文摘

兼容的机制与柔性铰链为定位器被广泛应用,生物工程,航空航天。在这项研究中,一种新的优化设计方法为移动microrobotic抛光机器人系统平台的开发。metaheuristic-based机器学习技术结合有限元分析(FEA)。设计平台允许三个自由度和两个x- - - - - - -y翻译和一个z设在旋转。还开发了一种新的混合动力位移放大机制使用Scott-Russell和two-lever机制放大平台的工作区。叶铰链被由于大量的旋转,和正确的循环铰链采用,因为他们的精度高。在开发平台的行为进行建模,人工神经网络是结合teaching-learning-based制定优化(TLBO)方法。安架构进行优化通过TLBO更好的近似。然后,三个TLBO优化进行了案例研究。通过有限元仿真数据收集。建模结果TLBO-based安与优秀指标良好R,R²和均方误差。优化结果表明,该MPM平台达到1568.1 max-y中风μ米,max -x中风的735.55μm, max -θ旋转角度为2.26度。拟议的MPM平台可以运行在一个较高的位移放大比率超过9。

1。介绍

兼容的机制在超高精密工程中发挥重要的作用,如稳定的开关(1,2],vibration-assisted切割[3),操作/微[4),快速伺服精密加工、能量收割机(5光学[的],结合6,机器人7),等等。与僵化的联系同行相比,兼容的机制可以提出一个高分辨率精确平滑运动由于出色的优点,如没有反弹,没有摩擦,减少装配,廉价的制造、和整体结构。

目前,许多平面柔顺机构从一个自由度(自由度)三自由度运动已经开发利用系列体系结构、并行链,或混合串并联类型。一个景深机制往往与最小寄生运动精度高,但这些机制仍然局限在某些应用程序中,例如,定位器(8]。然后,两个自由度机制设计提出更复杂的应用程序,例如,扫描仪9]。两自由度机制具有解耦特性。尽管一个或两个自由度机制可以实现宽中风,简单的控制,精度高,但他们的应用程序仍然是有限的。因此,三个自由度的机制已经开发作为许多平面应用程序作为一个定位器的选择,操纵,等等10]。然而,两个译本的工作区和一个现有的三个自由度的旋转机制仍然很小。克服这样的缺点,需要运动结构有更好的性能提供一个高负载能力,中风大,安全系数高,高刚度。因此,三自由度机制已经备受关注,成为研究的一个热门话题。

一般来说,投诉机制,由piezoelectrical行动致动器(压电),工作空间有限。克服这个缺点,提出了许多位移放大机制放大压电的中风,如Scott-Russell机制、杠杆和桥梁类型(11]。此外,很多其他研究人员还设计了许多不同类型的三自由度定位所需的特色平台兼容。micropositioning阶段设计了三自由度(12]。在这项研究中,合规矩阵和有限元法是利用构建刚度和输入耦合比的阶段。除此之外,舞台上的参数进行了优化,以减少输入耦合比。一个三自由度操纵空间精度设计和分析13]。本文分析了平移和角向位移。此外,提出了一种三平移机构,通过伪刚体模型(复审委员会)方法分析(14]。通过使用技术,两个翻译,一个旋转的另一个三自由度的机制设计和分析(15]。分析了这种nanopositioning应用程序合规矩阵(16]。

尽管讨论型三阶段设计与多个优秀的特点,但仍然复杂结构。此外,工作空间仍然有限。考虑应用程序的三自由度柔顺机构的机器人,一个平面micropositioning平台设计和制造误差进行了分析17]。几乎的行为分析前一阶段雇佣一些流行的分析技术,如复审委员会和合规矩阵。高非线性行为特点,建模的一个大错误。这导致大型制造错误,减少实际的定位能力。为了克服这个障碍,基于machine-learning-based方法和新方法metaheuristics在本文。人工神经网络(ANN)是结合teaching-learning-based优化算法(TLBO)建模的行为XYθ移动定位microrobotic平台。发达microrobotic平台基本上可以申请vibration-based抛光机器人应用程序。

