摘要 | 第5-7页 |
Abstract | 第7-8页 |
第一章 绪论 | 第12-22页 |
1.1 选题背景与意义 | 第12-13页 |
1.2 工业机器人的标定研究现状 | 第13-20页 |
1.2.1 国外研究现状 | 第14-19页 |
1.2.2 国内研究现状 | 第19-20页 |
1.3 课题来源 | 第20页 |
1.4 本论文的主要工作 | 第20-21页 |
1.5 本章小结 | 第21-22页 |
第二章 工业机器人运动学和误差建模 | 第22-36页 |
2.1 机器人运动学模型 | 第22-25页 |
2.2 工业机器人运动学求解 | 第25-30页 |
2.2.1 运动学正解 | 第25-26页 |
2.2.2 运动学反解 | 第26-28页 |
2.2.3 运动学模型验证 | 第28-30页 |
2.3 工业机器人误差建模 | 第30-34页 |
2.3.1 误差来源分析 | 第30页 |
2.3.2 矩阵微分法误差建模 | 第30-32页 |
2.3.3 搜索算法误差模型 | 第32-33页 |
2.3.4 预辨识误差模型 | 第33-34页 |
2.4 本章小结 | 第34-36页 |
第三章 工业机器人参数辨识方法研究 | 第36-48页 |
3.1 基于最小二乘法的工业机器人参数辨识 | 第36-39页 |
3.1.1 最小二乘法求解超定方程组 | 第36-38页 |
3.1.2 基于最小二乘法的工业机器人参数辨识方法 | 第38-39页 |
3.2 基于粒子群算法的工业机器人参数辨识 | 第39-43页 |
3.2.1 粒子群算法工作原理 | 第39-42页 |
3.2.2 粒子群算法参数设置 | 第42页 |
3.2.3 目标函数 | 第42-43页 |
3.3 基于BP神经网络粒子群算法的工业机器人参数辨识 | 第43-47页 |
3.3.1 BP神经网络 | 第43-44页 |
3.3.2 BP神经网络结构设计及训练 | 第44-45页 |
3.3.3 基于BP神经网络粒子群算法的参数辨识 | 第45-47页 |
3.4 本章小结 | 第47-48页 |
第四章 工业机器人运动学参数辨识仿真 | 第48-60页 |
4.1 参数误差设置 | 第48-50页 |
4.2 基坐标系和工具坐标系的预辨识仿真 | 第50-52页 |
4.2.1 仿真过程及结果 | 第50-51页 |
4.2.2 仿真结果分析 | 第51-52页 |
4.3 基于最小二乘法的辨识仿真 | 第52-56页 |
4.3.1 仿真过程及结果 | 第52-55页 |
4.3.2 仿真分析 | 第55-56页 |
4.4 基于粒子群算法的辨识仿真 | 第56-57页 |
4.4.1 仿真过程及结果 | 第56-57页 |
4.4.2 仿真分析 | 第57页 |
4.5 基于BP神经网络粒子群算法的仿真 | 第57-59页 |
4.5.1 仿真过程及结果 | 第57-58页 |
4.5.2 仿真分析 | 第58-59页 |
4.6 仿真结果对比分析 | 第59页 |
4.7 本章小结 | 第59-60页 |
第五章 工业机器人运动学参数辨识及误差补偿实验 | 第60-80页 |
5.1 实验平台构建 | 第60-64页 |
5.1.1 硬件平台构建 | 第60-61页 |
5.1.2 测量平台构建 | 第61-62页 |
5.1.3 软件平台设计 | 第62-64页 |
5.2 实验方案设计 | 第64-65页 |
5.3 工业机器人参数辨识实验 | 第65-72页 |
5.3.1 实验数据 | 第65-66页 |
5.3.2 基坐标系和工具坐标系的预辨识 | 第66-67页 |
5.3.3 最小二乘法参数辨识 | 第67-68页 |
5.3.4 基于粒子群算法的参数辨识实验 | 第68-70页 |
5.3.5 基于BP神经网络粒子群算法的参数辨识实验 | 第70-71页 |
5.3.6 参数辨识实验结果对比分析 | 第71-72页 |
5.4 误差补偿实验 | 第72-77页 |
5.5 本章小结 | 第77-80页 |
第六章 总结与展望 | 第80-82页 |
6.1 总结 | 第80-81页 |
6.2 展望 | 第81-82页 |
致谢 | 第82-84页 |
参考文献 | 第84-90页 |
附录一 攻读硕士学位期间获得的科研成果 | 第90-92页 |
附录二 仿真关节角数据 | 第92-96页 |
附录三 仿真位置数据 | 第96-100页 |
附录四 实验关节角数据 | 第100-104页 |
附录五 测量位置数据 | 第104-107页 |