机器学习题库
一、 极大似然
1、 ML estimation of exponential model (10)
A Gaussian distribution is often used to model data on the real line, but is sometimes
inappropriate when the data are often close to zero but constrained to be nonnegative. In such cases one can fit an exponential distribution, whose probability density function is given by
()1x
b p x e b
-=
Given N observations x i drawn from such a distribution:
(a) Write down the likelihood as a function of the scale parameter b.
(b) Write down the derivative of the log likelihood.
(c) Give a simple expression for the ML estimate for b.
2、换成Poisson 分布：()|,0,1,2,...!
x e p x y x θθθ-==
()()()()()
11
11log |log log !log log !N N
i i i i N N i i i i l p x x x x N x θθθθθθ======--??=--????∑∑∑∑
二、 贝叶斯
1、 贝叶斯公式应用
假设在考试的多项选择中，考生知道正确答案的概率为p ，猜测答案的概率为1-p ，并且假设考生知道正确答案答对题的概率为1，猜中正确答案的概率为1，其中m 为多选项的数目。那么已知考生答对题目，求他知道正确答案的概率。：()()()(),|1p known correct p p known correct p known p p m
==+- 2、 Conjugate priors
Given a likelihood ()|p x θ for a class models with parameters θ, a conjugate prior is a
distribution ()|p θγ with hyperparameters γ, such that the posterior distribution
()()()()|,|||p X p X p p θγαθθγθγ'==
与先验的分布族相同
(a) Suppose that the likelihood is given by the exponential distribution with rate parameter λ:
()|x p x e λλλ-=
Show that the gamma distribution
()()
1|,Gamma e ααβλβλαβλα--=Γ _ is a conjugate prior for the exponential. Derive the parameter update given observations 1,,N x x and the prediction distribution ()11|,,N N p x x x +.
(b) Show that the beta distribution is a conjugate prior for the geometric distribution
()()1|1k p x k θθθ-==-
which describes the number of time a coin is tossed until the first heads appears, when the probability of heads on each toss is θ. Derive the parameter update rule and prediction distribution.
(c) Suppose ()|p θγ is a conjugate prior for the likelihood ()|p x θ; show that the mixture prior
()()11|,...,|M
M m m m p w p θγγθγ==∑
is also conjugate for the same likelihood, assuming the mixture weights w m sum to 1.
(d) Repeat part (c) for the case where the prior is a single distribution and the likelihood is a mixture, and the prior is conjugate for each mixture component of the likelihood.
some priors can be conjugate for several different likelihoods; for example, the beta is conjugate for the Bernoulli
and the geometric distributions and the gamma is conjugate for the exponential and for the gamma with fixed α
(e) (Extra credit, 20) Explore the case where the likelihood is a mixture with fixed components and unknown weights; i.e., the weights are the parameters to be learned.
三、判断题
（1）给定n个数据点，如果其中一半用于训练，另一半用于测试，则训练误差和测试误差之间的差别会随着n的增加而减小。
（2）极大似然估计是无偏估计且在所有的无偏估计中方差最小，所以极大似然估计的风险最小。（３）回归函数A和B，如果A比B更简单，则A几乎一定会比B在测试集上表现更好。（４）全局线性回归需要利用全部样本点来预测新输入的对应输出值，而局部线性回归只需利用查询点附近的样本来预测输出值。所以全局线性回归比局部线性回归计算代价更高。
（５）Boosting和Bagging都是组合多个分类器投票的方法，二者都是根据单个分类器的正确率决定其权重。
(６) In the boosting iterations, the training error of each new decision stump and the training error of the combined classifier vary roughly in concert （F）
While the training error of the combined classifier typically decreases as a function of boosting iterations, the error of the individual decision stumps typically increases since the example weights become concentrated at the most difficult examples.