出于现有研究之间的差距,提出了一种优化设计方法对三自由度移动microrobotic平台用于抛光机器人应用程序。开发平台能够提供一个较大的工作空间x- - - - - - -y翻译和旋转z设在。在建模的行为提出microrobotic平台,采用人工神经网络来解决中风和安全系数。安克服的局限性,TLBO算法扩展到优化安近似精度。然后,提出microrobotic平台的几何因素采用TLBO算法进行了优化。最后,三个案例研究被认为是证实该方法的准确性和有效性。

2。概念设计的XYθ移动定位Microrobotic平台

一个基本的应用XYθ移动定位microrobotic (MPM)平台是用于操作和精确的样品定位从sub-micrometer到数百微米尺度。图1演示了MPM平台的设计方案。拟议的MPM平台采用三个压电堆作动器(压电)启动一个输入位移三个相应的机械腿(机器人腿# 1,机器人腿# 2,和机器人腿# 3)。

安排三个机器人腿周围一圈120度和三个压电位于tripedalism,所谓tripedal拓扑,MPM平台可以生成三自由度平面表面的运动。这意味着该平台包括三个主要动作,如两译本x- - - - - - -y轴和一个旋转(θ_z)在z设在。

总的来说,MPM平台制造单片flexure-based机制。制造将通过导线进行电放电加工(有线)。每个机器人的腿也是一个弯曲结构,包括一个混合位移放大机制(HDAM)结合叶片铰链。机器人腿# 1是定义在一个当地的坐标O₁X₁Y₁。机器人腿# 2和机器人腿# 3被定义在一个当地的坐标O₂X₂Y₂和O₃X₃Y₃,分别。更多细节的HDAM在下一节中介绍。在三个同时压电驱动下,微型机扑的移动平台使得两个翻译δx₁和δy₁和一个旋转θ₁。

MPM平台的技术要求和规范在设计阶段将实现大中风在翻译超过1000 (μ米)或高于1毫米,宽一个旋转。此外,高安全系数超过1.8是必需的。提到重要的MPM平台的技术规格可以满足实际应用。此外,Al 7075 - t651 microrobotic生产平台。列出Al 7075 - t651的性质,包括密度2810公斤/米³泊松比为0.33,503 MPa,屈服应力和杨氏模量71.7的平均绩点。

图2说明了装配方案XYθ移动定位microrobotic平台。

如图2,它包括以下主要部分:(1)预加载,(2)压电陶瓷安装板,(3)压电陶瓷致动器,(4)中间板,(5)原型,(6)减振固定板,(7)固定孔。

如图2的原型提出microrobotic平台安装在中间板。压电陶瓷片的压电被固定在安装板,和预加载螺丝来调整压电陶瓷接触这个平台的输入端口。最后,整个系统的减振表。

提出MPM平台的一个基本的应用程序能够被用于抛光机器人系统,如在图3。该平台是安装在车站。抛光样品位于移动平台通过固定螺丝机械臂的末端执行器将抛光工具。

当三个压电行动,导致样品的微振动平台。微振动的目的是减少样本之间的摩擦和抛光工具。这将导致改进最终工件的表面粗糙度。这个加工过程被认为是一个vibration-assisted抛光过程。

维方案提议的MPM图提供了平台4,主要维度表1。平台的厚度的平面(z设在)是8毫米。

2.1。分析混合动力位移放大模块

图5提供了一种新的混合动力位移放大器。建议HDAM是由结合Scott-Russell机制(SRM)放大器two-lever位移(TLD)放大器。混合放大器是移动变形的基础上,对循环铰链。135年一开始,一个输入位移μ米沿着x设在行动到SRM放大器,这种位移放大器是绕着支点(1),然后输出运动的SRM转换TLD放大器的输入端,这个机制是旋转支点(2)的输出位移沿收集y设在。最后,提出HDMA这样保存的输出运动转移到叶铰链(见图1),这样MPM平台移动。

