This paper presents a novel ultrasonic signal denoising method that integrates adaptive variational mode decomposition (AVMD) with convolutional neural networks (CNNs). Initially, the whale optimisation algorithm (WOA) is employed to optimise key parameters of variational mode decomposition, specifically the decomposition modes K and the penalty factor α. The ultrasonic signals are then decomposed into intrinsic mode functions (IMFs) and various statistical feature parameters, such as energy entropy, sample entropy, kurtosis and correlation factors, are calculated for each IMF. The signal-to-noise ratio (SNR) of the reconstructed signal from the IMFs is used to assign label values, forming a feature dataset. Subsequently, a CNN is utilised to train and recognise this dataset, achieving an accuracy rate of 93.94% on the test set. The results demonstrate that the CNN effectively distinguishes between various IMF combinations based on the reconstructed SNR and can proficiently identify IMF combinations with higher SNR. Finally, denoising experiments on actual ultrasonic echo signals validate the feasibility of this method for noise reduction applications. © 2024 British Institute of Non-Destructive Testing. All rights reserved.

In ultrasonic testing of Carbon Fiber Reinforced Polymers (CFRP), signals of near-surface flaws are often submerged in interface signals, resulting in blind spots for defect detection. To address this issue, this paper presents an autocorrelation imaging algorithm that combines Multipoint Optimal Minimum Entropy Deconvolution Adjusted (MOMEDA) with ${l_0}$l0-norm sparse representation. Firstly, the ultrasonic signal can be modelled as a convolution process. By using MOMEDA, the sequence of reflected pulses in the ultrasonic signal is obtained. Then, the ${l_0}$l0-norm sparse representation is utilised to enhance the temporal resolution of the sequence, successfully separating near-surface defect signals from interface signals. Finally, the processed data is input into the autocorrelation algorithm, achieving automated imaging of near-surface flaws. Simulation results demonstrate the efficacy of the algorithm in separating overlapping signals. Finally, experimental validation was conducted on flaws at three different depths. The algorithm presented in this paper is capable of identifying all near-surface flaws, with a defect size error rate consistently below 5%.

The poor pose accuracy of industrial robots restricts their further application in aviation manufacturing. Kinematic calibration based on position errors is a traditional method to improve robot accuracy. However, due to the difference between length errors and angle errors in the order of magnitude, it is difficult to accurately calibrate these geometric parameters together. In this paper, a two-step method for robot kinematic parameters calibration and a novel method for position and orientation measurement are proposed and combined to identify these two kinds of errors respectively. The redundant parameter errors that affect the identification are also analyzed and eliminated to further improve the accuracy of this two-step method. Taking the Levenberg-Marquardt algorithm as the underlying algorithm, simulation results indicate that the proposed two-step calibration method has faster iteration speed and higher identification accuracy than the traditional one. On this basis, the calibration and measurement methods proposed in this paper are verified on a heavy-duty robot used for fiber placement. Experimental results show that the mean absolute position error decreases from 0.9906 mm to 0.3703 mm after calibration by the proposed two-step calibration method with redundancy elimination. The absolute position accuracy has increased by 41.81% compared with the traditional method based on position errors only and 14.97% compared with the two-step calibration method without redundancy elimination. At the same time, the orientation errors after calibration are not more than 0.1485°, and the average of absolute errors is 0.0447. © 2023

