技术领域
[0001] 本
发明涉及高精度
机器人RV减速器传动精度优化方法。
背景技术
[0002] 由于RV减速器零部件制造误差、装配误差以及传动过程中
温度变形和弹性变形的存在,输入输出转
角误差在所难免。转角误差是指
输出轴实际转角与理论转角之间的偏差值，是评价RV减速器传动精度的重要指标。RV减速器的应用领域多为传动精度要求较高的精密传动装置，比如机器人、雷达、精密机床等，为了保证传动装置在多次完成相同周期的运动时其
位置间的精确性，RV减速器必须有较高的传动精度。
[0003] 随着机器人的广泛应用，RV减速器的相关研究愈来愈受关注，尤其是传动精度的优化问题。RV减速器零部件众多且加工精度要求较高，限于加工制造成本的要求，在进行传动精度的优化时，各零部件制造误差、配合误差难以逐一优化，所以区分各误差项对RV减速器传动精度的影响敏感度是合理提高RV减速器传动精度的前提。根据RV减速器传动精度影响因素的影响敏感度，结合生产加工成本才能实现对RV减速器传动精度较为精益地提高。
[0004] 采用人工测量并进行实验的方式去研究RV减速器传动精度的问题时，不可避免地会产生测量误差，随着误差的不断累积，研究结果的准确性难以保证，且实验成本高、周期长。虚拟样机技术的运用恰好解决了这个问题，采用
三维建模软件根据零件误差进行三维模型的构建，并将模型导入仿真软件进行运动仿真，排除了其他噪声因子的影响，提高了实验的准确性、节省了实验成本、缩短了实验周期。
发明内容
[0005] 本发明所要解决RV减速器传动精度优化过程中难以区分零件误差、零件配合间隙、工作
载荷等影响因素对RV减速器传动精度的影响程度，且RV减速器零部件众多加工精度较高，人工试验难以找出传动精度最优组合的缺点，提供一种基于虚拟样机技术和BP神经网络的RV减速器传动精度的优化方法。
[0006] 为了解决上述技术问题，本发明提供了一种基于虚拟样机技术和BP神经网络的RV减速器传动精度的优化方法，包括以下步骤：
[0007] S1、确定RV减速器传动精度的影响因素，主要包括零件误差、零件配合间隙、工作载荷三个方面；
[0008] S11、选取RV40-E型减速器为研究对象，根据零部件传动关系选取若干零件误差为试验因素；
[0009] S12、对RV减速机中零件间隙对传动精度的影响关系进行分析，选取较为主要的几个零件配合间隙为试验因素；
[0010] S2、结合影响因素构建
正交试验方案；
[0011] S3、采用三维建模软件CREO与多体动
力学仿真软件ADAMS依据正交试验方案构建虚拟样机实验组；
[0012] S31、采用三维建模软件CREO根据正交试验方案中零件误差建立RV减速器虚拟样机模型，由于ADAMS中难以构建复杂的三维模型，所以采用CREO根据正交试验方案建立RV减速器虚拟样机实验组，建模过程中对部分零部件进行简化，在CREO中建立摆线方程获得摆线
轮齿廓曲线，摆线方程如下：
[0013]
[0014]
[0015]
[0016] 其中rz为针齿中心圆半径，zb为针齿齿数，rzz为针齿半径，za为摆线轮齿数，e为偏心距，drz为移距修行量，drzz为等距修行量；
[0017] 通过方程绘制完整摆线轮的半个齿廓，然后通过镜像、阵列、拉伸命令便可得出摆线轮三维模型，其他实
体模型的建立方法与此相似。将所有零件实体模型进行装配，随后对装配体进行无干涉检验，确定装配正确无零件干涉后将装配体保存为CREO与ADAMS中间文件格式parasolid(*.x_t)。
[0018] S32、将虚拟样机模型导入到多体动力学仿真软件进行材料特性的定义；通过File/Import命令将中间格式的模型文件导入ADAMS软件，并进行零部件材料的定义，基于ADAMS
接触碰撞理论，零件接触碰撞时产生的弹性变形也会对RV减速器回转误差有所影响，所以添加模型各零件的
弹性模量、
密度、泊松比等材料特性。