(７) One advantage of Boosting is that it does not overfit. （F）
(８) Support vector machines are resistant to outliers, i.e., very noisy examples drawn from a different distribution. （Ｆ）
（9）在回归分析中，最佳子集选择可以做特征选择，当特征数目较多时计算量大；岭回归和Lasso 模型计算量小，且Lasso也可以实现特征选择。
（10）当训练数据较少时更容易发生过拟合。
（11）梯度下降有时会陷于局部极小值，但EM算法不会。
（12）在核回归中，最影响回归的过拟合性和欠拟合之间平衡的参数为核函数的宽度。
(13) In the AdaBoost algorithm, the weights on all the misclassified points will go up by the same multiplicative factor. （T）
(14) True/False: In a least-squares linear regression problem, adding an L2 regularization penalty cannot decrease the L2 error of the solution w? on the training data. （F）
(15) True/False: In a least-squares linear regression problem, adding an L2 regularization penalty always decreases the expected L2 error of the solution w? on unseen test data （F）.
(16)除了EM算法，梯度下降也可求混合高斯模型的参数。(T)
(20) Any decision boundary that we get from a generative model with
class-conditional Gaussian distributions could in principle be reproduced with an SVM and a polynomial kernel.
True! In fact, since class-conditional Gaussians always yield quadratic decision boundaries, they can be reproduced with an SVM with kernel of degree less than or equal to two.
(21) AdaBoost will eventually reach zero training error, regardless of the type of weak classifier it uses, provided enough weak classifiers have been combined.
False! If the data is not separable by a linear combination of the weak classifiers, AdaBoost can’t achieve zero training error.
(22) The L2 penalty in a ridge regression is equivalent to a Laplace prior on the weights. （F）
(23) The log-likelihood of the data will always increase through successive iterations of the expectation maximation algorithm. (F)
(24) In training a logistic regression model by maximizing the likelihood of the labels given the inputs we have multiple locally optimal solutions. (F)
四、 回归
1、考虑回归一个正则化回归问题。在下图中给出了惩罚函数为二次正则函数，当正则化参数C 取不同值时，在训练集和测试集上的log 似然（mean log-probability ）。（10分）
（1）说法“随着C 的增加，图2中训练集上的log 似然永远不会增加”是否正确，并说明理由。
（2）解释当C 取较大值时，图2中测试集上的log 似然下降的原因。
2、考虑线性回归模型：()201~, y N w w x σ+，训练数据如下图所示。
（10分） （1）用极大似然估计参数，并在图（a ）中画出模型。（3分）
（2）用正则化的极大似然估计参数，即在log 似然目标函数中加入正则惩罚函数()212
C w -
， 并在图（b ）中画出当参数C 取很大值时的模型。（3分）
（3）在正则化后，高斯分布的方差2σ是变大了、变小了还是不变？（4分）
图(a) 图(b)
3. 考虑二维输入空间点()12,T x x =x 上的回归问题，其中[]1,1,1,2j x j ∈-=在单位正方形内。训练样本和测试样本在单位正方形中均匀分布，输出模型为
()352121212~10753, 1y N x x x x x x -++-，我们用1-10阶多项式特征，采用线性回归模型来
学习x 与y 之间的关系（高阶特征模型包含所有低阶特征），损失函数取平方误差损失。
(1) 现在20n =个样本上，训练1阶、2阶、8阶和10阶特征的模型，然后在一个大规模的独立的测试集上测试，则在下3列中选择合适的模型（可能有多个选项），并解释第3列中你选择的模型为什么测试误差小。（10分）
(2) 现在6
10n =个样本上，训练1阶、2阶、8阶和10阶特征的模型，然后在一个大规模的独
立的测试集上测试，则在下3列中选择合适的模型（可能有多个选项），并解释第3列中你选择的模型为什么测试误差小。（10分）
(3) The approximation error of a polynomial regression model depends on the number of training points. (T)
(4) The structural error of a polynomial regression model depends on the number of training points. (F)
4、We are trying to learn regression parameters for a dataset which we know was
generated from a polynomial of a certain degree, but we do not know what this degree is. Assume the data was actually generated from a polynomial of degree 5 with some added Gaussian noise (that is
()2345012345, ~0,1y w w x w x w x w x w x εε=++++++N .