在大型飞机机翼装配的过程中,非基准面之间常会因为加工误差或是装配过程中的变形而出现间隙,导致完成装配后的结构强度下降,或是在飞机服役过程中发生振动,严重时甚至会影响到飞机的运行安全。为降低装配间隙对结构整体的影响,在进行装配的过程中,需要根据间隙的形状,定制加工垫片对间隙区域进行填充。由于装配间隙在空间中具有很强的封闭性,且装配垫片表面为连续非均匀变厚曲面,装配垫片加工目前主要是由装配人员在装配现场根据经验试凑人工磨削完成。如何通过有限测量数据建模获得垫片三维轮廓,结合机器人智能加工技术,实现异形非均匀厚度垫片定制化加工,具有十分重要的工程应用价值。论文通过飞机构件模型装配,获取装配间隙位置与所需装配垫片模型形状,实现装配垫片加工余量计算,并推导磨削加工去除模型,规划机器人定制化加工工艺参数与加工轨迹规划。主要研究成果包括:针对装配垫片厚度分布复杂且厚度变化差值小的特点,论文使用机器人磨削加工作为垫片加工方式,对标准厚度铝合金材料进行加工处理,以Preston方程为基础,建立了机器人磨削加工材料去除模型,实现了磨削加工过程中对磨削深度的有效控制。分析了模型中各加工参数对磨削加工材料去除模型的影响,选择以机器人加工过程中的进给速度作为控制变量,在垫片加工过程中控制垫片厚度。实际装配过程中,装配间隙全区域精确测量相对较为困难,目前尚没有行之有效的方法。论文通过获取各装配部件点云包络得到的装配间隙模型,使用形状直径函数算法计算装配间隙模型中的厚度分布,通过对装配操作进行模拟,得到可能生成间隙的位置以及所需的垫片形状。在此基础上,通过基于近似平面化思想的点云几何分片算法,将垫片点云根据加工余量区间拆分为若干区域,并结合DBSCAN算法对各点云区域的边界进行识别,得到垫片模型表面的等加工余量曲线。针对机器人在异形非均匀厚度垫片自主加工中的轨迹规划和工艺规划,论文使用基于包容盒的横截面法作为轨迹规划策略,通过装配垫片加工余量分布模型与横截面求交,得到机器人加工轨迹线和对应的加工余量变化曲线,结合磨削加工材料去除模型计算得到沿轨迹线加工时的机器人进给速度变化曲线。使用抽稀算法对进给速度曲线进行离散,并将离散点投影至机器人加工轨迹线,得到离散轨迹点和对应的机器人加工进给速度。开发了面向装配垫片定制加工的机器人自主磨削加工规划软件,使用Efort机器人及FESTOOL磨削机构实现定制化加工平台搭建,并以飞机侧翼与机身间的装配垫片作为实验对象进行加工验证。测试结果表明,基于机器人磨抛方式得到的机翼装配垫片在加工精度和表面质量等方面均优于传统手工加工,验证了面向装配垫片的机器人加工系统的可靠性和实用性。

目标抓取是机器人最为典型的应用之一,而随机运动目标的跟踪抓取则是机器人目标抓取领域最具挑战性的课题,可显著提升机器人操作的效率、柔性以及人机或者多机协作能力,具有广泛的应用前景。视觉是机器人最为重要的感知技术之一,结合机器视觉与机器人控制的视觉伺服技术为随机运动目标的跟踪抓取提供了可行的解决方案。然而,当前的视觉伺服技术对于随机运动目标的跟踪抓取仍然存在明显不足,其核心问题在于对随机运动目标的跟踪抓取算法缺乏的实时性与鲁棒性。本文以视觉伺服技术为基础,围绕视觉引导下的随机运动目标的跟踪抓取这一主题,对视觉目标的跟踪以及机器人的跟踪抓取控制算法进行改进了深入研究。主要研究内容包括:研究了基于改进几何粒子滤波的视觉跟踪算法,提升了动态跟踪的实时性和鲁棒性。首先,通过边缘提取和形态学膨胀的方式,对特征点进行精简。然后,用HSV颜色特征替代原有的灰度值特征。最后,在每一次准确的跟踪后对目标模板按一定比例进行更新。通过OTB2015数据集的测试,改进后的算法将跟踪速度由45.68fps提高到52.71fps,中心位置误差由0.61提高到0.74。重构了运动目标物在三维空间中的位姿,使改进几何粒子滤波的视觉跟踪的结果能够用于机器人的伺服控制。采用RGB-D相机彩图与深度图相结合的方式对视觉跟踪结果进行三维重构。重构过程中为了提高目标物位姿的计算速度,没有重构整个点云信息,而是有针对性地选取目标物上少量点的深度信息,通过SVD分解得到目标物的位姿。建立了“远距离跟踪近距离拦截抓取”的机器人动态跟踪抓取策略,提升了机器人跟踪抓取的快速性。跟踪过程采用基于位置的视觉伺服（position based visual servoing,PBVS）,并对PBVS中目标物的位姿进行预测和偏移,减少了跟踪过程中的机器人运动的滞后,降低了跟踪过程机器人本体遮挡目标物可能性。搭建了机器人视觉跟踪抓取实验平台,开展了一维直线运动、二维随机运动和三维随机运动三类运动目标物的跟踪抓取实验。实验结果表明,本文提出的基于改进几何粒子滤波运动目标跟踪抓取算法具有良好的实时性和鲁棒性,三维随机运动目标物的最大平移速度达到0.25m/s,最大旋转角速度达到70°/s。