[0019] S33、在ADAMS中对虚拟样机添加约束关系；为保证各零部件相对运动的正确性，构建虚拟样机也需要根据零部件运动轨迹提供约束或接触关系，通过RV减速器零部件的运动和接触分析，确定各零部件约束、接触关系。
[0020] S34、对虚拟样机进行仿真，验证所构建的模型是否正确；测量
输入轴、
行星架转速两者比值与RV减速器理论
传动比进行比较，验证模型是否准确。
[0021] S4、在仿真软件Adams中测量各虚拟样机实验组的传动误差；
[0022] 选取回转误差为传动精度的评价指标，所选RV减速器试验模型传动比为121，根据回转误差计算公式
[0023]
[0024] 式中， 为转角误差； 为输入轴(即
太阳轮)输入转角； 为输出轴(即行星架)实际转角；i为减速器传动比。
[0025] 在ADAMS中对输入轴、输出架的转角进行实时测量，输出两者转角曲线如图5(a)、(b)所示。建立测量函数
[0026] FUNCTION＝.JOINT_1_MEA_1/121—.JOINT_16_MEA_1式中，FUNCTION为实际输出转角与理论输出转角的差值，即回转误差；JOINT_1_MEA_1为输入轴转动副转角；.JOINT_16_MEA_1为行星架转动副转角。
[0027] 根据正交实验表分别建立虚拟样机模型并导入ADAMS仿真，测得各组回转误差，完善正交试验结果表。
[0028] S5、对正交试验结果进行分析；
[0029] 对正交试验结果进行性极差分析，极差分析即使用数据极差来分析问题，通过对比各实验结果的平均极差，找出影响试验指标的主要因子。其原理是在考虑单因子A对结果的影响时，认为其它因子对结果的影响是均衡的，A因子各
水平的差异是由于A因子本身引起的。极差越大，说明该因子对实验指标的影响越大，各因素的极差R下列公式计算得到。
[0030] R＝max{ki}-min{ki}
[0031]
[0032] T＝∑ki
[0033] 式中，R为极差；i为因素的水平数；ki为i水平时所对应的回转误差之和的均值；Ki为i水平时所对应的回转误差之和；n为任一列上各水平出现的次数；T为回转误差之和；
[0034] 根据各影响因素极差大小得出RV减速器动态回转误差各因素影响灵敏度程度从大到小序列与因子水平最佳组合。
[0035] S6、将正交试验结果数据作为BP神经网络的输入端数据，进行最优组合的预测。
[0036] S61、BP
人工神经网络的建立和训练
[0037] 以正交试验设计中影响RV减速器回转误差的主要因素作为所建BP神经网络的
输入层，网络的
输出层包含一个输出
节点对应评价指标回转误差。采用MATLAB软件进行编程，选择隐含层传递函数、输出层传递函数、训练函数；设置隐含层、训练精度、学习率等参数，对含不同神经元数的网络进行训练对比。
[0038] S62、采用BP人工神经网络进行最优组合的预测；
[0039] 在上一步研究中，应用MATLAB软件编程，通过对实验数据样本的训练及BP神经网络参数的优化，成功建立了能够准确的描述RV减速器回转误差与其评价指标之间函数关系的BP神经网络模型，应用所建立的网络模型进行仿真模拟，以正交试验的若干影响因素值作为自变量，再分别为其赋值，设置一个合适的步长，使用MATLAB中的相关函数对每个因素的定义域值进行编程，以求其输出值回转误差的最小组合值。
[0040] S63、优化结果检验
[0041] 根据上步骤中的优化结果建立虚拟样机，并导入ADAMS进行多体动力学仿真，测得虚拟样机回转误差，同正交试验结果中进行对比得出传动精度优化效果。
[0042] 本
申请的一种基于虚拟样机技术和BP神经网络的RV减速器传动精度优化方法，具有如下有益效果：
[0043] 1、采用本发明方法解决了RV减速器传动精度优化过程中限于加工成本无法对每个因素进行优化设计，无法区分各影响因素对传动精度的影响重要度进一步精益地提高RV减速器的传动精度、制定零件配合公差提供了依据。
[0044] 2、通过建模仿真避免了人为测量实验过程中产生测量误差以及其他噪声因子的影响使得实验结果的更加准确。
