基于小波神经网络修正自适应滤波的钻具姿态解算研究

针对惯性随钻测量中，由于钻头振动导致系统三轴加速度计数据失真，从而使得解算的钻头姿态角误差较大的问题。提出一种基于小波神经网络(WNN)与自适应滤波(AKF)联合对钻具姿态进行估计的方法，首先建立钻具姿态自适应滤波的状态空间模型，根据估计后的残差不断调整自适应因子，降低姿态的估计误差，提高钻具姿态估计精度；根据滤波器的输入输出建立小波神经网络模型，对比输出误差在线修正网络模型，对姿态信息进行反馈补偿。设计振动台实验以及钻进实验对所提方法验证，其中钻进实验中井斜角误差降低到±1.8°，实验结果表明，所提方法解算精度优于自适应卡尔曼滤波算法，能够有效抑制振动误差对姿态解算的影响，为实际钻井提供理论依据。     

圆柱形钢制构件表面爬壁机器人姿态估计方法

针对相对封闭、磁干扰等特殊环境下传感器应用受限,导致爬壁机器人的姿态估计误差偏大的问题,提出并实现了一种基于惯性测量单元(IMU)和圆柱形状约束的爬壁机器人姿态估计方法(IMU-CC-ATE)。该方法利用爬壁机器人执行工作任务中运动状态和静止状态频繁切换的特点,使用静止状态时IMU的角速度输出值估计相邻运动状态时IMU的角速度漂移值;并结合圆柱形表面约束使机器人姿态估计的横滚角保持不变的特性,设计扩展卡尔曼滤波器(EKF)对机器人的姿态和IMU的角速度漂移进行实时估计。实验结果表明：该方法使爬壁机器人姿态估计的航向角误差从20°以上降低至3.5°,俯仰角误差保持在2°以内,横滚角误差在0.5°以内,有效地提高了机器人姿态估计精度。     

垂直导向钻井工具安装误差的单象限校正

井下钻具姿态惯性测量单元(IMU)的安装误差降低了近垂直姿态的测量与解算精度。基于近垂直姿态下测量值与理论值之间的关系矩阵,推导其关系矩阵各项的相对误差,分析表达式各项相对误差特征,提出一种单象限校正方法。近垂直姿态下,采用单一象限内相对均匀的三组测量值得到一个校正矩阵,并对该象限内全部测量数据进行校正。姿态解算结果表明,与传统方法相比,单象限校正方法能有效提高姿态参数解算精度3.3倍以上。     

基于差分式惯性传感组件的采煤机位姿解算法

采煤机是综采工作面的关键设备之一,其准确定位是实现工作面智能化开采的前提。首先,分析了采煤机惯性导航定位产生的确定性漂移和非确定性漂移误差,建立了差分式惯性传感组件数据融合模型;其次,研究了基于差分式惯性传感组件的采煤机位姿差分解算方法,模拟了采煤机作起伏运动的运行曲线;最后,对位姿差分解算算法进行了仿真分析,仿真结果表明采煤机在作起伏运动时,提出的差分位姿解算算法在累积误差和最大误差方面均小于原始位姿解算算法。笔者设计并搭建了采煤机惯性导航定位实验平台和运动工况模拟实验台,进行了相应的实验分析,实验结果验证了所提姿态解算方法的可行性和有效性。     

BP神经网络补偿并联机器人定位误差

为减小机构末端定位误差,提高机器人运动精度,分析了所开发的6-DOF精密并联机器人末端位姿的误差来源及以往误差补偿方法的局限性。通过实际测量末端位姿,在精密定位的局部工作空间内,提出了基于BP神经网络的机器人关节空间误差补偿方法。确定了BP神经网络模型,建立了误差补偿的数据样本,并对数据样本进行了标准化,通过实验对比的方法确定了隐层神经元的个数,同时对网络的推广能力进行了验证。经过误差补偿,6-DOF精密并联机器人的平移定位误差下降了80%,转角定位误差下降了60%。该实验结果表明,基于BP神经网络的误差补偿方法对机器人局部工作空间的补偿具有明显的效果,满足精密并联机器人工作的精度要求。     

单轴旋转惯导系统载体航向隔离方法研究

有规律地旋转惯性测量单元(inertial measurement unit,IMU)可将惯性器件的慢变误差在导航系中调制成周期性变化的信号,通过积分运算抑制器件该类误差,有效提高惯性导航系统长时间导航精度。基于IMU的测量误差模型,分析了旋转调制技术(rotation modulation technique,RMT)的基本原理和载体航向运动对旋转调制效果的影响。针对载体航向运动降低旋转调制补偿效果这一问题,提出了一种基于载体姿态解算驱动IMU转台的方法,并对该方法进行了理论分析和数学仿真。理论分析和仿真结果表明:该方法可以有效抑制载体航向运动对旋转调制效果的影响。     