为了说明提出HDMA这样的放大比率,拟议中的HDMA这样网状和模拟有限元分析(FEA) ANSYS 2019 r1软件。节点和元素的数量大约是29047年和16867年,分别。网格的质量由偏态测量技术平均值为0.44906。HDMA这样的结果提供了表2。

结果表2表明,提出的混合放大器的放大比率约为12.43高的安全系数(SF)从90年超过1.4时输入位移μm - 145μm。此外,压力仍低于材料的屈服应力(503 MPa)。

2.2。初始评估Microrobotic平台的静态和动态行为

为了评估拟议的MPM的初始规范平台,静态和动态的行为由ANSYS软件模拟。三个压电同时雇佣135人μ米,输出中风/机器人腿# 1的位移测量。图6(一)显示了模拟的边界条件平台。节点的数目是71202,和元素的数量是41045。偏态平均值约为0.4877,在图6 (b)。

图7描绘了应力集中。发现,高应力出现在叶表面的铰链和右循环铰链。

MPM的变形图提供了平台8。

最初的评估显示,提出的放大比率MPM平台约为9.85,具有高安全系数(SF)从90年超过1.7时输入位移μm - 145μm。此外,压力仍小于材料的屈服应力(503 MPa),表中描述3。

动态行为是通过有限元分析模拟。四个自然频率第一模式形状包括102.036赫兹,113.81赫兹,113.9赫兹,和154.84赫兹,分别提供的表4。考虑共振的MPM与压电和其他平台,第一个模式形状z设在翻译。第二个模式形状x设在翻译。第三个模式形状z设在翻译。最后,第四模式形状z设在旋转。

2.3。配方的优化问题

的特点提出MPM平台希望获得的两个主要设计目标,包括大中风(δy₁),安全系数高。

中风是增强时,旋转的平台(θ₁)也得到了改善。一个好的科幻超过1.8可以确保长时间工作。基于最初的评估在前面的部分,它确定提出MPM的表演平台由不同厚度值的强烈影响正确的圆形铰链(一个,B,C,D)和叶铰链的厚度(E)。

三个优化问题的提出MPM平台被认为是如下。案例# 1。:最大化中风找到设计变量: 设计变量的范围(单位:毫米): 案例# 2。:最大化安全系数找到设计变量: 设计变量的范围(单位:毫米): 案例# 3。同时:最大化中风和安全系数(多目标优化问题)找到设计变量: 设计变量的范围(单位:毫米): 在哪里X是一个向量的设计变量。参数一个,B,C,D的厚度是正确的循环铰链。参数E是叶铰链的厚度。中风和安全系数被表示为f₁(X)和f₂分别(X)。

3所示。提出了建模和优化方法

设计的图1,拟议的MPM平台整体架构有三个机器人腿。翻译和旋转运动平台的完全基于弹性运动的叶铰链和右循环铰链。

因为MPM平台使用flexure-based机制的概念,所谓兼容的机制,它继承了许多优良性能,如低体重,减少装配、制造简单,没有运动关节相比,僵化的联系。然而,数学方程的静态行为建模的MPM平台很难准确地制定,因为它没有运动关节。因此,叶铰链和右循环铰链被视为虚拟关节。

因此,选择了基于ANN建模方法在近似中风和安全系数。为了提高预测能力的安,TLBO算法。然后,TLBO扩展处理的三个优化情况下MPM的平台。提出的流程图如图提供建模和优化技术9。

3.1。为Microrobotic平台模拟技术

为了收集数据的MPM的表演平台,进行有限元分析实现,见图10。有5个设计变量,27实验样本。(我)构建三维模型的提出MMP的平台。(2)设计变量(一个,B,C,D,E)和输出性能(中风和安全系数)是参数化的。(3)定义属性的材料7075 - t651艾尔。(iv)确定边界条件和加载/输入从压电位移。(v)模拟MPM平台通过有限元方法(FEM)。(vi)收集数据。(七)如果数据集不满意,它将返回调整范围的变量。