[0045] 3、本发明方法中结合虚拟仿真技术与BP神经网络
算法对RV减速器传动精度进行研究，实现了对最优传动精度的因素组合精准预测，无需进行实体样机的试验，节省了研究成本与时间，极大地提高了研究效率。
附图说明
[0047] 图2是RV减速器装配体模型图
[0048] 图3是虚拟样机(隐藏行星架)
[0049] 图4a是输入轴转速曲线，图4b是输出机构行星架转速曲线
[0050] 图5a是输入转角曲线，图5b是输出转角曲线，图5c是虚拟样机1转角误差曲线[0051] 图6是原始数据与经神经网络预测值的对比图
具体实施方式
[0052] 下面将结合本发明
实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
[0053] 本发明提供了一种基于虚拟样机技术和BP神经网络的RV减速器传动精度优化方法，流程如图1，包括以下步骤：
[0054] S1、确定RV减速器传动精度的影响因素，主要包括零件误差、零件配合间隙、工作载荷三个方面；
[0055] S11、选取RV40-E型减速器为研究对象，根据零部件传动关系以二级摆线轮传动为主要研究部分，结合《实用
齿轮设计计算手册》零件误差部分选取
曲柄轴偏心距、摆线轮移距修行量、摆线轮等距修行量、针齿半径误差、针齿中心圆半径误差5个影响因素；
[0056] S12、对RV减速机中零件间隙对传动精度的影响关系进行分析，其中涉及零件间隙的主要有太阳轮
行星轮啮合间隙、摆线轮曲柄轴孔与曲柄轴间的
轴承间隙、行星架曲柄轴孔与曲柄轴间的轴承间隙以及行星架与
机架间的轴承间隙、摆线轮针齿啮合间隙、针齿与针齿盘配合间隙。虚拟样机模型
中轴承用轴套代替，并将针齿与针齿盘固结，所以零件配合间隙部分选取摆线轮内孔与转臂轴套间隙、曲柄轴与转臂轴套间隙、曲柄轴与
支撑轴套间隙、支撑轴套与行星架间隙、支撑轴套与
法兰盘间隙5个影响因子为试验因素，加上工作载荷共选取11个影响因素；
[0057] S2、结合影响因素构建正交试验方案；
[0058] S21、制定因素水平表。为了分析零件加工误差、零件配合间隙、载荷等因素对RV减速器动态回转误差的影响程度，共选取11个因素为试验因素，选用正交表L(313)，因素水平表如表1所示；
[0059] 表1
[0060]
[0061] S22、结合因素水平表制定正交试验方案如表2；表2
[0062]
[0063]
[0064] S3、结合三维建模软件CREO与多体动力学仿真软件ADAMS依据正交试验方案构建虚拟样机；
[0065] S31、采用三维建模软件CREO根据正交试验方案中零件误差建立27组RV减速器虚拟样机模型；由于ADAMS中难以构建复杂的三维模型，所以采用CREO根据正交试验方案建立RV减速器虚拟样机实验组，建模过程中对部分零部件进行简化，其中包括：轴承用轴套代替，忽略
倒角螺栓等细微结构，用固结代替销、键、螺栓连接；去除
密封圈、
垫片等对研究无影响的零件。在CREO中建立摆线方程获得摆线轮齿廓曲线，摆线方程如下：
[0066] x＝(rz+drz)*(sin(360*t)-(k1/zb)*sin(zb*360*t))+(rzz
[0067] +drzz)*(-sin(360*t)+k1*sin(zb*360*t))/sqrt(1
[0068] +k1*k1-2*k1*cos(za*360*t))
[0069] y＝(rz+drz)*(cos(360*t)-(k1/zb)*cos(zb*360*t))-(rzz
[0070] +drzz)*(cos(360*t)-k1*cos(zb*360*t))/sqrt(1
[0071] +k1*k1-2*k1*cos(za*360*t))
[0072] k1＝e*zb/(rz+drz)
[0073] 其中rz为针齿中心圆半径，zb为针齿齿数，rzz为针齿半径，za为摆线轮齿数，e为偏心距，drz为移距修行量，drzz为等距修行量；
