⚡ electrical engineering

Integrated Identification of Collaborative Robots for Robot Assisted 3D Printing Processes

本文提出了一种针对协作机器人的五步集成参数辨识方法，通过构建包含机器人本体、执行器及控制器的可靠动力学模型，有效解决了机器人辅助 3D 打印过程中的精度、控制及误差预测挑战，并在热塑性挤出实验中得到验证。

原作者： Alessandro Dimauro, Davide Tebaldi, Fabio Pini, Luigi Biagiotti, Francesco Leali

发布于 2026-04-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Alessandro Dimauro, Davide Tebaldi, Fabio Pini, Luigi Biagiotti, Francesco Leali

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何让“协作机器人”在 3D 打印时变得更聪明、更精准的故事。

想象一下，传统的 3D 打印机就像是一个在固定轨道上跑动的“火车”，它只能在一个平面上移动，虽然稳定，但不够灵活。而这篇论文研究的对象是协作机器人（Cobots），它们更像是一个拥有六条灵活手臂的“杂技演员”。这些手臂可以像人类一样在空间中自由旋转、弯曲，从而打印出形状极其复杂、甚至非平面的零件（比如汽车里的异形部件）。

但是，让“杂技演员”去干精细的活（3D 打印），有个大麻烦：它太灵活了，反而容易“手抖”或“动作变形”。

1. 核心问题：为什么机器人会“手抖”？

这就好比让一个大力士去穿针引线。

传统打印机（火车）：结构很硬，走直线很稳，但只能走直线。
协作机器人（杂技演员）：关节多，动作灵活，但每个关节之间互相牵制（动力学耦合）。当它快速移动时，手臂的惯性、关节的摩擦力、电机的反应速度，都会导致它**“想往左，实际却偏了”**。

在 3D 打印中，哪怕只有几毫米的偏差，打印出来的零件就是废品。而且，现在的协作机器人为了安全，通常不会把内部所有的“肌肉数据”（如电机参数、控制器细节）完全开放给外部，这让科学家很难知道它到底是怎么动的。

2. 解决方案：给机器人做一次“全身 CT 扫描”

作者提出了一套**“五步走”的识别方法**，就像给机器人做了一次详细的体检和建模，目的是建立一个**“数字双胞胎”**（Digital Twin）。这个数字模型能完美模仿真实机器人的每一个动作。

这五步就像是在拼一个复杂的乐高模型：

第一步：看图纸（几何与惯性分析）
就像先看机器人的 CAD 设计图，算出它每一块“骨头”（连杆）有多重、重心在哪里。这是基础数据，就像知道这个杂技演员的身高体重。
第二步：静态称重（惯性参数修正）
光看图纸不够准，因为材料密度可能有误差。作者让机器人摆出几个特定的静止姿势，像称体重一样，通过测量关节的受力，微调那些“骨头”的重量数据，让模型更贴合现实。
第三步：感受阻力（摩擦力识别）
机器人关节转动时会有摩擦，就像门轴生锈了会卡顿。作者让机器人以恒定的速度来回摆动，通过“正转”和“反转”的数据相减，把那些干扰运动的“摩擦力”给剥离出来，算出精确的摩擦系数。
第四步：测试反应（控制器参数识别）
这是最难的一步。因为协作机器人为了安全，不能做太剧烈的动作。作者想了一个巧妙的办法：在机器人静止时，轻轻推它一下（施加外部干扰），看它如何“反抗”并回到原位。通过这种“推一推”的测试，就能算出它大脑（控制器）的反应速度和力度。
第五步：填补空白（剩余参数估算）
对于最后剩下的一些难以直接测量的参数（比如电机内部的电感、传动轴的弹性），作者参考了同类机器人的通用数据，结合前面的结果进行合理的估算。

关键点： 这五步不是乱序的，而是环环相扣。每一步都利用上一步的结果，并且始终保证算出来的数据在物理上是“讲得通”的（比如质量不能是负数），避免了传统方法中可能出现的“数学上算对了，但物理上不可能”的尴尬。

