微装配智能学习与控制策略研究

Micro-assembly is the key research focus of Microelectromechanical systems, and has extensive application prospective and important research significance. Micro-assembly has the property of high precision demand and a variety of operational constraints. There're limited research results on micro-assembly intelligence, which needs further to improve. Learning study in micro-assembly improves the intelligence of micro-assembly systems and enhance assembly efficiency, and also expands to apply learning methods in the field of micro-assembly. This proposal focuses on intelligent learning and control strategy in micro-assembly. The main contents are listed as: 1) skill learning in micro-assembly. It emphasizes on decomposing tasks and optimizing assembly sequence and motion trajectory. Multi-task learning theory is applied to acquire micro-assembly skills. 2) knowledge expression method suitable for micro-assembly. This includes explicitly describing the micro-assembly prior knowledge about complicated part information, task requirements, operational constraints, and assembly relations. 3) sensor fusion of micro force and micro vision, and design of online adjustment mechanism and offline evaluation and adjustment. We choose as the platform the cryogenic target used in Inertial Confinement Fusion experiments to study intelligent learning and control strategy in micro-assembly.

微装配技术是微机电系统研究的核心内容和热点课题，具有广泛应用前景和重要研究意义。微装配具有精度要求高、操作约束多等特点，目前针对微装配的智能研究较少，其智能化水平还有待提高。然而微装配学习研究，既能提高微装配系统智能化、装配效率，又能促进学习算法在微装配领域的应用与发展。 本项目主要进行微装配的智能学习与控制策略研究，开展工作如下：1）微装配技能学习，重点研究任务分解、工序与运动轨迹优化，采用多任务学习理论获得微装配技能；2）研究适用于微装配任务的知识表达方法，从零件信息、任务需求、操作约束以及配合关系等方面对微装配知识进行准确描述；3）融合微力与显微视觉反馈信息，设计在线调整策略和离线评价与调整方法。以激光惯性约束核聚变实验用微靶装配系统为实验平台，开展微装配的智能学习与控制方法研究。

随着对精密操作要求的提高，微装配受到越来越多的关注，并能服务于诸如航天、军工、制药等多种军用和民用领域。然而目前微装配还存在装配效率低、精度控制不高、需要人为介入等不足，为此本项目深入研究微装配的视觉引导、装配控制、技能学习等方面，从而提高了微装配的控制精度、装配效率和操作智能。在本项目的开展过程中，重点研究了以下几点：1）融合微力与显微视觉反馈信息的微装配控制研究，根据多路显微视觉反馈特点，快速确定零件在对准过程中的状态，优化其运动轨迹，实现在微操作空间内的自主引导控制；根据力反馈确定零件在插入过程中的状态，设计多种装配控制器实现精确插入控制，并根据多零件装配特点实现流程控制。2）微装配技能学习：以装配过程的运动轨迹为参考，构建插入模型，学习控制器参数，通过对状态评估和装配信心产生高效、高可靠的装配轨迹，从而实现优化的装配操作，以提高装配操作的效率、降低插入过程中的作用力，并进一步将其扩展到倾斜装配、协调控制、连续运动等应用中。上述研究内容能够实现对零件状态的快速计算、作用力的精确控制、操作效率的提高，并均已在多机械臂的微装配平台上进行实验验证。本项目的研究既能深入探索高效率、高可靠性的微装配方法，又为智能学习、机器人控制等提供新思路、新方法、新技术，具有重要理论意义和潜在应用价值。