[0074] 通过摆线方程绘制完整摆线轮的半个齿廓，然后通过镜像、阵列、拉伸命令便可得出摆线轮三维模型，其他实体模型的建立方法与此相似。将所有零件实体模型进行装配，得到RV减速器装配体模型如图2。随后对装配体进行无干涉检验，确定装配正确无零件干涉后将装配体保存为CREO与ADAMS中间文件格式parasolid(*.x_t)。
[0075] S32、将虚拟样机模型导入到多体动力学仿真软件进行材料特性的定义；通过File/Import命令将中间格式的模型文件导入ADAMS软件，并进行零部件材料的定义，基于ADAMS接触碰撞理论，零件接触碰撞时产生的弹性变形也会对RV减速器回转误差有所影响，所以添加模型各零件的弹性模量、密度、泊松比等材料特性如表3。表3
[0076]
[0077] S33、在ADAMS中对虚拟样机添加约束关系；为保证各零部件相对运动的正确性，构建虚拟样机也需要根据零部件运动轨迹提供约束或接触关系，通过RV减速器零部件的运动和接触分析，确定各零部件约束、接触关系如表4所示。
[0078] 表4
[0079]
[0080]
[0081] S34、对虚拟样机进行仿真，验证所构建的模型是否正确；将由CREO建立装配体中间格式模型文件导入ADAMS系统，添加零部件材料特性和约束关系得到如图3(隐藏行星架)所示的虚拟样机。虚拟样机包含零件58个，约束18个，接触94个。设置旋转驱动输入转速函数F(time)＝7000d*time*step(time,0,1,0,1)，依据试验方案设置负载
扭矩，定义负载扭矩函数F(time)＝step(time,1,1.5,0,X)，X据实验组数据而定。自行定义4S仿真时间，100步仿真步数。测得输入轴、行星架转速曲线如图4a、图4b所示，1.5s后模型运动稳定，输入轴转速为7000°/s，行星架转速均值为57.7445°/s，两者比值为121.2236，与理论传动比121相吻合，证明模型准确可靠。
[0082] S4、在仿真软件Adams中测量各虚拟样机实验组的传动误差；
[0083] 选取回转误差为传动精度的评价指标，所选RV减速器试验模型传动比为121，根据回转误差计算公式
[0084]
[0085] 式中， 为转角误差； 为输入轴(即太阳轮)输入转角； 为输出轴(即行星架)实际转角；i为减速器传动比。
[0086] 在ADAMS中对输入轴、输出架的转角进行实时测量，输出两者转角曲线如图5a、图5b所示。建立测量函数
[0087] FUNCTION＝.JOINT_1_MEA_1/121—.JOINT_16_MEA_1式中，FUNCTION为实际输出转角与理论输出转角的差值，即回转误差；JOINT_1_MEA_1为输入轴转动副转角；.JOINT_16_MEA_1为行星架转动副转角。
[0088] 根据正交实验表分别建立虚拟样机模型并导入ADAMS仿真，测得各组回转误差，图5c为虚拟样机1的回转误差曲线，由于实验组较多，其他组实验曲线不再一一列举。
[0089] 由于0～1.5s内载荷、驱动匀速加载，模型运动状态不稳定，所以选取1.5～4s时间段误差曲线均值为评价指标，完善正交试验结果如表2所示。
[0090] S5、对正交试验结果进行分析；
[0091] 对正交试验结果进行性极差分析，极差分析即使用数据极差来分析问题，通过对比各实验结果的平均极差，找出影响试验指标的主要因子。其原理是在考虑单因子A对结果的影响时，认为其它因子对结果的影响是均衡的，A因子各水平的差异是由于A因子本身引起的。极差越大，说明该因子对实验指标的影响越大，各因素的极差R下列公式计算得到。
[0092] R＝max{ki}-min{ki}
[0093]
[0094] T＝∑ki
[0095] 式中，R为极差；i为因素的水平数；ki为i水平时所对应的回转误差之和的均值；Ki为i水平时所对应的回转误差之和；n为任一列上各水平出现的次数；T为回转误差之和；