移动机械臂兼具灵巧作业能力与工作空间巨大的优势,为以风电叶片、高铁车身、飞机蒙皮为代表的大型复杂构件的高品质加工提供了新的解决思路。移动机械臂末端执行器的空间位姿高精度获取是保证加工质量的关键,而机械臂末端高精度、大范围的测量,具有较高挑战性。现有的大范围空间定位方法中,单站点式测量方法易受工件遮挡,而且存在累计误差,而多基站式测量方法则存在布站繁琐、成本高昂的问题,均不适用于移动机械臂定位场景。本文以双目立体视觉为基础,提出了一种无光线遮挡和累积误差的低成本移动机械臂大范围空间定位方案,并对方案的空间定位算法和靶标布局方案进行了深入探讨,主要包括以下内容:提出了一种基于双目立体视觉的移动机械臂空间大范围定位方案。该方案的实施则分为靶标的离线标定和相机在线测量这两步进行:采用分布式的参考靶标将测量场地覆盖,将双目相机与移动机械臂平台集成,双目相机同时拍摄机械臂末端和参考靶标,以相对定位的方式获得机械臂末端的绝对空间位姿。讨论了2类空间定位算法:基于位置优化的MLAT算法和基于相机位姿优化估计的定位算法,并基于后者中的同名点迭代算法进行鲁棒优化,在算法中增加了鲁棒分析环节,剔除测量数据中误差较大的离群点。仿真结果表明,改进后的算法能有效应对含有粗大误差的数据,鲁棒性有明显提升,定位精度接近于理想状态下原算法的精度。分析了同名点迭代算法的误差传递模型,提出采用姿态精度因子RDOP这一概念来表征测量误差和估计误差之间的放大关系。根据RDOP的影响因素,重点优化了靶标相对布局,确定了矩形布局是各类布局中最优的。最后,进一步优化了靶标整体布局方案,确定了靶标间距为33cm时是适合本方案的最优靶标间距。搭建了移动测量实验平台,进行了移动机械臂末端定位实验和大型构件三维扫描实验。实验结果表明,本文提出的基于立体视觉的移动机械臂大范围空间定位系统不存在光线遮挡和累计误差的问题,对机械臂末端直接定位的位置和姿态精度分别为±0.23mm和±0.02°,机械臂结合扫描仪后对扫描仪的位姿定位精度为±0.25mm和±0.5°。

智能仓储技术是机器人化智能制造的未来发展的重要组成部分。在机器人化智能制造过程中,智能仓储技术能提高仓储管理工作效率、降低投入成本,是其中重要的一环。RFID（Radio Frequency Identification）传感器是物联网的核心组成部分,具有唯一ID识别、非视距传播、不受光照影响、成本较低等诸多优势。近年来,由于RFID传感器的独特优势,其在出入库盘点、物流接驳、智能仓储管理等应用场景下得到越来越广泛的应用而显示出巨大的潜力。基于RFID通道门的出入库盘点中,标签假阳性识别是一个普遍问题。针对现有在RFID通道门场景下出入库识别技术中的标签假阳性读取问题,本学位论文提出了基于RFID相位的标签识别方法,并完成其工程化,基于理论研究在实验室环境下搭建工业级别的RFID通道门系统,主要研究工作包括:研究了RFID相位信号预处理方法。根据RFID系统采集的信息,研究了RFID相位信号的预处理方法,包括相位插值算法、相位解缠方法。并分析了智能仓储工况及RFID信号特点,介绍了基于合成孔径雷达的RFID定位方法思想,为后文的标签识别方法提供理论基础。提出了基于深度神经网络的标签分类方法。构建了深度残差网络模型,通过离线采集RFID相位数据,并进行预处理和标签类别的标记;将处理完成的数据输入到神经网络模型中,进行离线训练,得到神经网络分类器;然后进行RFID标签在线识别,区分目标标签和干扰标签;并在实验室环境下搭建平台验证该算法。提出了基于相位序列互相关函数的标签分类方法。在线采集RFID相位数据,经过预处理方法后与先验的目标标签和干扰标签相位序列计算互相关系数,根据得到的互相关系数区分目标标签和干扰标签;并在实验室环境下搭建平台验证该算法。开展了实验室中工业级智能制造系统RFID通道门的实验验证,在本文所提出的标签识别方法的基础上,搭建软硬件系统,在实验室环境下进行了实验验证,表明本文所提出的方法能很好地应用与实际工业环境,具有广泛的应用前景和需求。

