37、自动调整中数据优化的研究

自动调整中数据优化的研究

在自动化调整实验中，数据的准确性和可靠性对于整个实验的成功至关重要。本文将探讨如何对实验中获取的扭矩数据和末端力数据进行优化，以提高实验的精度和效率。

1. 自动化调整实验概述

在自动化调整实验中，使用了两台库卡机器人执行两项操作：
- 一台机器人按预设顺序调整支撑结构两侧的八个偏心轴。
- 另一台机器人拉动运动部件并测量实际摩擦力。

调整完成后，会测量摩擦力。若结果满足设计要求，则调整结束；否则，将进行下一轮调整。操作中获取的数据是决定是否终止运动的关键，因此数据质量是调整实验的基础和重点。

2. 扭矩数据优化策略

在调整过程中，机器人调整偏心轴并输出实际扭矩。对于偏心轴的每个旋转角度，从机器人的扭矩传感器获取实际扭矩值，并与目标扭矩比较，以确定是否继续调整。

实验发现，每次调整循环后的最终测量摩擦力总是小于估计值。通过分析机器人PAD面板上的扭矩数据，发现连续调整偏心轴时，扭矩值不连续且波动较大。对机器人内部传感器的扭矩数据进行收集和绘图后，发现数据噪声过大，严重影响了比较的准确性。

为了解决这个问题，采用滤波算法对数据进行优化。这里选择了卡尔曼滤波作为处理算法，以下是详细介绍：
- 卡尔曼滤波原理
- 卡尔曼滤波是一种高效的自回归滤波器，可从一系列不完整且含噪声的测量值中估计动态系统的状态。它根据前一时刻的状态估计和当前时刻的观测值递归推导新的状态估计。
- 数学原理：假设物理系统的状态转换过程可描述为离散时间随机过程，系统状态受输入影响，且系统状态和观测过程不可避免地受到噪声影