3.2。安TLBO优化的

在这项研究中,选择feedforward-learning安技术制定建模提出了中风和安全系数的MPM的平台。基本上,安是基于人类大脑(18]。安,推理的MPM的几何参数和输出响应平台嵌入到编程。一个安编程包括三个主要的信号如输入,隐藏和输出层。有效地运作,学习速率、动量,偏见,最小误差,应该适当地定义和激活函数。安的操作可以获得高有效性时,它可以确保训练误差最小。这可以做得好时,重量和偏见是合理的更新。

虽然安可以构建非线性行为建模但精度仍然是强烈依赖于其可控因素。为了解决这个限制,TLBO [19安)应用于优化体系结构。最大的问题之一是如何定义完全隐藏在隐层节点的数量。下面的方程是用来解决这个问题。

有5个设计变量对应一个输出性能,隐藏层节点是11。提供了一个优化的安TLBO图11。

在优化问题中,目标函数是均方误差(MSE)定义如下: 在那里,t目标和衡量预测目标,k输入的维数,所谓的数据点的数量。

此外,确定系数(R²)计算估计回归模型: 在哪里t是实际的目标,预测目标,平均目标。

3.3。优化TLBO Microrobotic平台的方法

根据TLBO算法,一个好老师可以训练一个更好的学习者。教师在课堂上的任务是至关重要的19]。设计的精简是一个人口,一个向量是一个矢量。的两个主要策略TLBO包括教学和学习。

3.3.1。教学策略

老师策略提出一些关键理念如下。(我)搜索老师人口的最佳解决方案。(2)确定学习者的平均结果(米_j,_我)对一个特定的主题。(3)老师的能力影响学生遵循的质量方程。 在那里,Dm_{j, k,我}是增加的平均值。X_{kb j,我}是最好的学习者(即。、老师)j主题。T_F是教学的因素。r_j,我是一个随机值在[0,1]。的T_F值为1或2。的T_F随机值是由以下公式:

之后,更新现有的解决方案由以下方程老师策略。 在那里,更新的价值吗 。如果这个阶段的结果是满意的,然后,他们为学习者策略被认为是作为输入。

3.3.2。学习策略

学习者可以学习的东西与其他学生在教室里。在任何迭代我与其他相比,学习者是学习者。具体地说,U和V比较两个学习者在一起( )按照公式。 被接受时,目标函数的值是更好。TLBO方法的流程图如图12。

4所示。结果与讨论

在本部分中,建模MPM平台提供的行为。此外,该平台的优化问题。优化结果验证。

4.1。设置的模拟和数据收集

从图5,边界条件。三个输入位移同时从三个压电饰。中风(δ_y1沿着轴测量)。此外,计算安全系数。AL 7075 - t651用于平台。27个实验的结果表5。

4.2。参数评估

评估几何参数的关联的行为提出MPM平台,采用方差分析(方差分析)来解决这个问题。中风的方差分析结果表6。此外,整个输入的敏感情节中风如图13。结果表明,参数的贡献如下:C (37.65%)、D (12.47%)、E (7.20%)、B(0.61%),和一个(0.47%)。

如表所示7输入参数的贡献,安全系数要求如下。最高的贡献是C (29.35%)、(5.78%)、E (1.43%)、B (1.98%)、D(0.06%),提供在图14。

4.3。Microrobotic平台的建模行为ANN-Based TLBO

MPM平台的行为建模是通过安。为了提高安技术的有效性,TLBO嵌入到安编程。首先,收集到的数据表5由训练、测试和验证。优化安架构可以找到最好的重量和偏见。安的建模精度优化评估指标计算的MSE和R²。