IMU 姿态误差均衡校正模型与验证

惯性姿态测量单元(IMU)中存在各种系统误差,需要进行校正以提高姿态解算精度,而校正矩阵是由本身包含各种系统误差的特殊位置测量值及其理论值决定的。对校正矩阵产生的校正误差进行理论推导,研究其对解算姿态参数误差的影响特征,并用测试数据进行验证。根据均衡校正点的设计,详细研究均衡校正及其结构拓扑对姿态精度的影响模型和特征,并对测试数据进行均衡校正验证,典型姿态解算结果及对比表明,均衡校正普遍降低了姿态的绝对误差,均衡平均校正最少可降低解算姿态绝对误差的平均值和峰峰值至30.8%,且在小倾斜角区域也达到大中倾斜角区域常规校正的姿态解算精度。     

一种激光断面仪运动补偿用IMU/GPS/OD系统

针对车载激光路面断面仪性能受检测车垂直振动及姿态变化影响的问题,设计并实现了一种车载激光断面仪运动补偿用IMU/GPS/OD组合测量系统,采用低成本IMU结合捷联解算算法计算检测车的三维位置、速度和姿态,通过GPS和里程仪结合最优滤波技术抑制低成本IMU在捷联解算过程中形成的累积误差,并提出了一种基于IMU/GPS/OD组合测量系统的检测车垂直振动位移的计算方法。最后进行了室内实验验证,实验结果表明,该IMU/GPS/OD组合测量系统应用于车载激光断面仪是可行的。     

BP神经网络求6PTRT型并联机器人正运动学精确解

采用BP神经网络,利用位置逆解结果,通过训练学习,实现操作从关节变量空间到工作变量空间的非线性映射,从而求出6PTRT型并联机器人的正运动学解.计算实例表明单用BP神经网络得到的精度并不高,所以为提高正解结果精度,引入误差补偿算法,并设计相应软件,所得数据表明,该算法计算精度高.     

绳索牵引式并联机器人误差分析及补偿

对6绳索6自由度绳索牵引式并联机器人的误差进行了分析,基于其次矩阵变换法建立了机器人运动学,根据运动学逆解建立了误差模型,得出机器人结构误差以及绳索长度误差和末端执行器运动误差之间的关系,发现运动误差很大程度上是由绳索长度误差引起的,鉴于绳索长度误差不易测量,基于BP神经网络设计了一种绳索长度预测算法,最后介绍了一种末端执行器运动误差补偿方法。仿真结果表明,误差补偿后的运动误差明显小于误差补偿前的运动误差,验证了误差分析和补偿方法的可行性。     

基于BP神经网络的小型组足球机器人视觉子系统的图像分割技术

为解决小型足球机器人视觉子系统图像分割的实时性和光照适应性问题,将BP神经网络技术应用到图像分割中.在图像分割技术和BP神经网络的理论分析基础上,建立了两者之间的关系,并建立了相应的BP神经网络模型.图像像素离散化并将其H、Cb、Cr分量值作为神经网络的输入,将目标像素点分类类别作为神经网络的输出.通过改进神经网络学习...     

基于模糊神经网络的深孔加工刀具磨损率预测

刀具的过快磨损不仅增大加工成本,也影响工件的最终加工质量,因此预测和减少刀具磨损率具有重要意义。由于BP神经网络本身容易陷入局部极小值、收敛速度慢等缺陷,且深孔加工过程及其复杂,无法建立加工中刀具磨损率与加工参数之间的准确数学模型,故采用模糊神经网络建立BTA刀具磨损率在线钻削模型。仿真和实验结果表明,该模型能有效预测BTA刀具磨损率,对提高刀具寿命和加工深孔的质量具有一定的意义。     

基于神经网络的光纤布拉格光栅触觉信号解耦研究

针对应用于电子皮肤的柔性光纤布拉格光栅触觉传感器的输出信号是施加载荷位置、大小等信息的非线性、多维耦合问题,在对光纤布拉格光栅触觉传感阵列进行力学有限元仿真的基础上,提出了将误差逆传播神经网络和径向基函数神经网络应用于仿真和实验的触觉信号解耦方法。对实验数据的神经网络解耦结果表明,相对于误差逆传播神经网络,径向基函数神经网络具有更强的抗噪声能力,能够更好地逼近含有噪声的触觉多维非线性实验数据之间的映射关系。经径向基函数神经网络解耦后,传感器阵列的空间分辨率为5 mm,对压力位置和大小感知的最小相对误差为3.00%和4.82%。本文的研究成果对开展电子皮肤柔性触觉传感器的研究和推广具有一定的实用价值。     