3. 实验验证：真的好用吗？

作者拿了一台真实的 ABB 协作机器人，让它去打印热塑性塑料（就像用巨大的 3D 笔写字）。

测试过程：他们设计了各种难度的动作，比如快慢不同的速度、不同的打印距离、不同的加速度。
结果：
- 数字模型（电脑里算出来的）和真实机器人（实际打印出来的）轨迹几乎重合。
- 就像你让一个双胞胎兄弟模仿你的动作，连呼吸的节奏都一模一样。
- 实验证明，这套方法能显著提高打印的精度，减少废品率。

4. 总结：这意味着什么？

这篇论文的核心贡献在于，它不需要昂贵的额外传感器，也不需要机器人厂商开放所有机密代码，就能通过一套聪明的“五步法”，把协作机器人的内部运作规律完全搞清楚。

打个比方：
以前，我们让机器人 3D 打印，就像蒙着眼睛让一个新手去画画，只能靠运气。
现在，通过这篇论文的方法，我们给机器人戴上了一副**“透视眼镜”，建立了一个完美的“虚拟替身”**。在真正打印之前，我们可以在虚拟替身身上预演无数次，知道它哪里会抖、哪里会偏，然后提前修正。

最终效果：
这让协作机器人不仅能“搬东西”，还能像老工匠一样，精准地打印出复杂的汽车零件。这对于未来汽车制造、定制化生产来说，是一个巨大的进步，让 3D 打印从“实验室玩具”真正走向“大规模工业应用”。

以下是基于论文《Integrated Identification of Collaborative Robots for Robot Assisted 3D Printing Processes》（协作机器人在机器人辅助 3D 打印过程中的集成辨识）的详细技术总结：

1. 研究背景与问题 (Problem)

背景：增材制造（AM，即 3D 打印）与工业机器人的结合为生产复杂部件（特别是汽车领域）开辟了新途径。机器人辅助的 AM 过程克服了传统笛卡尔坐标系的尺寸和运动学限制，支持非平面沉积和更大的几何灵活性。
核心挑战：
- 动态复杂性：协作机器人（Cobots）的关节耦合性强、刚度较低，导致高速轨迹下的位置精度下降。
- 建模困难：传统的参数辨识方法往往忽略动态参数的物理一致性（如质量、惯量必须为正且满足三角不等式），或者需要一次性辨识所有参数，计算复杂且难以收敛。
- 协作机器人的限制：出于安全考虑，协作机器人无法执行剧烈或过快的运动，这使得基于频域分析的传统控制器辨识方法难以实施。
- 系统完整性缺失：现有研究通常只关注机械臂动力学，忽略了执行器（电机）和控制器（PI 控制器）的动态特性，而这些对高精度控制至关重要。

2. 方法论 (Methodology)