此外,相关系数(R)也计算。的建模结果中风和高安全系数达到很好R值,绘制数据15和(16日),分别。最好的性能,预测误差、预测和数值之间的差异,见图15,16 (c),16 (d),分别。

图中所描绘的一样15和16,提出人工智能技术最好的表演比实现从线性回归。

4.4。参数优化

在本部分中,TLBO算法初始化人口50 5000和迭代。优化编程实现MATLAB R2019环境。优化结果表中提供的三个案例研究6。从图17旋转角度(θ_z拟议的MPM)在O点是用有限元ANSYS软件平台。从表8,y-stroke位移沿y设在在O₁点。的y蛙泳是优化位移预测的提议metaheuristic-intelligent方法(ANN-TLBO)。的x -中风是位移沿x设在在阿₁点。的x蛙泳、压力和旋转角度从有限元ANSYS软件计算。

从表的实现结果8,它显示的优化中风y设在MPM的平台可以获得1555.6763μ1300.6米,μ米,1568μ案例# 1,# 2,分别和案例# 3。此外,x266.4设在中风的平台μ735.55米,μ米,714μ案例# 1,# 2,分别和案例# 3。这个平台的安全系数超过1.5。与此同时,应力出现在三个案例研究总是低于屈服应力(503 MPa) 7075 - t651艾尔。这对平台保证了长时间的工作强度。压力是由下列方程计算。 在那里,年代代表MPM的压力平台。年代_收益率7075 - t651是艾尔的屈服应力。科幻小说是安全因素。

基于输出中风MPM的平台,位移放大比率可以通过以下公式计算。 在那里,一个_R位移放大比率。的O_年代和我_年代注意输出y-stroke中风和输入。

利用方程(15),一个_R案例# 1值约为11.54,9.63为案例研究# 2和11.61案例# 3。

4.5。验证优化结果

通过优化设计参数,发明家的原型构建软件,然后执行模拟来验证优化结果。下表9之间的错误方法和模拟方法是在9%以下。该方法是可靠的优化技术在建模和优化MPM的平台。

5。结论

本文介绍了一种优化设计方法为移动microrobotic平台。拟议的MPM平台建成通过使用两个模块相结合,包括混合动力位移放大机构和叶铰链。发达HDAM是由Scott-Russell机制和双层的杠杆放大机制的结合。新提议HDAM放大器可以允许大放大比率。如此高的放大值,它确保了巨大的产出中风MPM的平台。发达MPM平台能够用于定位的样品抛光机器人系统。该平台可以实现三个动作,包括两个翻译,一个旋转。

在建模的中风和安全系数MPM平台,结合使用的安TLBO方法。通过使用TLBO,安架构是一个更好的近似优化。然后,优化三个案例研究了TLBO改善中风和安全系数。此外,案例研究也证明了该方法的有效性。在这项研究中,有限元数据结合安,TLBO建模过程。本文的结果可以列出如下。建模结果TLBO-based安是相当确定的。的值指标相对较好R和R²接近1的值均方误差非常小。建立了智能预测优于线性回归。的预测值TLBO-ANN接近测量值。在案例研究# 1,优化平台可以操作的y设在中风超过1558.6763μm和1.58的安全系数。在案例研究# 2,优化平台可以实现一个大y设在1300μm和2.3的安全系数。在案例研究# 3,优化平台可以取代一个大y设在1568.1μm和2.04的安全系数。总之,该MPM平台可以实现1568.1 max-y中风μ米,max -x中风的735.55μm, max -θ旋转角度为2.26度。三种情况下的压力仍低于7075 - t651 Al的屈服应力。拟议的MPM平台能够实现高位移放大比率至少9。

在即将到来的研究中,将由线切割机床制造真正的原型。物理验证将被执行。将进行抛光实验。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作属于项目格兰特没有:T2021-11TĐ和由胡志明市科技大学和教育,越南。