黨鵬飛　房立金

東北大學(xué),沈陽,110819

一種五軸并聯(lián)機(jī)床的機(jī)構(gòu)參數(shù)分步辨識方法

黨鵬飛房立金

東北大學(xué),沈陽,110819

以五軸并聯(lián)機(jī)床為研究對象，基于量子粒子群優(yōu)化算法，對少自由度并聯(lián)機(jī)床的機(jī)構(gòu)參數(shù)辨識問題進(jìn)行了研究。根據(jù)五軸并聯(lián)機(jī)床的結(jié)構(gòu)特點，對運(yùn)動末端的測量位姿進(jìn)行優(yōu)化選取。將并聯(lián)機(jī)構(gòu)參數(shù)辨識問題轉(zhuǎn)化為非線性系統(tǒng)的最優(yōu)化問題，利用量子粒子群優(yōu)化算法的全局搜索能力設(shè)計一種分步辨識方法對機(jī)構(gòu)參數(shù)進(jìn)行優(yōu)化、辨識。仿真結(jié)果顯示，基于量子粒子群優(yōu)化算法的分步辨識方法能夠比較準(zhǔn)確地辨識機(jī)構(gòu)參數(shù)的真實值。該分步辨識方法同樣適用于其他少自由度并聯(lián)機(jī)器人的機(jī)構(gòu)參數(shù)辨識。

并聯(lián)機(jī)器人; 位姿誤差; 參數(shù)辨識; 量子粒子群優(yōu)化

0　引言

混聯(lián)機(jī)床同時具有串聯(lián)機(jī)器人與并聯(lián)機(jī)器人的優(yōu)點，已經(jīng)成功地應(yīng)用于航空航天制造領(lǐng)域。但是，混聯(lián)機(jī)床少自由度并聯(lián)機(jī)構(gòu)部分依然包含數(shù)量較多的桿件與關(guān)節(jié)部件。在這些部件的制造與裝配過程中不可避免地存在機(jī)構(gòu)誤差，使得機(jī)構(gòu)參數(shù)的實際值與理想值之間出現(xiàn)偏差，最終導(dǎo)致運(yùn)動末端的位姿精度下降。受結(jié)構(gòu)特征、部件安裝位姿等因素的影響，現(xiàn)場直接測量所獲得的機(jī)構(gòu)參數(shù)往往不能滿足運(yùn)動控制的精度要求。對機(jī)構(gòu)參數(shù)進(jìn)行辨識是解決這一問題的有效方法。一個可行的辨識方法是根據(jù)外部傳感器獲取的測量信息，利用智能優(yōu)化算法尋找一組與實際末端位姿相匹配的機(jī)構(gòu)參數(shù)。因此，并聯(lián)機(jī)構(gòu)的機(jī)構(gòu)參數(shù)辨識問題一直是機(jī)器人學(xué)研究領(lǐng)域的一項重要內(nèi)容。

近年來，國內(nèi)外學(xué)者針對機(jī)器人運(yùn)動學(xué)標(biāo)定問題做了大量的研究工作。Huang等[1]利用正則化方法對混聯(lián)機(jī)床運(yùn)動學(xué)標(biāo)定過程中的誤差建模、測量方案以及誤差辨識方法這三個關(guān)鍵問題進(jìn)行了研究。Joubair等[2]利用三坐標(biāo)測量機(jī)和磁性工具球提出了一種低成本的標(biāo)定方法，實驗證明該方法能夠提高平面SCARA機(jī)器人的位置精度。Varziri等[3]利用關(guān)節(jié)處安裝的冗余傳感器，對一款纜繩驅(qū)動的并聯(lián)機(jī)器人進(jìn)行了運(yùn)動學(xué)標(biāo)定。Pashkevich等[4]認(rèn)為關(guān)節(jié)位置誤差對末端位姿影響較大，提出了對此類誤差源的外標(biāo)定方法。智能優(yōu)化算法已經(jīng)被廣泛地應(yīng)用于求解機(jī)器人運(yùn)動學(xué)標(biāo)定問題，并且取得了一系列進(jìn)展。Wang等[5]提出了一種基于馬爾可夫鏈蒙特卡羅算法的機(jī)器人標(biāo)定方法，可以對運(yùn)動學(xué)模型內(nèi)各誤差參數(shù)進(jìn)行統(tǒng)計估計。Zhang等[6]提出一種基于共存演化神經(jīng)網(wǎng)絡(luò)算法與虛擬誤差理論的綜合補(bǔ)償方法，較好地實現(xiàn)了幾何誤差、熱誤差等誤差源的補(bǔ)償。

