一种五轴并联机床的机构参数分步辨识方法

摘要/Abstract

摘要：

以五轴并联机床为研究对象，基于量子粒子群优化算法，对少自由度并联机床的机构参数辨识问题进行了研究。根据五轴并联机床的结构特点，对运动末端的测量位姿进行优化选取。将并联机构参数辨识问题转化为非线性系统的最优化问题，利用量子粒子群优化算法的全局搜索能力设计一种分步辨识方法对机构参数进行优化、辨识。仿真结果显示，基于量子粒子群优化算法的分步辨识方法能够比较准确地辨识机构参数的真实值。该分步辨识方法同样适用于其他少自由度并联机器人的机构参数辨识。

关键词: 并联机器人, 位姿误差, 参数辨识, 量子粒子群优化

Abstract:

A step identification method of mechanisim parameters was proposed based on QPSO algorithm to improve the accuracy of 5-DOF parallel machine tool. Firstly, according to structural characteristics of 5-DOF parallel machine tool, the measurement configurations were selected optimally. Then, the identification problem of mechanisim parameters was regarded as a nonlinear optimization problem, and solved through the two-step identification. The simulation results illustrate that the actual values of geometric errors of parallel robot can be identified accurately through the step identification method based on QPSO. Furthermore, the step identification method of mechanisim parameters is feasible for other limited-DOF parallel robots.

Key words: parallel robot, pose error, parameter identification, quantum-behaved particle swarm optimization(QPSO)

中图分类号:

TP242

党鹏飞;房立金. 一种五轴并联机床的机构参数分步辨识方法[J]. 中国机械工程, 2015, 26(12): 1652-1657.

Dang Pengfei;Fang Lijin. A Step Identification Method of Mechanisim Parameters of 5-DOF Parallel Machine Tool[J]. China Mechanical Engineering, 2015, 26(12): 1652-1657.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/

https://www.cmemo.org.cn/CN/Y2015/V26/I12/1652

参考文献

[1]Huang P，Wang J，Wang L，et al. Kinematical Calibration of a Hybrid Machine Tool with Regularization Method[J]. International Journal of Machine Tools and Manufacture，2011，51(3)：210-220.
[2]Joubair A，Slamani M，Bonev A I. Kinematic Calibration of a Five-bar Planar Parallel Robot Using All Working Modes[J]. Robotics and Computer Integrated Manufacturing，2013，29(4)：15-25.
[3]Varziri S M，Notash L. Kinematic Calibration of a Wire-actuated Parallel Robot[J]. Mechanism and Machine Theory，2007，42(8)：960-976.
[4]Pashkevich A，Chablat D，Wenger P. Kinematic Calibration of Orthoglide-type Mechanisms from Observation of Parallel Leg Motions[J]. Mechatronics，2009，19(4)：478-488.
[5]Wang Y，Wu H，Handroos H. Markov Chain Monte Carlo (MCMC) Methods for Parameter Estimation of a Novel Hybrid Redundant Robot[J]. Fusion Engineering and Design，2011，86(9)：1863-1867.
[6]Zhang D，Gao Z. Optimal Kinematic Calibration of Parallel Manipulators with Pseudoerror Theory and Cooperative Coevolutionary Network[J]. IEEE Transactions on Industrial Electronics，2012，59(8)：3221-3231.
[7]Kuppan Chetty R M, Ponnambalam S G. A Heuristic Approach towards Path Planning and Obstacle Avoidance Control of Planar Manipulator[J]. Trends in Intelligent Robotics Automation and Manufacturing， 2012,330:1-11.
[8]Pugh J, Martinoli A. Distributed Scalable Multi-robot Learning Using Particle Swarm Optimization[J]. Swarm Intelligence，2009，3(3)：203-222.
[9]Alici G，Jagielski R，Sekercioglu Y A，et al. Prediction of Geometric Errors of Robot Manipulators with Particle Swarm Optimisation Method[J]. Robotics and Autonomous Systems，2006，54(12)：956-966.
[10]杜义浩，谢平，田培涛，等. 基于改进粒子群算法的并联机器人运动学精度提高新方法[J]. 中国机械工程，2012，23(16)：1938-1942.
Du Yihao，Xie Ping，Tian Peitao，et al. A New Method for Improving Kinematics Accuracy of Parallel Robot Based on Improved PSO[J]. China Mechanical Engineering，2012，23(16)：1938-1942.
[11]周炜，廖文和，田威，等. 基于粒子群优化神经网络的机器人精度补偿方法研究[J]. 中国机械工程，2013，24(2)：174-179.
Zhou Wei，Liao Wenhe，Tian Wei，et al. Method of Industrial Robot Accuracy Compensation Based on Particle Swarm Optimization Neural Network[J]. China Mechanical Engineering，2013，24(2)：174-179.
[12]Sun J，Feng B，Xu W. Particle Swam Optimization with Particles Having Quantum Behavior[J]. Evolutionary Computation，2004，1(1)：325-331.
[13]Bergh D V F，Engelbrecht P A. A Cooperative Approach to Particle Swarm Optimization[J]. IEEE Transactions on Evolutionary Computation，2004，8(3)：225-239.
[14]Wang L，Xie F，Liu X，et al. Kinematic Calibration of the 3-DOF Parallel Module of a 5-axis Hybrid Milling Machine[J]. Robotica，2011，29(4)：535-546.

