面向大型整体构件现场精密加工的组合测量方法研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    51775376
  • 项目类别：
    面上项目
  • 资助金额：
    60.0万
  • 负责人：
    丁雅斌
  • 依托单位：
    天津大学
  • 学科分类：
    E0510.制造系统与智能化
  • 结题年份：
    2021
  • 批准年份：
    2017
  • 项目状态：
    已结题
  • 起止时间：
    2018-01-01 至2021-12-31

项目摘要

To improve the precision and efficiency of in-situ precision machining of large parts, this project aims to develop the combined measurement method and precision control method for fusing system data by profound research on three aspects: reference transfer technology based on registration of multi station measurement data, robot calibration using the mixed internal and external inspection information, and reconstruction of 3D profile based on the robot pose errors. The application of this project is in-situ precision machining of the manned space station cabin instrument interface. A simulation and experimental verification platform will be built using the above technology. The outcome of the project will lay down a solid theoretical and technical foundation in robotized machining system of large parts.
本项目针对大型整体构件现场高效精密加工需求，研究基于多传感器数据融合的组合测量原理与精度调控方法，包括基于多站位测量信息数据配准的基准传递技术，基于内外部检测信息的机器人本体运动学标定技术，计及机器人末端位姿误差的工件三维廓形重构技术。以载人航天空间站舱段仪器接口现场加工系统为背景，利用上述技术搭建原理性仿真与实验验证平台，以期为保障大型构件机器人化加工系统的精度提供重要的技术基础。

结项摘要

将工业机器人搭载在AGV上构成的移动工作站正在成为大型整体结构件现场局部铣削、制孔、抛磨、装配等作业的重要发展趋势，且在航天航空、轨道交通等领域得到逐步应用。精度是现场加工用机器人移动工作站的重要技术指标，为此本项目围绕机器人本体精度保障、机器人视觉测量系统精度调控、加工系统全局测量场基准传递等问题，由单元到整体的开展基于多传感器数据融合的组合测量原理与精度调控方法研究，在机器人本体运动学标定、多站位测量数据配准与基准传递、移动机器人在线定位等方面取得如下成果：. 以自主研发的TriMule五自由混联机器人为研究对象，提出了基于少量测量位形误差信息迭代补偿驱动关节初始误差的零点标定方法，形成了“零点标定+参数辨识+网格补偿”的递进式误差补偿技术。针对机器人在线定位需求，设计了可集成在机器人末端的三维视觉测量传感器，构建了一种顾及机器人姿态参数的手眼标定模型，实现对末端执行器的精确调控。在此基础上，提出一种首先离线辨识机器人视觉测量系统中的可调参数，然后仅利用一次视觉测量信息便可确定机器人与工件相对位姿的方法。针对全局测量场的系统误差累积问题，提出一种逐级闭环优化策略，使用数据驱动的方式融合优化结果，提高系统的基准传递稳定性。基于上述理论和技术成果，搭建了V-Rep虚拟实验平台和机器人加工实验验证平台。本项目为高性能混联加工机器人的精度保障提供了成套知识产权和专有技术，为推进我国新型工业机器人在航空航天等高端制造领域的工程应用奠定了重要的理论与技术基础。. 项目成果获国家CSC青年骨干教师出国交流计划资助1人，培养硕/博士研究生8人；发表学术论文11篇，其中SCI论文7篇，EI论文4篇；授权中国发明专利7件，向国内企业实施专利权转让1项。

项目成果

期刊论文数量（9）
专著数量（0）
科研奖励数量（0）
会议论文数量（2）
专利数量（10）
A Human-Guided Vision-Based Measurement System for Multi-Station Robotic Motion Platform Based on V-Rep
基于V-Rep的多工位机器人运动平台人眼视觉测量系统
  • DOI：
    10.1017/s0263574719001371
  • 发表时间：
    2020-07-01
  • 期刊：
    ROBOTICA
  • 影响因子：
    2.7
  • 作者：
    Ding, Yabin;Guo, Wei;Luo, Zhenjun
  • 通讯作者：
    Luo, Zhenjun
机器人加工系统累积误差逐级闭环优化策略
  • DOI：
    --
  • 发表时间：
    2021
  • 期刊：
    浙江大学学报(工学版)
  • 影响因子：
    --
  • 作者：
    郝晏;丁雅斌;付津昇
  • 通讯作者：
    付津昇
Development of a novel mobile robotic system for large-scale manufacturing
开发用于大规模制造的新型移动机器人系统
  • DOI：
    10.1177/0954405420971088
  • 发表时间：
    2020-11
  • 期刊：
    Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture
  • 影响因子：
    --
  • 作者：
    Yabin Ding;Zeyang Zhang;Xianping Liu;Jinsheng Fu;Tian Huang
  • 通讯作者：
    Tian Huang
Conceptual design and parameter optimization of a variable stiffness mechanism for producing constant output forces
产生恒定输出力的变刚度机构的概念设计和参数优化
  • DOI：
    10.1016/j.mechmachtheory.2020.104033
  • 发表时间：
    2020-12
  • 期刊：
    Mechanism and Machine Theory
  • 影响因子：
    5.2
  • 作者：
    Haitao Liu;Dongxu Zhu;Juliang Xiao
  • 通讯作者：
    Juliang Xiao
Kinematic modeling and optimal design of a partially compliant four-bar linkage using elliptic integral solution
使用椭圆积分解的部分柔顺四连杆机构的运动学建模和优化设计
  • DOI：
    10.1016/j.mechmachtheory.2020.104214
  • 发表时间：
    2021-03-01
  • 期刊：
    MECHANISM AND MACHINE THEORY
  • 影响因子：
    5.2
  • 作者：
    Xu, Ke;Liu, Haitao;Wang, Guofeng
  • 通讯作者：
    Wang, Guofeng

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

基于广义等值面提取的多视场深度像融合
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    工程图学学报
  • 影响因子：
    --
  • 作者：
    丁雅斌;彭翔;刘则毅;牛憨笨
  • 通讯作者：
    牛憨笨
Monocular vision for pose estimation in space based on cone projection
基于圆锥投影的单目视觉空间位姿估计
  • DOI：
    10.1117/1.oe.56.10.103108
  • 发表时间：
    2017-10
  • 期刊：
    Optical Engineering
  • 影响因子：
    1.3
  • 作者：
    梅江平;章点;丁雅斌
  • 通讯作者：
    丁雅斌

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

丁雅斌的其他基金

基于视觉感知的移动加工机器人位姿误差建模与在线补偿
  • 批准号：
    52375507
  • 批准年份：
    2023
  • 资助金额：
    50 万元
  • 项目类别：
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码