粒子群優(yōu)化(PSO)算法是一種新興的群體智能算法，已經(jīng)被成功地應(yīng)用于路徑規(guī)劃[7]、運(yùn)動控制[8]等領(lǐng)域的相關(guān)研究中。Alici等[9]利用PSO算法優(yōu)化誤差模型中的多項式因子，提出了一種能夠預(yù)測機(jī)器人位置誤差的方法。杜義浩等[10]將機(jī)構(gòu)誤差轉(zhuǎn)化為驅(qū)動桿誤差，利用改進(jìn)的PSO算法優(yōu)化驅(qū)動桿參數(shù)，對并聯(lián)機(jī)器人的位姿誤差進(jìn)行補(bǔ)償。周煒等[11]綜合考慮環(huán)境溫度的變化，提出一種基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的精度補(bǔ)償方法，有效地提高了工業(yè)機(jī)器人的絕對定位精度。作為一種改進(jìn)的粒子群優(yōu)化算法，量子粒子群優(yōu)化(QPSO)算法的全局搜索能力比PSO算法有了明顯的改進(jìn)[12]，其收斂速度與優(yōu)化性能也都有比較明顯的提高。

現(xiàn)今，在利用QPSO算法進(jìn)行非線性系統(tǒng)的優(yōu)化時，通常都是直接對系統(tǒng)內(nèi)的所有參數(shù)同時進(jìn)行迭代優(yōu)化。在每一次迭代過程中，某些參數(shù)在更新以后會更加接近最優(yōu)解，但是某些本來接近最優(yōu)解的參數(shù)卻又遠(yuǎn)離了最優(yōu)解[13]。對于并聯(lián)機(jī)床的機(jī)構(gòu)參數(shù)辨識問題，由于機(jī)構(gòu)參數(shù)的數(shù)量較多，QPSO算法的更新模式可能使得部分機(jī)構(gòu)參數(shù)誤差不能得到準(zhǔn)確的辨識，從而影響到機(jī)構(gòu)參數(shù)的辨識效果。針對這個問題，本文提出了基于QPSO算法的分步辨識方法。首先，利用QPSO算法較強(qiáng)的全局搜索能力，根據(jù)收斂速度對機(jī)構(gòu)參數(shù)逐個進(jìn)行粗辨識；然后，根據(jù)粗辨識的結(jié)果對所有機(jī)構(gòu)參數(shù)進(jìn)行第二次精確辨識。最后，通過對五軸并聯(lián)機(jī)床機(jī)構(gòu)參數(shù)的分步辨識驗證了該分步辨識方法的有效性。

1　五軸并聯(lián)機(jī)床誤差建模

1.1結(jié)構(gòu)簡介

五軸并聯(lián)機(jī)床結(jié)構(gòu)如圖1所示，該機(jī)構(gòu)由并聯(lián)機(jī)構(gòu)部分、平面約束機(jī)構(gòu)部分與工作平臺組成。其中，并聯(lián)機(jī)構(gòu)部分由固定平臺、動平臺以及4個驅(qū)動分支構(gòu)成。五軸并聯(lián)機(jī)床采用高剛度的龍門結(jié)構(gòu)，固定在兩側(cè)立柱頂端的4個伺服電動機(jī)分別驅(qū)動4組滾珠絲杠副， 滾珠螺母(滑塊)通過4根支桿與動平臺相連， 通過調(diào)整滑塊的位移來實現(xiàn)動平臺的運(yùn)動。在固定平臺、動平臺之間，由4塊板件組成了平面約束機(jī)構(gòu)，約束機(jī)構(gòu)部分內(nèi)各轉(zhuǎn)動軸線與工作臺運(yùn)動方向平行。

圖1　五軸并聯(lián)機(jī)床結(jié)構(gòu)圖

1.2機(jī)構(gòu)誤差模型

將五軸并聯(lián)機(jī)床的并聯(lián)機(jī)構(gòu)部分作為研究對象進(jìn)行少自由度并聯(lián)機(jī)器人機(jī)構(gòu)參數(shù)辨識問題的研究。并聯(lián)機(jī)構(gòu)的幾何誤差源主要包括鉸鏈中心的位置誤差與支桿的桿件長度誤差，由于桿件長度誤差可以通過直接測量得到，因此，本節(jié)將建立關(guān)于鉸鏈中心位置誤差的誤差模型。

