37、自动化调整中的数据优化研究

自动化调整中的数据优化研究

1. 自动化调整实验概述

在自动化调整实验中，总共使用了两台库卡（KUKA）机器人，并执行两项操作。一台机器人按预设顺序调整支撑结构两侧的八个偏心轴，另一台则用于拉动移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，调整即完成；否则，将进行下一轮循环。操作中获取的数据是决定运动是否终止的关键，因此这两类数据的质量是调整实验的基础和重点。

2. 扭矩数据优化策略

2.1 扭矩数据问题分析

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，都会从机器人的扭矩传感器中采集实际扭矩值，然后将该值与目标扭矩进行比较，以确定是否继续调整。

实验发现，每次调整循环后最终测量的摩擦力总是小于估计值。从机器人PAD面板上的扭矩数据可知，在连续调整偏心轴时，扭矩值不连续且波动较大。通过软件收集机器人内部传感器的扭矩数据，并使用MATLAB绘制曲线，可明显看到测量扭矩值虽沿曲线方向有适当趋势，但数据噪声过大，严重影响比较的准确性。例如，以0.3 Nm为目标扭矩值，在15.3°（图中横坐标位置153）时达到该值，但按平均值应在17°时达到，这导致机器人提前终止调整动作，每个偏心轴的偏转角都无法达到预定角度，这是最终摩擦力较低的根本原因。

由于数据噪声与运动系统有关且包含随机噪声，而机器人由外部公司制造，作为用户难以分析系统，因此将重点关注结果数据，并采用滤波算法尽可能消除噪声、优化数据。

2.2 卡尔曼滤波

2.2.1 卡尔曼滤波简介

卡尔曼滤波方法广泛应用于机器人控制、雷达跟踪和航天器轨道校正等领