机器人抓取是应用最为广泛的机器人作业任务,也是机器人操作中最具挑战性的技术之一。当前成熟的机器人抓取系统多数针对结构化操作环境,且依赖事先获取的抓取对象模型规划抓取过程,抓取目标形状、姿态、大小、颜色等特征单一且应用场景相对固定,缺乏灵活性与鲁棒性。为适应非结构化环境下未知目标抓取的应用需求,首先需要攻克未知目标抓取位姿的自主检测问题。本文针对未知目标物体的自主抓取位姿检测展开研究,提出了基于卷积神经网络的机器人抓取位姿自主检测算法,并进行了实验验证,主要内容包括:研究了基于RGB-D图像的机器人抓取位姿表示方法,将机器人三维空间抓取位姿检测问题转换为二维图像检测问题。研究二维图像上的有向矩形框表示方法表示机器人三维空间抓取位姿,并提出通过限定抓取方向为物体表面法线方向的方式,结合RGB-D图像数据,将该有向矩形框参数唯一映射到机器人三维空间抓取位姿参数。提出了一种基于滑动窗检测的抓取位姿检测算法,抓取位姿检测准确率较同类型算法有所提高。基于卷积神经网络模型设计了一个抓取位姿抓取置信度判别模型,使用滑动窗算法生成的候选抓取位姿进行可抓取置信度判定并排序,得到最优抓取位姿。该算法在康奈尔抓取数据集上达到了91.3%的抓取检测准确率。提出了一种基于深度残差网络的抓取位姿检测算法,在兼顾抓取位姿检测成功率的同时,显著地提升了抓取位姿检测速度。使用基于深度残差网络的卷积神经网络模型端到端的学习RGB-D图像数据和最优抓取位姿映射关系,通过数据扩增和迁移学习技术加速学习过程,避免数据过拟合问题。该算法在康奈尔数据集上的抓取检测准确率达到了90.1%,检测速度相比滑动窗类算法的15秒/帧提高到了0.37秒/帧。搭建了基于Kinect深度相机和UR5机器人的抓取位姿检测算法验证实验平台,分别面向熟悉目标物体和未知目标物体进行了抓取验证实验。实验结果表明抓取位姿检测算法的抓取位姿检测准确率和抓取成功率均达到了较优水平,机器人自主抓取过程灵巧且鲁棒。