[1]	倪涛, 赵亚辉, 赵泽仁, 杨凯强. 6-UPRU并联机器人动力学建模及基本动力学参数确定[J]. 中国机械工程, 2025, 36(12): 2911-2919.
[2]	高贯斌1, 2, 赵思郭1, 2, 李映杰1, 2. 基于关节扭矩平衡的机器人末端负载建模及辨识[J]. 中国机械工程, 2025, 36(06): 1188-1197.
[3]	陈卓凡, 周坤, 秦菲菲, 王斌锐. 基于改进量子粒子群优化算法的机器人逆运动学求解#br# #br# [J]. 中国机械工程, 2024, 35(02): 293-304.
[4]	刘栋财, 董广宇, 杜玉红, 李文鹏, . 基于网格搜索算法的6-RUS并联机器人时间最优轨迹规划[J]. 中国机械工程, 2023, 34(13): 1589-1598.
[5]	夏军勇, 刘科进, 钟飞, 孙颖. 运用改进的教学模拟退火算法辨识关节臂式三坐标测量机的结构参数[J]. 中国机械工程, 2023, 34(03): 314-323.
[6]	高文斌, 黄琪, 余晓流, . 模块化机器人几何误差分析及参数辨识研究[J]. 中国机械工程, 2022, 33(07): 811-817，851.
[7]	倪华康, 杨泽源, 杨一帆, 陈新渡, 严思杰, 丁汉. 考虑基坐标系误差的机器人运动学标定方法[J]. 中国机械工程, 2022, 33(06): 647-655.
[8]	刘秀莹, 张建军, 刘承磊, 牛建业, 戚开诚, 郭士杰. 基于工作空间的踝关节康复广义球面并联机器人运动学参数优化[J]. 中国机械工程, 2021, 32(16): 1921-1929.
[9]	王薪宇；秦伟；孙晓军；胡小亮. 3-PPR并联伺服平台非线性同步鲁棒控制[J]. 中国机械工程, 2020, 31(19): 2269-2275.
[10]	谢胜龙1;李铁风2;王斌锐1;陈迪剑1. 基于KP模型的气动肌肉迟滞建模方法[J]. 中国机械工程, 2020, 31(10): 1183-1189.
[11]	李永泉1,2;吴鹏涛1,2;张阳1,2;张立杰2,3. 球面二自由度冗余驱动并联机器人系统动力学参数辨识及控制[J]. 中国机械工程, 2019, 30(16): 1967-1975.
[12]	韦为1,2;耿葵花1,2;耿爱农3;王少伟1;李辛沫3. 基于LuGre模型的转子压缩机滑片-滑槽运动副摩擦力测试[J]. 中国机械工程, 2019, 30(08): 932-938.
[13]	李永泉1，2;佘亚中2，3;万一心1，2;张立杰2，3. 球面两自由度冗余驱动并联机器人弹性动力学分析[J]. 中国机械工程, 2018, 29(10): 1179-1185.
[14]	钱承;胡红生. 基于最小二乘支持向量机的压电作动器迟滞非线性建模及参数辨识[J]. 中国机械工程, 2018, 29(07): 835-841.
[15]	李松1,2;杨诗怡1,2;张峰峰1,2;孙立宁1,2. 基于遗传算法与最小最大优化方法的六自由度放疗床参数辨识方法[J]. 中国机械工程, 2018, 29(01): 57-62.