基于贝叶斯神经网络的机床热误差建模

热误差严重影响着机床的加工精度,对机床关键部件进行热特性分析是开发精密机床的重要环节。通过测量包括数控机床的特殊位置温度和定位误差在内的热特性,研究了温升与定位误差之间的关系,提出了一种基于贝叶斯神经网络的热误差建模方法。通过K-means聚类和相关系数法来选择温度敏感点,可以有效地抑制温度测量点之间的多重共线性问题。结果表明:通过使用贝叶斯神经网络能提高机床88.0159%的精度,比BP神经网络高出15.7638%,与BP神经网络模型相比,贝叶斯神经网络具有更加优良预测性能。贝叶斯神经网络模型为降低机床热误差的影响提供了新思路。     

Thermal error modeling by integrating GA and BP algorithms for the high-speed spindle

Thermal error is one of primary reasons affecting the cutting accuracy of a machine tool. Especially, high-speed spindle’s thermal error restricts the improvement of high-precision machine tool accuracy. In this paper, the traditional back propagation (BP) neural network modeling principle is firstly analyzed. Then, considering the BP network, which is simple and adaptive but converges slowly and is easy to reach local minima, a genetic algorithm (GA) is introduced to optimize BP network’s initial weights and thresholds. Lastly, the network is trained using combined GA and BP technologies with practical thermal error sample data. In experiments of thermal error prediction of the high-speed spindle in a machine tool, the average compensation rate is increased from 89.03 % of BP model to 93.155 % of GABP model. Therefore, GABP model shows its effectiveness in quickly solving the global minimum searching problem.     

MEMS-based rotary strapdown inertial navigation system

As the inertial navigation completely depends on the sensed acceleration and rotation rate by IMU, the sensor errors accumulate and eventually lead to diverged inertial solutions. Therefore the compensation of the inertial sensor errors is an effective approach to improve the SINS navigation performance. The rotation error modulation in rotary SINS, which has been extensively used for the filter-optical IMU in the past, is one of the techniques to compensate or mitigate the inertial sensor errors and eventually improve the system navigation performance. The rotary SINS is an inertial navigator in which the IMU is installed on the rotational platform and rotated following the pre-designed rotation configuration, and the rotation error modulation is the technique that compensates the navigation errors caused by inertial sensor bias in a complete rotation cycle by rotating IMU. Given the auto-compensation of inertial sensor bias in rotation error modulation, the objective of this paper to develop a MEMS-based rotary SINS, in which the significant sensor bias is automatically compensated by rotating the IMU, to offer the comparable navigation performance to tactical-grade IMU. Simulation results indicate that, compared with the conventional method, the proposed approach attenuates the navigation errors and improve the calibration accuracy based on the reciprocating rotation scheme can be used to automatically improve the observability.     

基于惯性导航与立体视觉的风管清扫机器人同时定位与地图创建方法

风管清扫机器人是用于完成中央空调通风管道系统清扫工作的一种自动化设备,为提高其在庞大且封闭的未知通风管道网络中的自主导航能力,提出一种低成本的机器人同时定位与地图创建解决方案。该方案结合惯性测量单元的高速动态性能及双目立体视觉传感器良好的环境感知能力,通过采用Rao-Blackwellized粒子滤波方法融合两种传感器的测量信息,可以有效地抑制惯性传感器的漂移,快速地估计机器人三维的位置、姿态和速度,并且获取稳定的环境视觉路标信息,能够满足风管清扫机器人同时定位和地图创建的要求。同时,为确保视觉路标关联的鲁棒性,提出一种双向的基于几何相容性及路标视觉特征相结合的数据关联方法。试验结果证明所提的同时定位与地图创建方案和数据关联法的有效性。     

磁力仪温度误差的径向基神经网络补偿模型

磁通门磁力仪参数受温度影响明显,直接影响传感器测量精度,需要研究补偿方法,提高测量精度。采用无磁高低温试验箱测量磁通门传感器温度特性;提出基于径向基神经网络的温度误差补偿方法,分别建立磁通门磁力仪零漂误差补偿模型和刻度因子误差补偿模型。结果表明,径向基神经网络能良好逼近磁通门传感器参数的温度特性;与BP神经网络相比,径向基神经网络在零漂补偿中训练时间更短,精度更高,重复性更好,零漂误差的抑制能力更强。补偿后,磁通门磁力仪零漂误差从7.105 5 nT减少到0.766 1 nT;刻度因子误差从6.3E-3减少到7.2E-5;测量值温度误差由213.6 nT补偿到9.1 nT。提出建立通用的温度补偿模型,在不同磁场环境下经过反复测试,采用训练过的模型补偿后,温度误差均降低一个数量级,提高了磁通门磁力仪温度性能和精度。