[发明专利]一种基于运动学分析的多臂协同焊接机器人控制方法

说明书

本发明涉及一种基于运动学分析的多臂协同焊接机器人控制方法，用以实现壁板与桁条之间T型结构接头双侧焊缝的精准焊接，包括以下步骤：1)建立模块化多臂焊接机器人运动学模型；2)建立协同焊接机器人机械臂末端输出位姿矩阵，进行机器人正运动学分析，验证机器人运动学参数与运动学正解的正确性，并得到机器人各个关节运动量的数据样本；3)构建并训练GRNN神经网络，并对多臂协同焊接机器人移动关节和转动关节运动量进行预测，最终根据预测值完成多臂协同焊接机器人的焊接控制。与现有技术相比，本发明具有适用性强、预测准确、误差小、应用性好等优点。

技术领域

本发明涉及航空焊接机器人运动控制领域，尤其是涉及一种基于运动学分析的多臂协同焊接机器人控制方法。

背景技术

在航空制造业中，大型结构件的筋壁板通常采用T型接头结构，这种结构适合采用双光束激光焊接工艺。这种焊接工艺适合机器人作业，但是对于航空业中大型结构件复杂焊缝曲线的焊接，单一机器人无法胜任，需要采用多条机械臂焊接机器人协同完成焊接作业。解决具有多臂协同焊接机器人运动学问题，可以为其工作性能分析奠定基础，有助于这一类在航天航空领域有实际应用价值构型的机器人的速度、加速度、动力学等后续研究。

机器人的运动学求解方法主要有解析法和数值法。解析法虽然因求得机器人全部运动学逆解而能把机器人的运动学特性完整地进行描述，但针对不同拓扑结构的机器人，其消元过程不尽相同，缺乏通用性。数值法计算过程清晰、简洁，对机器人位置正逆解问题能够有效地进行求解，但是往往需要约束条件，无法得到位置正逆解的全部解。

对于多臂协同焊接机器人逆运动学求解，尚未有对此类机器人进行高效求解的先例。神经网络可以高效地逼近非线性函数，广义回归神经网络(GRNN)是一种高度并行径向基网络，相较于误差反向传播神经网络(BPNN)而言，GRNN以径向基神经网络为基础，稳定性较好，适用于非线性预测，与传统径向基神经网络相比，GRNN具有更强逼近效果和更高的训练效率。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于运动学分析的多臂协同焊接机器人控制方法。

本发明的目的可以通过以下技术方案来实现：

一种基于运动学分析的多臂协同焊接机器人控制方法，用以实现壁板与桁条之间T型结构接头双侧焊缝的精准焊接，包括以下步骤：

1)建立模块化多臂协同焊接机器人运动学模型；

2)建立多臂协同焊接机器人机械臂末端输出位姿矩阵，进行机器人正运动学分析，验证机器人运动学参数与运动学正解的正确性，并得到机器人各个关节运动量的数据样本；

3)构建并训练GRNN神经网络，并对多臂协同焊接机器人移动关节和转动关节运动量进行预测，最终根据预测值完成多臂协同焊接机器人的焊接控制。

所述的步骤1)中，多臂协同焊接机器人包括三自由度移动桁架以及布置在桁架左右两边的两条6自由度转动副焊接机械臂、布置在桁架中间的一条3自由度转动副按压机械臂，对于多臂协同焊接机器人拓扑结构，根据机器人各支链装配的几何条件，将其模块化，建立与多臂协同焊接机器人拓扑结构相统一的DH参数表，并确定机器人尺度参数，构建机器人运动学模型。

所述的多臂协同焊接机器人满足以下条件：

(1)具有高架桥式结构、多自由度，既有移动关节又有转动关节；

(2)具有两条焊接机械臂和一条按压机械臂；

(3)两条焊接机械臂以一定角度安装于移动桁架两侧；

(4)等维输入、等维输出。

所述的步骤2)中，多臂协同焊接机器人第i条机械臂末端输出位姿矩阵T_i为：