首先，在并聯(lián)機(jī)構(gòu)內(nèi)建立各坐標(biāo)系，如圖2所示。在固定平臺建立基坐標(biāo)系OXYZ，在動平臺建立動坐標(biāo)系O′X′Y′Z′，在刀具末端建立末端坐標(biāo)系Pxyz。動平臺中心在基坐標(biāo)系下的位置坐標(biāo)為O′=(x0,y0,z0)T，動平臺上鉸鏈Tv(v=1,2,3,4)在動坐標(biāo)系下的位置坐標(biāo)為tv=(xv,yv,zv)T，滑板處鉸鏈Sv在基坐標(biāo)系下的位置坐標(biāo)為sv=(xSv,ySv,zSv)T。刀尖點與動平臺中心距離為zt，刀具繞X′軸與Y′軸的旋轉(zhuǎn)角度分別為A、B。動平臺繞X′軸的旋轉(zhuǎn)矩陣RX′以及動平臺的姿態(tài)矩陣R分別為

圖2　并聯(lián)機(jī)構(gòu)部分原理簡圖

動平臺通過滑塊位移Hv驅(qū)動末端刀具運(yùn)動，其與支桿L1、L2相連的鉸鏈可以繞X軸與Y軸旋轉(zhuǎn)，與支桿L3、L4相連的鉸鏈只能繞X軸旋轉(zhuǎn)。由此可以得到動平臺上鉸鏈Tv在基坐標(biāo)系下的位置矢量：

(xTv,yTv,zTv)T=(x0,y0,z0)T+T(xv,yv,zt)T

(1)

其中，T為姿態(tài)變換矩陣。對于支桿L1、L2，T=R；對于支桿L3、L4，T=RX′。

另外，考慮到由動平臺姿態(tài)引起的刀具派生運(yùn)動，刀具末端位置為

P=(px,py,pz)T=(x0,y0,z0)T+R(0,0,zt)T

(2)

根據(jù)式(1)與式(2)，建立刀具末端位置與動平臺鉸鏈Tv中心位置之間的關(guān)系，得

(xTv,yTv,zTv)T=P-R(0,0,zt)T+

T(xv,yv,zt)T

(3)

根據(jù)機(jī)構(gòu)的幾何關(guān)系可得

(4)

式中，Lv為支桿的桿件長度。

將式(3)代入式(4)并微分，建立起刀具末端位姿誤差與鉸鏈Tv、Sv中心位置誤差、支桿桿長誤差之間的關(guān)系，利用矩陣的形式可以表示為

JPδ P+JCδ C=JLδ L

(5)

δ P=(δpy,δpz,δA,δB)T

δ C=(δxv,δyv,δzv,δxSv,δySv,δzSv)T

δ L=(δL1,δL2,δL3,δL4)T

式中，δ P為末端位姿誤差矢量；δ C為鉸鏈中心位置誤差矢量；δ L為支桿桿長誤差矢量；JP為與末端位姿誤差對應(yīng)的雅可比矩陣；JC為與鉸鏈位置誤差對應(yīng)的雅可比矩陣；JL為與支桿桿長誤差對應(yīng)的雅可比矩陣。

由于本文研究重點在于機(jī)器人機(jī)構(gòu)參數(shù)的辨識，對支桿的桿件長度誤差δ L可以通過直接測量得到，因此，只考慮誤差模型內(nèi)的鉸鏈中心位置誤差δ C。整理式(5)，得到五軸并聯(lián)機(jī)床的位姿誤差模型：

(6)

式中，W為并聯(lián)機(jī)構(gòu)誤差模型的辨識矩陣。

2　機(jī)構(gòu)參數(shù)辨識問題的轉(zhuǎn)化與求解

2.1機(jī)構(gòu)參數(shù)辨識問題轉(zhuǎn)化為最優(yōu)化問題

在QPSO算法中，每個粒子用一個完整的位置向量表示優(yōu)化問題的一個潛在解，其位置向量Xi(t)就是優(yōu)化變量。對于五軸并聯(lián)機(jī)床的機(jī)構(gòu)參數(shù)辨識問題，將機(jī)構(gòu)參數(shù)修正量(鉸鏈中心位置誤差δ C)作為最優(yōu)化問題的優(yōu)化變量，利用優(yōu)化算法尋找一組與實際測量位姿誤差相對應(yīng)的修正量，作為優(yōu)化問題的最優(yōu)解引入運(yùn)動學(xué)模型，就可以實現(xiàn)五軸并聯(lián)機(jī)床機(jī)構(gòu)參數(shù)的辨識。

