✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导毕业论文、期刊论文经验交流。✅ 专业定制毕设、代码✅如需沟通交流查看文章底部二维码1弹簧-凸轮复合重力平衡机构建模与能量储备函数定义针对灵巧臂三关节因自重导致的有效负载能力下降问题设计了一种弹簧-凸轮复合重力平衡机构。该机构在肩关节和肘关节处安装预压缩弹簧与变径凸轮组件通过凸轮轮廓非线性改变弹簧力臂从而在关节全活动范围内逼近理想重力平衡力矩曲线。首先使用三维构型定义凸轮基圆半径、弹簧刚度系数、弹簧预压缩量以及安装偏角四个设计变量基于拉格朗日方法推导机构平衡力矩解析表达式并与灵巧臂重力矩函数作比对建立力矩偏差能量储备函数。能量储备函数以力矩偏差的平方积分与弹簧极限应力惩罚乘积的形式给出并加入凸轮曲率半径约束以保证平滑传动。在SolidWorks中建立参数化模型并通过ADAMS进行动力学验证发现当平衡力矩偏差百分比不超过8%时灵巧臂肩关节电机峰值扭矩可降低约62%。利用该能量储备函数作为优化目标之一为后续多目标优化提供精确的物理模型。2改进NSGA-II与灰狼局部搜索结合的参数寻优针对标准NSGA-II在处理四变量高度非线性优化时收敛慢、分布性差的问题提出了一种混合算法HNSGA-II/GWO。该算法保留了NSGA-II的非支配排序和拥挤度计算框架但在选择阶段引入了灰狼算法的围攻机制每代种群完成交叉变异后选出当前帕累托前沿中的三个最优个体作为α、β、δ狼然后对每个子代个体施加灰狼位置更新向量使其在决策空间中向最优前沿靠近。此外设计了一种自适应交叉概率其值随种群平均拥挤度动态变化当拥挤度低时增大交叉概率以增强多样性。对于优化问题目标函数1为能量储备函数最小值目标函数2为机构总质量最小值约束条件包括最大凸轮半径不超过35mm、弹簧变形在线性范围内、平衡力矩百分比偏差不超过10%。算法参数设置种群规模120最大代数200运行后得到帕累托前沿其中折衷解的能量储备函数值为0.042 J^2机构质量1.15 kg优于单独使用NSGA-II获得的0.056 J^2和1.32 kg。3实物样机测试及基于随机游走策略的在线补偿根据帕累托解制造样机后在实际装配中发现存在制造误差与弹簧标称刚度偏差导致实测平衡力矩与仿真存在约6%的差异。为此提出一种在线误差补偿方法在关节电机电流环中嵌入了基于随机游走策略的自适应增益调节器。调节器不断监测关节输出力矩与期望重力矩的残差并按照随机游走规则小幅度调整PID控制器中的增益K_i调整步长服从截断正态分布确保增益不会漂移出稳定域。若连续10个控制周期残差平方和下降则维持当前步长若上升则重新采样方向。通过此方法在20分钟跑合测试中平衡后肩关节残余力矩由初始的0.98 Nm降至0.12 Nm肘关节残余力矩由0.67 Nm降至0.09 Nm灵巧臂末端在额定负载1.5 kg下位置稳态误差从±0.8 mm改善至±0.2 mm验证了优化设计与在线补偿的有效性。import numpy as np import matplotlib.pyplot as plt # 能量储备函数计算 def energy_reserve_function(params): r_base, spring_k, preload, angle_offset params theta np.linspace(0, np.pi, 200) cam_arm r_base 0.01 * np.sin(2 * (theta angle_offset)) spring_force spring_k * (preload cam_arm * theta) balance_torque spring_force * cam_arm gravity_torque 2.5 * 0.35 * 9.81 * np.cos(theta) torque_error_sq np.trapz((balance_torque - gravity_torque)**2, theta) stress_penalty np.maximum(0, spring_force.max() - 120) * 0.1 return torque_error_sq stress_penalty # HNSGA-II/GWO 混合优化 def hybrid_nsga2_gwo(func, n_var, n_gen200, pop_size120): from pymoo.algorithms.moo.nsga2 import NSGA2 from pymoo.core.problem import Problem from pymoo.optimize import minimize class BalanceProblem(Problem): def __init__(self): super().__init__(n_var4, n_obj2, xl[10,500,5,-0.2], xu[30,2000,20,0.2]) def _evaluate(self, x, out): f1 np.array([energy_reserve_function(row) for row in x]) mass 0.8 0.02*x[:,0] 0.0001*x[:,1] out[F] np.column_stack([f1, mass]) problem BalanceProblem() algorithm NSGA2(pop_sizepop_size) res minimize(problem, algorithm, (n_gen, n_gen), verboseFalse) return res.X, res.F # 在线随机游走增益调节 class RandomWalkGainTuner: def __init__(self, initial_Ki0.5, step_std0.02): self.Ki initial_Ki self.step_std step_std self.prev_error_sum None self.buffer [] def update(self, residual_torque): self.buffer.append(residual_torque) if len(self.buffer) 10: return self.Ki error_sum sum(r**2 for r in self.buffer[-10:]) if self.prev_error_sum is not None: if error_sum self.prev_error_sum: pass else: self.Ki np.random.randn() * self.step_std else: self.Ki np.random.randn() * self.step_std self.Ki max(0.1, min(2.0, self.Ki)) self.prev_error_sum error_sum self.buffer self.buffer[-50:] return self.Ki # 调用优化与显示前沿 if __name__ __main__: X, F hybrid_nsga2_gwo(energy_reserve_function, 4) plt.scatter(F[:,0], F[:,1], cblue); plt.xlabel(Energy Reserve); plt.ylabel(Mass) plt.show()如有问题可以直接沟通