论文提出了一种基于模型的集成参数辨识方法，旨在构建包含机器人本体、执行器和控制器的完整动态模型。该方法采用五步法，逐步解耦复杂的辨识问题，确保参数的物理一致性：

步骤 1：从 CAD 文件到几何与初始惯性参数
- 利用 CAD 模型计算各部件的体积和总质量，推导平均密度。
- 直接提取连杆的几何参数（关节间距离向量、旋转轴单位向量）和初始惯性参数（质心位置、惯性张量）。
- 对于 6 自由度机器人，此阶段可获得 39 个几何参数和 60 个惯性参数。
步骤 2：基于静态测量修正惯性参数
- 在特定姿态下进行静态测量，利用重力力矩平衡方程，通过显式公式计算修正系数 $\lambda_k$ 。
- 更新 CAD 提供的质量和惯性值（ $m_k = \lambda_k m^{CAD}_k$ ），消除迭代过程，提高精度。
步骤 3：低速测量辨识摩擦参数
- 利用对称的周期性轨迹（包含正负速度的恒速段），在不使用力/力矩传感器的情况下辨识摩擦。
- 通过相减消除重力、科里奥利力和离心力项，仅保留摩擦项，从而重构 Stribeck 摩擦模型（包含库伦摩擦、静摩擦、粘滞摩擦和 Stribeck 速度）。
步骤 4：受扰静态测量辨识控制器参数
- 针对协作机器人无法执行快速动态运动的限制，采用受扰静态测量法。
- 在关节静止时施加外部扰动扭矩，记录位置误差与控制器输出的关系。
- 利用 MATLAB 系统辨识工具箱，通过迭代搜索确定 PI 控制器的增益 $K_p$ 和零点时间常数 $T_z$ 。
步骤 5：剩余参数辨识
- 辨识传动比、电机常数、电阻、电感、转子惯量、传动刚度 ( $K_s$ ) 和阻尼 ( $K_c$ )。
- 由于部分参数难以直接测量，基于文献中的典型值进行估算和缩放（例如假设传动比为 1，根据典型电机尺寸调整惯量）。

3. 关键贡献 (Key Contributions)

集成建模框架：不仅辨识机械臂动力学，还同时辨识了执行器（电机）动力学和控制器动态，构建了更完整的闭环系统模型。
物理一致性保证：提出的五步法通过利用 CAD 先验信息和分步解耦，内在保证了辨识参数的物理一致性（如质量、惯量的合理性），无需像传统方法那样施加复杂的半定规划（SDP）约束。
克服协作机器人限制：提出了一种无需高频动态运动即可辨识控制器参数的方法，解决了协作机器人因安全限制无法进行传统频域分析的问题。
无需额外传感器：摩擦辨识过程无需在基座安装力/力矩传感器，仅利用机器人内部反馈信号即可完成。

4. 实验结果 (Results)

实验设置：使用 ABB GoFa CRB15000 协作机器人进行热塑性挤出 3D 打印实验。
模型验证：
- 设计了包含 19 个数据点的实验方案（DOE），变量包括打印速度 ( $v_{slow}$ )、过渡速度 ( $v_{fast}$ )、加速度 ( $a$ ) 和打印距离 ( $d$ )。
- 轨迹跟踪：辨识模型的关节轨迹与实验数据高度吻合。均方根误差（RMSE）和平均绝对误差（MAE）表明模型能准确预测 TCP（工具中心点）的位置误差。
- 参数影响分析：
  - 打印速度 ( $v_{slow}$ ) 是影响打印质量和轨迹误差的主导因素，速度越快，误差越大（尤其是 Y 方向）。
  - 工作空间距离 ( $d$ )：扩展工作空间（手臂伸展）会导致实验误差在两个方向上均恶化，而模型预测存在混合效应，表明在极端构型下模型仍有优化空间。
  - 控制器参数：辨识出的控制器参数（ $K_p, T_z$ ）在不同关节上表现出合理的差异，NRMSE 拟合度良好。
打印质量：对打印立方体的偏差分析显示，低速打印（ $v_{slow} < 20$ mm/s）能获得更好的几何精度。

5. 意义与展望 (Significance)

提升精度与控制：该集成辨识方法为机器人辅助 3D 打印提供了高精度的动态模型，显著提升了轨迹跟踪精度和过程控制能力。
误差预测：可靠的模型使得在打印前预测几何误差成为可能，有助于优化打印路径和工艺参数。
通用性：该方法特别适用于具有安全限制、传感器配置有限的协作机器人，为将协作机器人应用于高精度制造任务（如 3D 打印、装配）提供了理论和技术支撑。
未来工作：计划进一步细化模型，以直接利用该模型优化机器人辅助 3D 打印的性能，实现自适应控制。

总结：该论文通过一种创新的、分步式的集成辨识流程，成功解决了协作机器人在 3D 打印应用中动态建模难、参数辨识不准的问题，实现了从几何、惯性、摩擦到控制器参数的全系统高精度建模，为提升机器人辅助增材制造的精度和可靠性奠定了坚实基础。