[0096] 对试验结果进行极差分析结果如表2所示。根据各影响因素极差大小得出RV减速器动态回转误差各因素影响灵敏度程度从大到小顺序为针齿中心圆半径误差、针齿半径误差、摆线轮移距修行量、载荷大小、曲柄轴与转臂轴套间隙、摆线轮等距修行量、上支撑轴套与行星架间隙、曲柄轴偏心误差、曲柄轴与承重轴套间隙、摆线轮内孔与转臂轴套间隙、下支撑轴套与法兰盘间隙；因子水平最佳组合为A1B1C3D3E1F3G2H2I3J1K1。
[0097] S6、将正交试验结果数据作为BP神经网络的输入端数据，进行最优组合的预测。
[0098] S61、BP人工神经网络的建立和训练
[0099] 以正交试验设计中影响RV减速器回转误差的主要因素作为所建BP神经网络的输入层，包含11个输入节点分别对应针齿半径误差、针齿中心圆半径误差、曲柄轴偏心误差、摆线轮移距修形量、摆线轮等距修形量、摆线轮内孔与转臂轴套间隙、曲柄轴与转臂轴套间隙、曲柄轴与支撑轴套间隙、上支撑轴套与行星架间隙、下支撑轴套与法兰盘间隙、工作载荷，网络的输出层包含一个
输出节点对应评价指标回转误差。采用MATLAB(R2016a版本，美国)软件进行编程，选择双曲正切传递函数(tansig)作为隐含层传递函数，线性传递函数(purelin)作为输出层传递函数，设置隐含层1个，通过对含不同神经元数的网络进行训练对比，确定内含神经元23个，采用traingdm函数对新建BP网络进行训练，设定网络训练参数值，最大训练次数为100次，训练精度为0.0001，学习率为0.1，其他各项参数为默认值。图6为原始数据与经神经网络预测值的对比图，由图可知两者重合度较高，证明该BP神经网络可以用于预测RV减速器的传动精度预测，且结果较为准确。
[0100] S62、BP人工神经网络结合正交试验优化因素参数
[0101] 在上一步研究中，应用MATLAB软件编程，通过对实验数据样本的训练及BP神经网络参数的优化，成功建立了能够准确的描述RV减速器回转误差与其评价指标之间函数关系的BP神经网络模型，应用所建立的网络模型进行仿真模拟，以正交试验的A、B、C、D、E、F、G、H、I、J、K11个影响因素值作为自变量，再分别为这11个因素赋值，设置一个合适的步长，使用MATLAB中的相关函数对每个因素的定义域值进行编程，以求其输出值回转误差的最小组合值。经BP人工神经网络模型仿真优化得到RV减速器回转误差最小时因素组合为:针齿半径误差0.01mm、针齿中心圆半径误差0.01mm、曲柄轴偏心误差0.1mm、摆线轮移距修形量0.03mm、摆线轮等距修形量0.01mm、摆线轮内孔与转臂轴套间隙0.01mm、曲柄轴与转臂轴套间隙0.0042mm、曲柄轴与支撑轴套间隙0.0058、上支撑轴套与行星架间隙0.01、下支撑轴套与法兰盘间隙0.0012、工作载荷300N·mm。
[0102] S63、优化结果检验
[0103] 根据上步骤中的优化结果建立虚拟样机，并导入ADAMS进行多体动力学仿真，得出虚拟样机回转误差为0.0512°，同正交试验结果中最优0.0611°相比，传动精度提高了16.2％,证明该发明方法对RV减速器传动精度优化效果明显。
[0104] 本申请的一种基于虚拟样机技术和BP神经网络的RV减速器传动精度优化方法，具有如下有益效果：
[0105] 1、采用本发明方法解决了RV减速器传动精度优化过程中限于加工成本无法对每个因素进行优化设计，难以区分各影响因素对传动精度的影响重要度这一难题，为进一步提高RV减速器的传动精度提供了一种新的方法。
[0106] 2、通过建模仿真避免了人为测量实验过程中产生测量误差以及其他噪声因子的影响使得实验结果的更加准确。
[0107] 3、本发明方法中结合虚拟仿真技术与BP神经网络算法对RV减速器传动精度进行研究，实现了对最优传动精度因素组合的精准预测，无需进行实体样机的试验，节省了研究成本与时间，极大地提高了研究效率。
[0108] 本
说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