抓取是机器人技术在现实生活中最为常见的表现手段,也是机器人操作中最具挑战性的任务之一,其对于解放人类双手、提高工业生产力具有重要意义。传统机器人抓取操作多在结构化环境下进行,需要事先获取被抓取物体三维模型并离线规划机械臂抓取轨迹,适用场景相对固定且物体形状、颜色、大小等特征单一,缺乏灵活性和鲁棒性。为实现机器人在非结构化环境下对任意物体的精确抓取,首先需要解决的就是抓取位姿检测问题。本文以RGB-D相机为基础,深入研究了基于卷积神经网络的抓取位姿检测算法,分别实现了已知物体与未知物体的抓取位姿高效鲁棒检测,并进行了抓取实验验证,主要研究内容包括:研究了基于深度图像的机器人抓取位姿表示方法,使用二维图像检测代替三维空间抓取位姿检测。将多接触点表示法与二维旋转矩形框表示法相结合,提出两点式抓取位姿表示方法以表示机器人三维抓取位姿,更加符合二指平行夹持器执行捏取式抓取操作要求。结合深度数据并限定抓取方向,将二维抓取参数唯一地映射回三维抓取空间。提出了一种针对已知物体的两步法抓取位姿检测算法,将目标检测与抓取位姿检测相结合,利用小样本数据集训练网络模型,对物体位姿变化具有较高的适应性。基于SSD＿Mobile Net网络模型进行目标检测,采用阈值化分割技术将物体从背景中分离出来,利用主成分分析法可同时对多个物体进行抓取位姿确定。与传统方式相比,在有效减少构建抓取数据库时间的同时达到了87%的抓取成功率,性能较为优异。提出了一种针对未知物体的端到端抓取位姿检测算法,采用仿真方式构建抓取数据集并训练全卷积网络模型,直接输出深度图中各位置所对应的抓取位置、角度和质量,在极大减少数据集搜集时间的同时提升了抓取检测精度,通过抓取质量预测函数评价抓取位姿的优劣。该算法在验证集上的准确率达到0.899,超过原始GQCNN的准确率。且对于未知物体的抓取位姿检测平均时间为0.65s,较原始网络提升了31.6%。抓取质量Q值较高,且较为集中均在0.79以上,相比之前Q值不稳定且整体偏小有了较大提升。搭建了机器人抓取实验平台,通过对不同形状的未知物体进行抓取实验以验证抓取位姿检测算法的性能。实验结果表明端到端抓取位姿检测算法的抓取位姿检测准确率和机器人抓取成功率均达到较高水平,抓取过程灵巧且稳定。

大型复杂构件如风电叶片、航空结构件、船舶壳体的打磨是一项复杂而又繁重的工作,目前仍以人工打磨为主。为了提高大型复杂构件打磨质量和效率,机器人取代人工打磨已经是必然趋势。为实现大型复杂构件机器人高效高精加工,需要对加工轨迹规划模型、工件模型处理、曲面轨迹规划等过程进行研究。以上研究中仍存在以下问题:机器人加工模型依赖人工多次实验和调整,费时费力;工件在吊装放置或搬运后CAD模型与工件尺寸不一致,机器人加工精度不能保证;大型复杂构件模型数据信息大、处理困难,造成机器人轨迹规划速度慢精度低。本文根据大型复杂构件特点,提出了一种基于三维点云的大型复杂构件机器人自主加工轨迹规划方法,并结合OpenCascade几何引擎开发出大型复杂构件机器人自主加工轨迹规划软件。本文主要研究内容如下:对机器人自主加工轨迹规划中机器人末端和工件建立模型。结合大型复杂构件尺寸巨大、加工精度要求高等特点,分别建立机器人末端的工艺参数模型和工件的姿态矢量参数模型。基于赫兹接触理论构建了机器人末端的工艺参数模型,基于非均匀主成分分析法求解出工件的姿态信息。对大型复杂构件点云处理与模型重构。基于迭代就近点法提出一种靶标变换矩阵的点云空间转换方法,根据靶标变换矩阵对点云模型做出空间变换,实现工件在搬运后点云信息自动变换。通过最大偏角约束,对三维点云分片处理。提出一种无序点排序算法,将复杂的点云模型简化为有序点集,最后通过B样条曲线拟合完成三维重构。将三维重构的曲面作为加工对象,采用黄金分割法对加工廓形约束下的关键参数最优化求解。利用包容盒算法进行轨迹规划并获得轨迹点坐标。采用曲线点抽稀算法,将密集的轨迹点精简成等弦差的轨迹点,提高轨迹规划速率。结合曲面的参数几何特性,计算轨迹点在曲面上的参数微分值,根据模型的姿态信息,自动约束机器人末端矢量方向,结合轨迹点坐标与方向矢量生成机器人加工轨迹信息。基于所述的基于三维点云的大型复杂构件机器人自主加工轨迹规划方法,设计并开发了大型复杂构件机器人加工轨迹规划系统。并以风电叶片为实验对象,验证了本文轨迹规划方法的有效性和大型复杂构件机器人轨迹规划软件的实用性。