CN116945193A - 焊接风管法兰的机器人的控制方法、控制终端及存储介质 - Google Patents
焊接风管法兰的机器人的控制方法、控制终端及存储介质 Download PDFInfo
- Publication number
- CN116945193A CN116945193A CN202311188780.2A CN202311188780A CN116945193A CN 116945193 A CN116945193 A CN 116945193A CN 202311188780 A CN202311188780 A CN 202311188780A CN 116945193 A CN116945193 A CN 116945193A
- Authority
- CN
- China
- Prior art keywords
- connecting rod
- welding
- robot
- angle
- determining
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 9
- 230000007423 decrease Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910052786 argon Inorganic materials 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/02—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to soldering or welding
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K37/00—Auxiliary devices or processes, not specially adapted to a procedure covered by only one of the preceding main groups
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1664—Programme controls characterised by programming, planning systems for manipulators characterised by motion, path, trajectory planning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
- B25J9/1697—Vision controlled systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K2101/00—Articles made by soldering, welding or cutting
- B23K2101/04—Tubular or hollow articles
- B23K2101/06—Tubes
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种焊接风管法兰的机器人的控制方法、控制终端及存储介质,方法包括:确定焊缝坐标;确定焊接机器人的坐标;确定期望值;获取机器人的实际值;构建焊接机器人动力学模型;获取机器人的跟踪误差值;构建滑模误差模型;基于滑模误差模型获得滑模控制项和鲁棒项;获得模型补偿项;获取用于控制焊接机器人的控制律。本发明通过图像识别技术确定焊缝坐标,可以提供更精确的焊接路径;构建了考虑了空气阻力的焊接机器人动力学模型,使得机器人的关节电机的输出力矩可以根据焊接环境进行实时修正,避免在焊接的过程中受温度、湿度等影响导致阻力的改变从而发现焊接精度降低的问题。
Description
技术领域
本发明涉及智能控制技术领域,具体涉及一种焊接风管法兰的机器人的控制方法、控制终端及存储介质。
背景技术
风管法兰是用于连接和固定风管系统中的管道、风管或设备的一种连接部件。在制造中,需要将法兰与风管进行焊接,而部分风管法兰的使用场景对风管法兰的精度要求极高。
在半导体制造厂、生物实验室等的超净室内,高精度的焊接是为了确保风管系统的气密性,防止外界污染物进入系统,并确保室内空气质量符合严格的标准。
在核电站内,需要高精度焊接是因为核电站属于高风险的工业场所,风管法兰的焊接必须具备高度可靠性和密封性,以防止辐射泄漏和气体扩散。
在航天航空领域,对风管法兰的焊接精度要求极高,是因为航天器和飞机的风管系统必须经受极端的环境条件和压力变化,因此风管法兰的焊接必须具备高度的强度和密封性,以确保系统的可靠性和安全性。
在现阶段,焊接机器人是常用的工具进行风管法兰的焊接。这些机器人通过程序控制和精确的运动控制系统,提供高度的焊接重复性和准确性。然而,在现阶段使用的焊接机器人,仍然面临焊接精度不高的问题。
发明内容
本发明所要解决的技术问题是现阶段无法满足高精度焊接的需求,目的在于提供一种焊接风管法兰的机器人的控制方法、控制终端及存储介质,减少了焊接环境对焊接精度的影响。
本发明通过下述技术方案实现:
一种焊接风管法兰的机器人的控制方法,包括:
获取待焊接处的图片数据,并通过图像识别技术确定焊缝坐标;
确定焊接机器人的坐标,并根据焊缝坐标和机器人的坐标确定角度期望值;根据焊接速率确定角速度期望值;
获取机器人的角度实际值;获取机器人的角速度实际值;
构建焊接机器人动力学模型;
获取机器人的跟踪误差值,其中/>为/>、/>或/>,/>为/>、/>或/>;
构建滑模误差模型;
基于滑模误差模型获得滑模控制项和鲁棒项;基于滑模误差模型和RBF神经网络获得模型补偿项;
通过模型补偿项、滑模控制项和鲁棒项获取用于控制焊接机器人的控制律,并通过控制律对焊接机器人进行控制。其中,/>为模型补偿项,/>、/>、/>均为n×n的正定对角矩阵,/>为中间函数,/>为滑模误差函数,n为设定的矩阵阶数,/>为滑模控制项,/>为鲁棒项,/>为中间函数,/>;/>、/>、/>均为n×n的正定对角矩阵;/>为边界层的厚度。
具体地,所述焊接机器人包括第一连杆、第二连杆和第三连杆,所述第一连杆的第一端与安装座转动连接,所述第二连杆的第一端与所述第一连杆的第二端转动连接,所述第三连杆的第一端与所述第二连杆的第二端转动连接,所述第三连杆的第二端设置有焊接工具;
设定水平面为与地球重心引力方向垂直的平面,设定角度期望值为进行任务规划时设定的角度,设定角度实际值为实际运动中通过传感器实测的角度;
所述第一连杆的角度期望值为任务规划时所述第一连杆的中轴线与水平面的夹角,所述第二连杆的角度期望值/>为任务规划时所述第二连杆的中轴线与所述第一连杆的中轴线之间的夹角,所述第三连杆的角度期望值/>为任务规划时第三连杆的中轴线与所述第二连杆的中轴线之间的夹角;
所述第一连杆的角度实际值为实际运动中所述第一连杆的中轴线与水平面的夹角,所述第二连杆的角度实际值/>为实际运动中所述第二连杆的中轴线与所述第一连杆的中轴线之间的夹角,所述第三连杆的角度实际值/>为实际运动中第三连杆的中轴线与所述第二连杆的中轴线之间的夹角。
可选地,构建焊接机器人动力学模型的方法包括:
确定当前工作环境中的空气密度;
确定第一连杆的空气阻力力矩:
;
确定第二连杆的空气阻力力矩:
;
确定第三连杆的空气阻力力矩:
;
确定焊接机器人的阻力矩阵:;
确定焊接机器人的等效重力矩阵:
构建焊接机器人动力学模型:;
其中,、/>、/>分别为第一连杆、第二连杆和第三连杆的等效直径;/>为空气阻力系数;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的等效长度;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的角速度;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的单位厚度;/>为单位厚度/>距离第一连杆的第一端的长度;/>为单位厚度距离第一连杆的第一端的长度;/>为单位厚度/>距离第一连杆的第一端的长度;、/>、/>分别为第一连杆、第二连杆和第三连杆的质量;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的等效密度;/>为重力加速度;/>为/>的一阶导数;/>为n×n阶正定惯性力矩阵;/>为n×n阶离心力和哥氏力矩阵;/>为/>、/>或/>;/>为/>、或/>,/>为外部干扰力矩;/>为控制律;n为设定的矩阵阶数,T为矩阵的转置。
具体地,构建滑模误差模型的方法包括:
确定跟踪误差值,其中/>为/>、/>或/>;
确定滑模误差函数:,其中,/>和/>为大于0的滑模计算参数;/>和/>均为正奇数且/>;
构建滑模误差模型:
;
确定理想状态下的理论控制律:,其中,/>为n×n的正定对角矩阵;为r的一阶导数;
基于理论控制律并利用RBF神经网络获得模型补偿项。
可选地,获得模型补偿项的方法包括:
构建RBF神经网络逼近函数:,其中,/>为神经网络逼近误差;
利用RBF神经网络对、/>、/>、/>分别进行逼近,并获取四个值对应的自适应律/>、/>、/>、/>:/>,式中,/>、/>、/>、/>为四个神经网络对应的权值,/>、/>、/>、/>为四个神经网络对应的径向基函数;
获取RBF神经网络对的估计值/>,并令/>为模型补偿项。
一种焊接风管法兰的机器人的控制终端,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如一种焊接风管法兰的机器人的控制方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如一种焊接风管法兰的机器人的控制方法的步骤。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明通过获取待焊接处的图片数据并通过图像识别技术确定焊缝坐标,可以提供更精确的焊接路径,机器人可以更准确地控制焊接的位置和方向,避免风管法兰因为受热形变导致焊缝发生改变后,而焊接机器人无法同步修改焊接路径的情况,从而提高焊接的精度。
本发明构建了考虑了空气阻力的焊接机器人动力学模型,使得机器人的关节电机的输出力矩可以根据焊接环境进行实时修正,避免在焊接的过程中受温度、湿度等影响导致阻力的改变从而发现焊接精度降低的问题。
本发明还基于滑模误差模型和RBF神经网络获得模型补偿项,以及滑模控制项和鲁棒项,可以获得用于控制焊接机器人的控制律,增强系统的稳定性和可靠性,从而提高焊接的质量。
附图说明
附图示出了本发明的示例性实施方式,并与其说明一起用于解释本发明的原理,其中包括了这些附图以提供对本发明的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分,并不构成对本发明实施例的限定。
图1是根据本发明所述的焊接风管法兰的机器人的控制方法的流程示意图。
实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分。
在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。
实施例
首先对焊接机器人进行说明,本实施例中采用的焊接机器人为三臂机械手,即焊接机器人包括第一连杆、第二连杆和第三连杆。
第一连杆的第一端与安装座转动连接,第二连杆的第一端与第一连杆的第二端转动连接,第三连杆的第一端与第二连杆的第二端转动连接,第三连杆的第二端设置有焊接工具。
角度期望值是我们希望连杆达到的角度,这个角度是在进行任务规划时设定的。第一连杆的角度期望值为第一连杆的中轴线与水平面的夹角,第二连杆的角度期望值为第二连杆的中轴线与第一连杆的中轴线之间的夹角,第三连杆的角度期望值/>为第三连杆的中轴线与第二连杆的中轴线之间的夹角;
角度实际值是连杆在实际运动中达到的角度,这个角度是通过传感器实时测量得到的。第一连杆的角度实际值为第一连杆的中轴线与水平面的夹角,第二连杆的角度实际值/>为第二连杆的中轴线与第一连杆的中轴线之间的夹角,第三连杆的角度实际值/>为第三连杆的中轴线与第二连杆的中轴线之间的夹角。
通过比较角度期望值和角度实际值,我们可以知道焊接机器人是否正确地按照预定的任务路径进行运动。如果两者存在差异,就说明机器人的运动存在误差,此时就需要通过控制系统对机器人的运动进行调整,以确保焊接任务的准确性和质量。
如图1所示,提供一种焊接风管法兰的机器人的控制方法,包括:
第一步,获取待焊接处的图片数据,并通过图像识别技术确定焊缝坐标;
首先需要获取待焊接处的图片数据,其是通过将焊接区域拍摄成图片或者视频,然后将这些数据输入到图像识别系统中进行处理,图像识别系统利用图像识别技术识别出图片中的焊缝位置,即焊缝坐标。图像识别技术通常利用深度学习或其他机器学习算法,通过训练模型来识别和定位焊缝。
第二步,确定焊接机器人的坐标,并根据焊缝坐标和机器人的坐标确定角度期望值;根据焊接速率确定角速度期望值;
焊接机器人的坐标通常是通过在机器人的关节或身体上安装传感器,例如编码器或惯性测量单元(IMU),来实时测量和记录机器人的位置和姿态,获取了焊缝的坐标和机器人的坐标,就可以计算出机器人需要移动到的位置,以便它能正确地对准焊缝。
通过设定角度期望值来控制机器人的各连杆需要达到的角度,即可以实现焊接工具与焊缝的对应。
同时,在进行焊接时,不宜过快或过慢,因此焊接机器人的移动速度是根据焊接任务的需求和焊接速率来确定。通过设定角速度期望值来控制机器人的各连杆需要以多快的速度转动,即实现对焊接速率的控制。
第三步,获取机器人的角度实际值;获取机器人的角速度实际值;
通过在机器人的关节上安装的传感器实时获取机器人当前的角度实际值和角速度实际值。
第四步,在考虑空气阻力对第一连杆、第二连杆和第三连杆的影响下,构建焊接机器人动力学模型;
动力学模型是描述机器人运动的数学模型,考虑了机器人的质量、惯性、关节扭矩等因素,以及这些因素如何影响机器人的运动。在构建焊接机器人动力学模型时,空气阻力会对连杆的运动产生阻力,因此需要考虑空气阻力的影响。
第五步,获取机器人的跟踪误差值;构建滑模误差模型;
跟踪误差值是指焊接机器人当前的角度或角速度与其期望值之间的差值。反映了机器人的实际状态与期望状态的偏差,是控制系统中的一个重要参数。这个参数的大小和方向都可以为控制系统提供反馈,从而使控制系统能够对机器人进行更准确的控制。
滑模控制是一种非线性控制策略,通常用于处理系统的不确定性和扰动。滑模误差模型则是滑模控制中的一个关键概念,其基础是构建一个滑模面,使得系统的状态可以沿着这个面"滑动"至期望的目标状态。滑模面的设计是滑模控制的关键部分,它关系到系统的稳定性和性能。
第六步,基于滑模误差模型获得滑模控制项和鲁棒项;基于滑模误差模型和RBF神经网络获得模型补偿项;
滑模控制项和鲁棒项是滑模控制中的两个主要元素。滑模控制项是根据系统状态的偏差来确定的,它旨在使系统的状态尽快地达到滑模面;鲁棒项则是用来抵消系统中的不确定性和扰动的,它旨在使系统的状态在滑模面上保持稳定。
RBF神经网络,全称径向基函数神经网络,是一种非线性函数逼近器,可以用来处理非线性系统的模型不确定性。在这里,RBF神经网络被用来获取模型补偿项,即用于补偿滑模误差模型中未能考虑到的非线性因素的影响。
控制律是通过滑模控制项、鲁棒项和模型补偿项获得的,它用于对焊接机器人进行实时控制,以保证其正确地执行焊接任务。
第七步,通过模型补偿项、滑模控制项和鲁棒项获取用于控制焊接机器人的控制律,并通过控制律对焊接机器人进行控制。
模型补偿项、滑模控制项和鲁棒项被联合使用以形成一个综合的控制律。这个控制律充分考虑了焊接机器人的动力学模型、系统的跟踪误差、系统的不确定性和扰动,以及非线性效应的补偿。控制律被实时应用于焊接机器人,以指导其运动和操作,从而实现精确的焊接任务。
通过第一步至第七步中方法获得的控制律对焊接机器人进行控制,达到的有益效果:
通过使用滑模控制和RBF神经网络,能够对焊接机器人的运动进行精确的控制,从而提高焊接的精度和质量。
滑模控制和鲁棒项的使用使其具有良好的鲁棒性,即使在系统存在不确定性和扰动的情况下,也能保证焊接机器人的正常运行。
通过使用RBF神经网络获取模型补偿项,能够自适应地处理非线性效应,从而使得焊接机器人能够适应各种复杂的工作环境。
并通过实时获取系统的状态和跟踪误差,并实时更新控制律,这个方法能够实现焊接机器人的实时控制,从而满足高速焊接的需求。
实施例
下面对第四步的具体方法进行说明。
构建焊接机器人动力学模型的方法包括:
S11、确定当前工作环境中的空气密度,空气密度可能因为温度、压力、湿度、气体组成等的改变造成影响。通过传感器等实时获得焊接区域内的空气密度。
通常情况下,随着温度的升高,空气密度减小;温度降低时,空气密度增大。
根据理想气体状态方程,压力与气体的密度成正比。当压力增加时,空气密度也会增加;压力降低时,空气密度减小。
湿度的增加会降低空气密度。因为水蒸气分子比空气分子的质量要小,当空气中含有水蒸气时,相同体积的空气分子数量减少,从而导致空气密度降低。
空气主要由氮气、氧气、氩气和一小部分的其他气体组成。如果空气中气体的组成发生变化,例如增加了某种气体的含量,会对空气密度产生影响。不同气体分子的质量不同,因此气体组成的变化会导致空气密度的变化。
S12、空气阻力力矩是由空气阻力引起的转矩,确定第一连杆的空气阻力力矩:
;
S13、确定第二连杆的空气阻力力矩:
;
S14、确定第三连杆的空气阻力力矩:
;
S15、阻力矩阵是描述焊接机器人所有连杆受到的阻力力矩的矩阵,确定焊接机器人的阻力矩阵:;
S16、等效重力矩阵是描述焊接机器人所有连杆受到的重力力矩的矩阵,确定焊接机器人的等效重力矩阵:
S17、动力学模型是用来描述焊接机器人运动规律的数学模型,构建焊接机器人动力学模型:;
其中,、/>、/>分别为第一连杆、第二连杆和第三连杆的等效直径;/>为空气阻力系数;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的等效长度;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的角速度;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的单位厚度;/>为单位厚度/>距离第一连杆的第一端的长度;/>为单位厚度距离第一连杆的第一端的长度;/>为单位厚度/>距离第一连杆的第一端的长度;、/>、/>分别为第一连杆、第二连杆和第三连杆的质量;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的等效密度;/>为重力加速度;/>为/>的一阶导数;/>为n×n阶正定惯性力矩阵——描述机器人连杆的质量和惯性的影响;/>为n×n阶离心力和哥氏力矩阵——描述机器人连杆运动时由于地球自转产生的力的影响;/>为/>、/>或/>;为/>、/>或/>,/>为外部干扰力矩——描述由于风、摩擦等外部因素产生的力的影响;/>为控制律;n为设定的矩阵阶数。
在第五步中,构建滑模误差模型的方法包括:
S21、跟踪误差是指系统的实际输出与期望输出之间的差距,确定跟踪误差值,其中/>为/>、/>或/>;
S22、确定滑模误差函数:,其中,/>和/>为大于0的滑模计算参数;/>和/>均为正奇数且/>;
滑模误差函数是一个将系统的状态(例如位置和速度)映射到一个标量值的函数,这个标量值表示系统离达到预期状态的程度。滑模误差函数需要被设计得足够光滑,以便能够在整个状态空间内有效。
S23、构建滑模误差模型:
;
S24、确定理想状态下的理论控制律:,其中,/>为n×n的正定对角矩阵;理论控制律是一个理想的控制策略,如果没有任何扰动或不确定性,它能使系统达到预期的状态。理论控制律通常基于系统的精确知识来设计。
S25、基于理论控制律并利用RBF神经网络获得模型补偿项。
基于理论控制律并利用RBF (Radial Basis Function)神经网络获得模型补偿项:RBF神经网络是一种特殊类型的神经网络,它可以学习并近似任何连续函数。在这个步骤中,我们将使用RBF神经网络来逼近理论控制律,并生成一个自适应控制律。这个自适应控制律能够根据系统的实时行为自动调整,并根据自适应律获得模型补偿项,以使系统更好地达到预期的状态。
在第六步中,获得模型补偿项的方法包括:
S31、构建RBF神经网络逼近函数:,其中,/>为神经网络逼近误差;
S32、利用RBF神经网络对、/>、/>、/>分别进行逼近,并获取四个值对应的自适应律/>、/>、/>、/>:/>,式中,/>、/>、/>、为四个神经网络对应的权值,/>、/>、/>、/>为四个神经网络对应的径向基函数;
将函数分解为多个部分,然后分别用RBF神经网络进行逼近,得到四个对应的自适应律,四个自适应律可以用于描述和预测系统的动态行为。
S33、获取RBF神经网络对的估计值/>,并令/>为模型补偿项,模型补偿项用于补偿系统模型的不确定性和扰动。
S34、滑模控制项为;鲁棒项为/>;其中,/>为中间函数,/>;/>、/>、/>均为n×n的正定对角矩阵;/>为边界层的厚度。
滑模控制项是基于滑模理论设计的控制项,用于使系统状态在滑模面上滑动。鲁棒项是为了保证系统在面临模型不确定性和外部扰动时仍能保持稳定性。
S35、控制律。利用了RBF神经网络强大的函数逼近能力,结合滑模控制的鲁棒性,构造出一个能够适应各种不确定性和扰动的控制律,从而提高焊接机器人的运动精度和稳定性。
在上述实施例中,n、、/>、/>、/>、/>、/>、/>、/>、/>、/>、/>、/>、、/>、/>、/>、/>、/>均为根据仿真试验、实际工作等方法获得的设定值。
实施例
一种焊接风管法兰的机器人的控制终端,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如一种焊接风管法兰的机器人的控制方法的步骤。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的执行程序等。
存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件、或其他易失性固态存储器件。
一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如一种焊接风管法兰的机器人的控制方法的步骤。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储技术,CD-ROM、DVD或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。
在本说明书的描述中,参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本发明,而并非是对本发明的范围进行限定。对于所属领域的技术人员而言,在上述发明的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本发明的范围内。
Claims (6)
1.一种焊接风管法兰的机器人的控制方法,其特征在于,包括:
获取待焊接处的图片数据,并通过图像识别技术确定焊缝坐标;
确定焊接机器人的坐标,并根据焊缝坐标和机器人的坐标确定角度期望值;根据焊接速率确定角速度期望值;
获取机器人的角度实际值;获取机器人的角速度实际值;
构建焊接机器人动力学模型;
获取机器人的跟踪误差值,其中/>为/>、/>或/>,/>为/>、/>或/>;
构建滑模误差模型;
基于滑模误差模型获得滑模控制项和鲁棒项;基于滑模误差模型和RBF神经网络获得模型补偿项;
通过模型补偿项、滑模控制项和鲁棒项获取用于控制焊接机器人的控制律,并通过控制律对焊接机器人进行控制;
其中,所述焊接机器人包括第一连杆、第二连杆和第三连杆,所述第一连杆的第一端与安装座转动连接,所述第二连杆的第一端与所述第一连杆的第二端转动连接,所述第三连杆的第一端与所述第二连杆的第二端转动连接,所述第三连杆的第二端设置有焊接工具;
设定水平面为与地球重心引力方向垂直的平面,设定角度期望值为进行任务规划时设定的角度,设定角度实际值为实际运动中通过传感器实测的角度;
所述第一连杆的角度期望值为任务规划时所述第一连杆的中轴线与水平面的夹角,所述第二连杆的角度期望值/>为任务规划时所述第二连杆的中轴线与所述第一连杆的中轴线之间的夹角,所述第三连杆的角度期望值/>为任务规划时第三连杆的中轴线与所述第二连杆的中轴线之间的夹角;
所述第一连杆的角度实际值为实际运动中所述第一连杆的中轴线与水平面的夹角,所述第二连杆的角度实际值/>为实际运动中所述第二连杆的中轴线与所述第一连杆的中轴线之间的夹角,所述第三连杆的角度实际值/>为实际运动中第三连杆的中轴线与所述第二连杆的中轴线之间的夹角;
其中,为模型补偿项,/>、/>、/>均为n×n的正定对角矩阵,/>为中间函数,为滑模误差函数,n为设定的矩阵阶数,/>为滑模控制项,/>为鲁棒项,/>为中间函数,/>;/>、/>、/>均为n×n的正定对角矩阵;/>为边界层的厚度。
2.根据权利要求1所述的一种焊接风管法兰的机器人的控制方法,其特征在于,构建焊接机器人动力学模型的方法包括:
确定当前工作环境中的空气密度;
确定第一连杆的空气阻力力矩:
;
确定第二连杆的空气阻力力矩:
;
确定第三连杆的空气阻力力矩:
;
确定焊接机器人的阻力矩阵:;
确定焊接机器人的等效重力矩阵:
构建焊接机器人动力学模型:;
其中,、/>、/>分别为第一连杆、第二连杆和第三连杆的等效直径;/>为空气阻力系数;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的等效长度;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的角速度;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的单位厚度;/>为单位厚度/>距离第一连杆的第一端的长度;/>为单位厚度/>距离第一连杆的第一端的长度;/>为单位厚度/>距离第一连杆的第一端的长度;/>、、/>分别为第一连杆、第二连杆和第三连杆的质量;/>、/>、/>分别为第一连杆、第二连杆和第三连杆的等效密度;/>为重力加速度;/>为/>的一阶导数;/>为n×n阶正定惯性力矩阵;/>为n×n阶离心力和哥氏力矩阵;/>为/>、/>或/>;/>为/>、/>或,/>为外部干扰力矩;/>为控制律;n为设定的矩阵阶数,T为矩阵的转置。
3.根据权利要求2所述的一种焊接风管法兰的机器人的控制方法,其特征在于,构建滑模误差模型的方法包括:
确定滑模误差函数:,其中,/>和/>为大于0的滑模计算参数;/>和/>均为正奇数且/>;
构建滑模误差模型:
;
确定理想状态下的理论控制律:,其中,/>为n×n的正定对角矩阵,/>为r的一阶导数;
基于理论控制律并利用RBF神经网络获得模型补偿项。
4.根据权利要求3所述的一种焊接风管法兰的机器人的控制方法,其特征在于,获得模型补偿项的方法包括:
构建RBF神经网络逼近函数:,其中,/>为神经网络逼近误差;
利用RBF神经网络对、/>、/>、/>分别进行逼近,并获取四个值对应的自适应律/>、/>、/>、/>:/>,式中,/>、/>、/>、/>为四个神经网络对应的权值,/>、/>、/>、/>为四个神经网络对应的径向基函数;
获取RBF神经网络对的估计值/>,并令/>为模型补偿项。
5.一种焊接风管法兰的机器人的控制终端,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188780.2A CN116945193B (zh) | 2023-09-15 | 2023-09-15 | 焊接风管法兰的机器人的控制方法、控制终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188780.2A CN116945193B (zh) | 2023-09-15 | 2023-09-15 | 焊接风管法兰的机器人的控制方法、控制终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116945193A true CN116945193A (zh) | 2023-10-27 |
CN116945193B CN116945193B (zh) | 2023-11-28 |
Family
ID=88456768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311188780.2A Active CN116945193B (zh) | 2023-09-15 | 2023-09-15 | 焊接风管法兰的机器人的控制方法、控制终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116945193B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504255A (zh) * | 2014-12-11 | 2015-04-08 | 北京航天控制仪器研究所 | 一种螺旋翼升力和阻力力矩的确定方法 |
US20170036343A1 (en) * | 2014-04-09 | 2017-02-09 | Kuka Systems Gmbh | Handling device and handling method |
CN109518933A (zh) * | 2018-12-18 | 2019-03-26 | 中建四局安装工程有限公司 | 一种轻型旋转防滑脚手架钢管扣组件 |
US20200055184A1 (en) * | 2018-08-16 | 2020-02-20 | Hehua Ju | Axis-Invariant based Multi-axis robot kinematics modeling method |
CN111546350A (zh) * | 2020-04-30 | 2020-08-18 | 浙江大学 | 一种多关节重载液压机器人系统及高精度运动控制方法 |
US20200306960A1 (en) * | 2019-04-01 | 2020-10-01 | Nvidia Corporation | Simulation of tasks using neural networks |
CN113478471A (zh) * | 2021-07-14 | 2021-10-08 | 南京昱晟机器人科技有限公司 | 一种自动化抓取卸料机器人 |
-
2023
- 2023-09-15 CN CN202311188780.2A patent/CN116945193B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170036343A1 (en) * | 2014-04-09 | 2017-02-09 | Kuka Systems Gmbh | Handling device and handling method |
CN104504255A (zh) * | 2014-12-11 | 2015-04-08 | 北京航天控制仪器研究所 | 一种螺旋翼升力和阻力力矩的确定方法 |
US20200055184A1 (en) * | 2018-08-16 | 2020-02-20 | Hehua Ju | Axis-Invariant based Multi-axis robot kinematics modeling method |
CN109518933A (zh) * | 2018-12-18 | 2019-03-26 | 中建四局安装工程有限公司 | 一种轻型旋转防滑脚手架钢管扣组件 |
US20200306960A1 (en) * | 2019-04-01 | 2020-10-01 | Nvidia Corporation | Simulation of tasks using neural networks |
CN111546350A (zh) * | 2020-04-30 | 2020-08-18 | 浙江大学 | 一种多关节重载液压机器人系统及高精度运动控制方法 |
CN113478471A (zh) * | 2021-07-14 | 2021-10-08 | 南京昱晟机器人科技有限公司 | 一种自动化抓取卸料机器人 |
Non-Patent Citations (6)
Title |
---|
CHEN, CHEN: "Sliding Mode Bifurcation Control Based on Acceleration Feedback Correction Adaptive Compensation for Maglev Train Suspension System With Time-Varying Disturbance", IEEE, vol. 8, no. 2, XP011906489, DOI: 10.1109/TTE.2022.3144518 * |
LIN, ZHONGHAN: "An Anthropomorphic Musculoskeletal System with Soft Joint and Multifilament Pneumatic Artificial Muscles", ADVANCED INTELLIGENT SYSTEMS, vol. 4, no. 10 * |
孙延国: "连续刚构桥最大悬臂状态风载内力及抖振实用计算方法研究", 中国优秀硕士学位论文全文数据库, no. 12, pages 034 - 206 * |
江杨林: "基于神经网络的7-DOF机械臂时间收敛性研究", 传感器与微系统, vol. 42, no. 1, pages 55 - 58 * |
郭明义: "基于水流环境的水下机械手动力学及控制方法研究综述", 船舶工程, vol. 45, no. 4, pages 1 - 7 * |
钟辉: "基于模型补偿的机械臂位置跟踪控制研究", 装备制造技术, no. 9, pages 24 - 28 * |
Also Published As
Publication number | Publication date |
---|---|
CN116945193B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108942924B (zh) | 基于多层神经网络的模型不确定性机械臂运动控制方法 | |
Zhao et al. | Calibration-based iterative learning control for path tracking of industrial robots | |
CN112171673B (zh) | 机械臂作业控制方法、控制设备及计算机可读存储介质 | |
EP0519081B1 (en) | Method of correcting deflection of robot | |
CN108908327A (zh) | 一种机器人定位误差分级补偿方法 | |
Miermeister et al. | Auto-calibration method for overconstrained cable-driven parallel robots | |
CN110253574B (zh) | 一种多任务机械臂位姿检测和误差补偿方法 | |
Nicolis et al. | Constraint-based and sensorless force control with an application to a lightweight dual-arm robot | |
CN107145640B (zh) | 中性浮力实验中漂浮基座与机械臂的动态标度规划方法 | |
CN116945193B (zh) | 焊接风管法兰的机器人的控制方法、控制终端及存储介质 | |
Zhou et al. | Position-based visual servoing control for multi-joint hydraulic manipulator | |
Fan et al. | Nonlinear tracking differentiator based prescribed performance control for space manipulator | |
Feliu et al. | A robust controller for a 3‐dof flexible robot with a time variant payload | |
CN116068893A (zh) | 一种机械臂自适应分数阶滑模控制方法、设备及介质 | |
Vizer et al. | Gray-box LPV model identification of a 2-DoF surgical robotic manipulator by using an H∞-norm-based local approach | |
Lara-Molina et al. | Robust generalized predictive control of Stewart-Gough platform | |
Roveda et al. | Cartesian tasks oriented friction compensation through a reinforcement learning approach | |
Cruz et al. | Application of robust discontinuous control algorithm for a 5-DOF industrial robotic manipulator in real-time | |
Zhang et al. | Automatic kinematic calibration of multiaxis gimbal systems | |
Ha et al. | Robust control by inverse optimal PID approach for flexible joint robot manipulator | |
CN117047782B (zh) | 适用于三关节机械手的控制方法和装置、终端及介质 | |
Kim et al. | On the use of finite rotation angles for spacecraft attitude control | |
Yang et al. | Model-free control of underwater vehicle-manipulator system interacting with unknown environments | |
Shahruz et al. | Design of robust PD‐type control laws for robotic manipulators with parametric uncertainties | |
Muhammad | Impedance control of redundant manipulators |
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 |