根據(jù)最少參數(shù)線性組合的4個定理[14]，對式(6)中的辨識矩陣W進(jìn)行辨識性分析，發(fā)現(xiàn)支桿3、4兩端鉸鏈X軸方向上的位置誤差不可辨識，可辨識的參數(shù)修正量為

Δq=(δx1,δy1,δz1,δxS1,δyS1,δzS1,δx2,

δy2,δz2,δxS2,δyS2,δzS2,δy3,δz3,

δyS3,δzS3,δy4,δz4,δyS4,δzS4)T

因此，針對五軸并聯(lián)機(jī)床的機(jī)構(gòu)參數(shù)辨識問題，將以上可辨識的參數(shù)修正量作為優(yōu)化變量，即Xi(t)=Δq。

然后，根據(jù)五軸并聯(lián)機(jī)床的位姿誤差模型與末端位姿精度要求，設(shè)計最優(yōu)化問題的目標(biāo)函數(shù):

(7)

式中，k為與位姿精度要求有關(guān)的放大系數(shù)；e為實際測量得到的位姿誤差。

2.2基于QPSO算法的最優(yōu)化問題求解

本文提出的基于QPSO算法的分步辨識方法分為兩個步驟，如圖3所示。

圖3　基于QPSO算法的分步辨識流程圖

2.2.1利用QPSO算法逐個標(biāo)定參數(shù)

(1)建立誤差模型，以機(jī)構(gòu)參數(shù)修正量產(chǎn)生的位姿誤差與實際位姿誤差之間的差距最小化為優(yōu)化目標(biāo)，建立關(guān)于機(jī)構(gòu)參數(shù)修正量的最優(yōu)化模型。

(2)在五軸并聯(lián)機(jī)床工作空間內(nèi)選取μ組不同的位姿構(gòu)型進(jìn)行測量，通過計算得到各組測量構(gòu)型下的實際末端位姿誤差eh，h=1,2,…,μ。

(3)迭代次數(shù)用t表示，最大迭代次數(shù)為tmax。置t=0，隨機(jī)初始化N個m維的粒子的初始位置向量Xi(0)，向量維數(shù)m等于機(jī)構(gòu)參數(shù)修正量Δq的維數(shù)。令各粒子局部最優(yōu)位置Pi(0)=Xi(0)。

(4)根據(jù)目標(biāo)函數(shù)式(7)與適應(yīng)度函數(shù)，計算第i個粒子的適應(yīng)度F(Xi(t))：

(8)

(5)以粒子適應(yīng)度最小化為目標(biāo)，分別更新每個粒子的局部最優(yōu)位置Pi(t)以及粒子群的全局最優(yōu)位置Pg(t)，更新公式分別為

(9)

Pg(t)=(Pg1(t),Pg2(t),…,PgM(t))T=

min(P1(t),P2(t),…,PN(t))

(10)

(6)根據(jù)收斂判定條件，依次對全局最優(yōu)位置向量Pg(t)內(nèi)的元素Pgj(t)是否收斂進(jìn)行判定。如果Pgj(t)收斂，終止計算，將Pgj(t)作為相應(yīng)的機(jī)構(gòu)參數(shù)修正量的最優(yōu)解引入運(yùn)動學(xué)模型，置m←m-1，返回步驟(3)，重新隨機(jī)初始化粒子初始位置繼續(xù)計算；否則，繼續(xù)計算。另外，當(dāng)m=0時，說明機(jī)構(gòu)參數(shù)修正量Δq已經(jīng)全部求出，進(jìn)入步驟(2)。

(7)根據(jù)QPSO算法，利用式(11)、式(12)分別計算粒子群的平均最優(yōu)位置C(t)以及每個粒子的隨機(jī)點位置pi，并利用式(13)更新粒子位置Xi(t+1)：

(11)

pij(t)=φij(t)Pij(t)+[1-φij(t)]Pgj(t)

(12)

j=1,2,…,M

(13)

式中，φij(t)、uij(t)為區(qū)間[0,1]上服從均勻分布的隨機(jī)數(shù)；α(t)為收縮-擴(kuò)張系數(shù)。

(8)判斷是否滿足迭代算法的終止條件t=tmax。如果滿足，計算結(jié)束；若未滿足終止條件，置t←t+1，返回步驟(4)繼續(xù)計算。

2.2.2利用QPSO算法對所有參數(shù)整體標(biāo)定

將上述的計算結(jié)果作為優(yōu)化模型的全局最優(yōu)解，利用QPSO算法對粒子位置向量的m維元素同時進(jìn)行優(yōu)化計算，具體流程與2.2.1節(jié)相似，在此不再贅述。

3　五軸并聯(lián)機(jī)床機(jī)構(gòu)仿真分析

通過對五軸并聯(lián)機(jī)床運(yùn)動末端的位姿誤差分析發(fā)現(xiàn)，鉸鏈中心位置誤差在動平臺繞X軸、Y軸旋轉(zhuǎn)時對末端位姿誤差的影響比較明顯。根據(jù)五軸并聯(lián)機(jī)床工作空間的特點，保持工作臺靜止，在OYZ平面內(nèi)選取了9個動平臺中心位置，通過轉(zhuǎn)動動平臺獲得了18個刀具末端位姿的測量數(shù)據(jù)采集區(qū)域，如圖4所示。

圖4　測量區(qū)域示意圖

測量區(qū)1、2為動平臺中心運(yùn)動至點(0,0,1050)mm處，刀具分別繞X軸、Y軸旋轉(zhuǎn)[-20°,20°]所產(chǎn)生的運(yùn)動軌跡；測量區(qū)3、4、5、6為動平臺中心運(yùn)動至點(0,0,1150)mm、(0,0,950)mm處，刀具分別繞X軸、Y軸旋轉(zhuǎn)[-15°,15°]所產(chǎn)生的運(yùn)動軌跡；測量區(qū)8、10、12、14、16、18為動平臺中心運(yùn)動至點(0,100,1150)mm、(0,100,1050)mm、(0,100,950)mm、(0,-100,1150)mm、(0,-100,1050)mm、(0,-100,950)mm處，刀具繞Y軸旋轉(zhuǎn)[-15°,15°]所產(chǎn)生的運(yùn)動軌跡；測量區(qū)7、9、11為動平臺中心運(yùn)動至點(0,-100,1150)mm、(0,-100,1050)mm、(0,-100,950)mm處，刀具繞X軸旋轉(zhuǎn)[-10°,0°]所產(chǎn)生的運(yùn)動軌跡；測量區(qū)13、15、17為動平臺中心運(yùn)動至點(0,100,1150)mm、(0,100,1050)mm、(0,100,950)mm處，刀具繞X軸旋轉(zhuǎn)[0°,10°]所產(chǎn)生的運(yùn)動軌跡。

設(shè)定鉸鏈中心位置誤差δ C的取值范圍為[-0.03,0.03]mm，在范圍內(nèi)選取20個鉸鏈中心位置誤差。由圖4中選取的測量構(gòu)型得到理想的驅(qū)動控制變量，將給定的誤差δ C引入運(yùn)動學(xué)模型，根據(jù)理想的驅(qū)動控制變量計算得到給定的末端位姿集合Q。將給定末端位姿Q作為優(yōu)化目標(biāo)函數(shù)式(7)的輸入數(shù)據(jù)，對機(jī)構(gòu)參數(shù)修正量Δq進(jìn)行優(yōu)化，最終得到一組與給定的末端位姿Q相匹配的最優(yōu)機(jī)構(gòu)參數(shù)修正量，從而實現(xiàn)機(jī)構(gòu)參數(shù)的辨識。

設(shè)置粒子的數(shù)量N=80；粒子位置向量的搜索范圍是[-0.05,0.05]mm；最大迭代次數(shù)tmax=300。收縮-擴(kuò)張系數(shù)α(t)采用線性減小的取值方式，隨著迭代過程的進(jìn)行從1遞減到0.5。根據(jù)基于QPSO算法的分步辨識方法以及利用QPSO算法直接進(jìn)行參數(shù)辨識的方法， 分別進(jìn)行優(yōu)化計算。標(biāo)定結(jié)果如表1所示，分步辨識得到的結(jié)果表明大部分誤差源的辨識值與給定值之間的差距在誤差源理論值的4%以內(nèi)，最大的差距在10%以內(nèi)，可以比較準(zhǔn)確地反映機(jī)構(gòu)參數(shù)修正量的給定值。而采用QPSO算法直接辨識的方法，只有三個參數(shù)δx1、δzS1、δx2的辨識值與給定值之間的差距在10%以內(nèi)，其余結(jié)果與給定值的差距較大，有些參數(shù)辨識結(jié)果甚至嚴(yán)重失真。

表1　五軸并聯(lián)機(jī)床辨識結(jié)果　mm

分別利用表1中的兩組辨識結(jié)果更新五軸并聯(lián)機(jī)床的運(yùn)動學(xué)模型。根據(jù)理想的驅(qū)動控制變量以及更新后的運(yùn)動學(xué)模型，計算理想末端位姿與給定的末端位姿Q之間的偏差以評價基于QPSO算法的分步辨識方法與直接辨識方法對運(yùn)動學(xué)模型的辨識效果。由于姿態(tài)角的偏差較小，故主要依靠末端位置的偏差分析辨識效果，結(jié)果如表2所示。

表2　末端位置偏差的計算結(jié)果　mm

利用分步辨識結(jié)果更新的運(yùn)動學(xué)模型，計算得到的理想末端位置與給定的末端位置之間的最大偏差為3.4369×10-4mm，最小偏差為2.6513×10-6mm。說明通過機(jī)構(gòu)參數(shù)分步辨識，五軸并聯(lián)機(jī)床的運(yùn)動學(xué)模型能比較準(zhǔn)確地匹配實際的末端位姿。而利用直接辨識結(jié)果更新的運(yùn)動學(xué)模型，計算得到的理想末端位置與給定的末端位置之間的偏差，最大值為0.0058 mm，最小值為2.4082×10-5mm，對運(yùn)動學(xué)模型的辨識效果并不明顯。

圖5　標(biāo)定前后末端位置誤差

最后，選取測量區(qū)域7、8，進(jìn)一步分析在動平臺繞X軸、Y軸轉(zhuǎn)動時，基于QPSO算法的分步辨識方法與直接辨識方法對運(yùn)動學(xué)模型的辨識效果。在測量區(qū)域7、8分別均勻選取16個測量位姿，計算理想末端位置與給定的末端位置之間的偏差。如圖5所示，在所有的測量位姿上，由分步辨識結(jié)果建立的運(yùn)動學(xué)模型計算的理想末端位置與給定的末端位置更加接近，證明分步辨識方法得到的五軸并聯(lián)機(jī)床機(jī)構(gòu)參數(shù)能夠更好地匹配給定的末端位姿。

4　結(jié)論

(1)針對五軸并聯(lián)機(jī)床的機(jī)構(gòu)參數(shù)辨識問題，提出一種基于量子粒子群優(yōu)化算法的分步辨識方法。仿真計算得到的機(jī)構(gòu)參數(shù)辨識值與給定值之間的偏差不超過10%，能夠比較準(zhǔn)確地反映機(jī)構(gòu)參數(shù)的給定值。

(2)分別利用基于量子粒子群優(yōu)化算法的分步辨識方法與直接辨識方法，對五軸并聯(lián)機(jī)床進(jìn)行機(jī)構(gòu)參數(shù)辨識、比較分析。仿真結(jié)果表明由分步辨識方法辨識得到的機(jī)構(gòu)參數(shù)更能準(zhǔn)確地反映給定的末端位姿，辨識效果更好。

(3)針對五軸并聯(lián)機(jī)床的結(jié)構(gòu)特征，對參數(shù)辨識所需的測量構(gòu)型進(jìn)行優(yōu)化選取，可以有效提高辨識效率，對于其他少自由度并聯(lián)機(jī)床也有一定借鑒意義。

[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]杜義浩，謝平，田培濤，等. 基于改進(jìn)粒子群算法的并聯(lián)機(jī)器人運(yùn)動學(xué)精度提高新方法[J]. 中國機(jī)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]周煒，廖文和，田威，等. 基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的機(jī)器人精度補(bǔ)償方法研究[J]. 中國機(jī)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，F(xiàn)eng 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.

(編輯袁興玲)

A Step Identification Method of Mechanisim Parameters of 5-DOF Parallel Machine Tool

Dang PengfeiFang Lijin

Northeastern University,Shenyang,110819

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.

parallel robot; pose error; parameter identification; quantum-behaved particle swarm optimization(QPSO)

2014-08-04

TP242DOI：10.3969/j.issn.1004-132X.2015.12.016

黨鵬飛，男，1986年生。東北大學(xué)機(jī)械工程與自動化學(xué)院博士研究生。主要研究方向為并聯(lián)機(jī)器人精度。房立金，男，1965年生。東北大學(xué)機(jī)械工程與自動化學(xué)院教授、博士研究生導(dǎo)師。