的三轴接触力数据I2b、三轴力矩数据I3b输入到动态实际接触力/力矩数据计算模块(2b),得到装配端的实际接触力/力矩数据I5,该实际接触力/力矩数据I5即为预测结果。
5.根据权利要求4所述基于神经网络分析的装配过程力与力矩预测方法,其特征在于步骤一还包括如下内容:
S1.1,建立BP神经网络,所述BP神经网络的输入层为3个输入节点,输出层为6个输出节点;
S1.2,利用预先采集的未装配状态的N组装配端位姿与测量力/力矩数据对J,对所述BP神经网络进行训练;
每组所述装配端位姿与测量力/力矩数据对J包括三轴位姿参数I1a、三轴接触力数据I2a、三轴力矩数据I3a,其中,三轴位姿参数I1a作为BP神经网络的3个输入参数,三轴接触力数据I2a、三轴力矩数据I3a作为BP神经网络的6个输出参数;
S1.3,利用预先采集的未装配状态的另外M组装配端位姿与测量力/力矩数据对J,对所述BP神经网络进行验证;
S1.4,验证完成后的BP神经网络即为所述静态位姿与力/力矩关系映射模型。
6.根据权利要求4所述基于神经网络分析的装配过程力与力矩预测方法,其特征在于步骤四中排除干扰计算方式为:
其中,Fx、Fy、Fz为步骤二检测到的三轴接触力数据I2b,Fx0、Fy0、Fz0为步骤三得到的动态的重力影响的力/力矩数据I4b中的三轴重力影响力,Tx、Ty、Tz为步骤二检测到的三轴力矩数据I3b,Tx0、Ty0、Tz0为步骤三得到的动态的重力影响的力/力矩数据I4b中的三轴重力影响力矩,Fcx、Fcy、Fcz、Tcx、Tcy、Tcz则为装配端的实际接触力/力矩数据I5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910018178.1A CN109794935B (zh) | 2019-01-09 | 2019-01-09 | 基于神经网络分析的装配过程力与力矩预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910018178.1A CN109794935B (zh) | 2019-01-09 | 2019-01-09 | 基于神经网络分析的装配过程力与力矩预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109794935A true CN109794935A (zh) | 2019-05-24 |
CN109794935B CN109794935B (zh) | 2022-01-14 |
Family
ID=66558684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910018178.1A Active CN109794935B (zh) | 2019-01-09 | 2019-01-09 | 基于神经网络分析的装配过程力与力矩预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109794935B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010005818A1 (en) * | 1999-12-27 | 2001-06-28 | Toshiyuki Itoko | Method and apparatus for automatic position-finding assembling |
CN104057290A (zh) * | 2014-06-24 | 2014-09-24 | 中国科学院自动化研究所 | 一种基于视觉和力反馈控制的机器人装配方法与系统 |
CN105784250A (zh) * | 2016-04-20 | 2016-07-20 | 电子科技大学 | 一种三维动态磨削力检测装置及其解耦算法 |
CN106272416A (zh) * | 2016-08-29 | 2017-01-04 | 上海交通大学 | 基于力觉和视觉的机器人细长轴精密装配系统及方法 |
CN106335057A (zh) * | 2016-09-27 | 2017-01-18 | 东南大学 | 一种基于实时力控的装配机器人全空间柔顺插孔控制方法 |
CN108664122A (zh) * | 2018-04-04 | 2018-10-16 | 歌尔股份有限公司 | 一种姿态预测方法和装置 |
-
2019
- 2019-01-09 CN CN201910018178.1A patent/CN109794935B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010005818A1 (en) * | 1999-12-27 | 2001-06-28 | Toshiyuki Itoko | Method and apparatus for automatic position-finding assembling |
CN104057290A (zh) * | 2014-06-24 | 2014-09-24 | 中国科学院自动化研究所 | 一种基于视觉和力反馈控制的机器人装配方法与系统 |
CN105784250A (zh) * | 2016-04-20 | 2016-07-20 | 电子科技大学 | 一种三维动态磨削力检测装置及其解耦算法 |
CN106272416A (zh) * | 2016-08-29 | 2017-01-04 | 上海交通大学 | 基于力觉和视觉的机器人细长轴精密装配系统及方法 |
CN106335057A (zh) * | 2016-09-27 | 2017-01-18 | 东南大学 | 一种基于实时力控的装配机器人全空间柔顺插孔控制方法 |
CN108664122A (zh) * | 2018-04-04 | 2018-10-16 | 歌尔股份有限公司 | 一种姿态预测方法和装置 |
Non-Patent Citations (1)
Title |
---|
吴广顺等: "基于B-P 人工神经网络的机器人主动装配作业系统", 《制造业自动化》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109794935B (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106335057B (zh) | 一种基于实时力控的装配机器人全空间柔顺插孔控制方法 | |
CN101957175B (zh) | 基于三点微平面式法向检测方法 | |
CN109740270A (zh) | 基于接触力与力矩预测和分析的大长径比轴孔装配系统及方法 | |
WO2018023845A1 (zh) | 一种基于胎压监测的竖向车轮冲击力实时测量方法及系统 | |
CN109940605A (zh) | 融合三维视觉与接触力分析的柔顺装配系统及方法 | |
CN106989660B (zh) | 一种复杂位置金属平面的空间三维信息获取方法 | |
CN106994687A (zh) | 工业机器人末端六维力传感器安装姿态标定方法 | |
CN110631792B (zh) | 基于卷积神经网络的抗震混合试验模型更新方法 | |
CN106514712A (zh) | 物体的姿势计算系统 | |
CN114054302B (zh) | 一种点胶机的精准定位控制方法及系统 | |
CN113319855B (zh) | 一种多关节诊疗机器人柔顺力控制模式下的重力补偿方法 | |
CN102736618B (zh) | 一种基于传递函数的卫星控制系统可诊断性确定方法 | |
CN114029982A (zh) | 一种相机在机器臂外的手眼标定装置及其标定方法 | |
CN109794935A (zh) | 基于神经网络分析的装配过程力与力矩预测系统及方法 | |
CN109426691A (zh) | 车辆运动部件仿真方法及仿真系统 | |
CN106248000B (zh) | 零件孔轴线的测量方法 | |
CN110238848B (zh) | 一种机器人坐标系下重力矢量的计算方法 | |
Putz et al. | Implementation and demonstration of characteristic diagram as well as structure model based correction of thermo-elastic tool center point displacements | |
CN110567626A (zh) | 一种间接式轴承预紧力测量方法及系统 | |
US20230008909A1 (en) | Automated calibration system and method for the relation between a profile-scanner coordinate frame and a robot-arm coordinate frame | |
CN112765863B (zh) | 基于位姿依赖特性和交叉耦合项的机器人刀尖频响预测方法和系统 | |
CN114739548A (zh) | 一种伺服测试系统 | |
CN107063173A (zh) | 角度检测方法和关节运动夹角检测系统 | |
CN112798143A (zh) | 一种基于集成光纤传感器的型架状态监控方法 | |
CN107389288A (zh) | 一种工业机器人的振动路径分析系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |