基于机器学习的机器人装配接触状态识别方法研究

发布时间：2021-04-26 07:21

　　近年来,随着机器人自动化装配在工业领域的不断扩展,传统手工装配的小型复杂零件对其柔顺性提出了更严峻的挑战。而力控机器人具有高精度、高生产效率以及可扩展性等优点,成为了科学研究的热门课题和工业应用的兴趣热点。接触状态是装配任务中最为重要的信息,使用机器学习算法从装配过程中采集的力数据中学习得到接触状态成为柔顺装配智能化的关键环节,因此基于机器学习的机器人装配接触状态识别的研究具有重要意义。首先,本文分析了适用于小样本量的机器学习分类器的基础原理,建立了支持向量机和各种参数寻优算法模型,并详细分析了支持向量机的优缺点,得到了支持向量机参数对其分类的影响。在此基础上介绍了支持向量机参数寻优的工作原理。其次,介绍了刚性/非刚性零件装配的接触状态识别方案并建立实验平台,分析了装配零件材质对识别精度的影响;在此基础上利用MATLAB机器人工具箱建立了三菱机器人仿真模型,并设计了刚性轴孔零件和非刚性卡扣零件的机器人装配动作。利用MATLAB和RT ToolBox2等软件建立机器人装配纠偏系统,基于该系统识别了零件不同接触状态下的偏移角度,并通过机器人逆运动学计算完成了纠偏位姿变换。最后,针对不同材质... 

【文章来源】：浙江工业大学浙江省

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题背景与意义
    1.2 机器人装配技术的国内外研究现状
        1.2.1 机器人柔顺控制方法的发展
        1.2.2 机器人力觉传感技术的发展
    1.3 接触状态识别方法的研究与发展
    1.4 机器学习分类器的研究与发展
    1.5 论文工作与内容
        1.5.1 本文工作
        1.5.2 论文内容安排
第二章 装配接触状态分析与实验平台
    2.1 引言
    2.2 实验平台
        2.2.1 机器人装配实验硬件设计
        2.2.2 机器人接触状态识别软件设计
        2.2.3 零件材料特性分析
    2.3 装配接触状态及数据采集
        2.3.1 机器人工作空间分析
        2.3.2 刚性零件装配动作设计及数据采集
        2.3.3 非刚性零件装配动作设计及数据采集
    2.4 六维力数据分析及处理
        2.4.1 力数据正态性分析
        2.4.2 滤波对数据特性的影响
    2.5 本章小结
第三章 支持向量机分类器研究
    3.1 引言
    3.2 支持向量机算法研究
        3.2.1 支持向量机基础算法
        3.2.2 支持向量机优缺点分析
        3.2.3 支持向量机参数
    3.3 支持向量机参数寻优算法
        3.3.1 遗传算法
        3.3.2 鲸鱼优化算法
    3.4 本章小结
第四章 混合鲸鱼-遗传算法支持向量机的接触状态识别
    4.1 引言
    4.2 支持向量机分类器的接触状态识别模型
        4.2.1 接触状态识别输入输出分析
        4.2.2 支持向量机接触状态识别过程
        4.2.3 装配接触状态测试数据集
    4.3 支持向量机分类器的接触状态结果与分析
        4.3.1 刚性零件接触状态识别结果与分析
        4.3.2 非刚性零件接触状态识别结果与分析
    4.4 混合鲸鱼-遗传算法支持向量机的接触状态识别结果与分析
        4.4.1 混合鲸鱼-遗传算法研究
        4.4.2 刚性接触状态识别结果与分析
        4.4.3 非刚性接触状态识别结果与分析
    4.5 本章小结
第五章 机器人纠偏系统的开发和装配验证
    5.1 引言
    5.2 机器人纠偏装配平台
        5.2.1 机器人装配纠偏问题描述
        5.2.2 纠偏系统的控制平台构建
    5.3 零件偏移接触状态识别分析
        5.3.1 偏移接触状态训练与验证
        5.3.2 测试接触状态识别结果与分析
    5.4 机器人纠偏运动控制设计
        5.4.1 机器人逆运动学分析
        5.4.2 零件位姿调整轨迹
    5.5 本章小结
第六章 结论与展望
    6.1 结论
    6.2 创新点
    6.3 展望
参考文献
致谢
作者简介
学位论文数据集


【参考文献】：
期刊论文
[1]基于封闭矢量法和D-H法的四足机器人逆运动学分析[J]. 李鹏飞,伞红军,陈久朋,张道义.  科学技术与工程. 2019(04)
[2]机器学习及其算法和发展分析[J]. 姜娜,杨海燕,顾庆传,黄吉亚.  信息与电脑(理论版). 2019(01)
[3]基于加权朴素贝叶斯分类器和极端随机树的蛋白质接触图预测[J]. 金康荣,於东军.  南京航空航天大学学报. 2018(05)
[4]大规模混合网络中基于朴素贝叶斯分类的TCP自适应鉴别器[J]. 陈娅婷,鲁凌云.  通信学报. 2018(S1)
[5]基于斯皮尔曼系数的加权朴素贝叶斯分类算法研究[J]. 郭英明,李虹利.  信息与电脑(理论版). 2018(13)
[6]基于力/位混合控制的工业机器人精密轴孔装配[J]. 吴炳龙,曲道奎,徐方.  浙江大学学报(工学版). 2018(02)
[7]基于引力模型的朴素贝叶斯分类算法[J]. 王威,赵思逸,王新.  计算机应用研究. 2018(09)
[8]基于粒子群算法的阻抗控制在机械臂柔顺控制中的应用[J]. 周晓东,任天助,张激扬,周锐.  空间控制技术与应用. 2016(03)
[9]有机玻璃研磨抛光机器人力控制研究[J]. 杨林,赵吉宾,李论,刘雷.  机械设计与制造. 2015(04)
[10]工业机器人技术的发展与应用综述[J]. 计时鸣,黄希欢.  机电工程. 2015(01)



本文编号：3160995