For training we have 100 {x,y } pairs and for testing we are using an additional set of 100 {x,y } pairs. Since we do not know the degree of the polynomial we learn two models from the data. Model A learns parameters for a polynomial of degree 4 and model B learns parameters for a polynomial of degree 6. Which of these two models is likely to fit the test data better?
Answer : Degree 6 polynomial. Since the model is a degree 5 polynomial and we have enough training data, the model we learn for a six degree polynomial will likely fit a very small coefficient for x 6 . Thus, even though it is a six degree polynomial it will actually behave in a very similar way to a fifth degree polynomial which is the correct model leading to better fit to the data.
5、Input-dependent noise in regression
Ordinary least-squares regression is equivalent to assuming that each data point is generated according to a linear function of the input plus zero-mean, constant-variance Gaussian noise. In many systems, however, the noise variance is itself a positive linear function of the input (which is assumed to be non-negative, i.e., x >= 0).
a) Which of the following families of probability models correctly describes this situation in the univariate case? (Hint: only one of them does.)
(iii) is correct. In a Gaussian distribution over y, the variance is determined by the coefficient of y 2; so by replacing 2σby 2x σ, we get a variance that increases linearly with x. (Note also the change to the normalization “constant.”) (i) has quadratic dependence on x; (ii) does not change the variance at all, it just renames w 1.
b) Circle the plots in Figure 1 that could plausibly have been generated by some instance of the
model family(ies) you chose.
(ii) and (iii). (Note that (iii) works for
20σ=.) (i) exhibits a large variance at x = 0, and the
variance appears independent of x.
c) True/False: Regression with input-dependent noise gives the same solution as ordinary regression
for an infinite data set generated according to the corresponding model.
True. In both cases the algorithm will recover the true underlying model.
d) For the model you chose in part (a), write down the derivative of the negative log likelihood with
respect to w 1.
五、 分类
1. 产生式模型 vs. 判别式模型
(a) Your billionaire friend needs your help. She needs to classify job applications into good/bad categories, and also to detect job applicants who lie in their applications using density estimation to detect outliers. To meet these needs, do you recommend using a discriminative or generative classifier? Why?
产生式模型
因为要估计密度()|p y x
(b) Your billionaire friend also wants to classify software applications to detect
bug-prone applications using features of the source code. This pilot project only has a few applications to be used as training data, though. To create the most accurate classifier, do you recommend using a discriminative or generative classifier? Why?
判别式模型
样本数较少，通常用判别式模型直接分类效果会好些
(d) Finally, your billionaire friend also wants to classify companies to decide which
one to acquire. This project has lots of training data based on several decades of research. To create the most accurate classifier, do you recommend using a
discriminative or generative classifier? Why?
产生式模型
样本数很多时，可以学习到正确的产生式模型
2、logstic 回归
Figure 2: Log-probability of labels as a function of regularization parameter C
Here we use a logistic regression model to solve a classification problem. In Figure 2, we have plotted the mean log-probability of labels in the training and test sets after having trained the classifier with quadratic regularization penalty and different values of the regularization parameter C.
1、In training a logistic regression model by maximizing the likelihood of the labels given the
inputs we have multiple locally optimal solutions. (F)
Answer: The log-probability of labels given examples implied by the logistic regression model is a concave (convex down) function with respect to the weights. The (only) locally optimal solution is also globally optimal
2、 A stochastic gradient algorithm for training logistic regression models with a fixed learning
rate will find the optimal setting of the weights exactly. （F）
Answer: A fixed learning rate means that we are always taking a finite step towards improving the
log-probability of any single training example in the update equation. Unless the examples are somehow “aligned”, we will continue jumping from side to side of the optimal solution, and will not be able to get arbitrarily close to it. The learning rate has to approach to zero in the course of the updates for the weights to converge.
3、The average log-probability of training labels as in Figure 2 can never increase as we
increase C. （T）
Stronger regularization means more constraints on the solution and thus the (average) log-probability of the training examples can only get worse.
4、Explain why in Figure 2 the test log-probability of labels decreases for large values of C.
As C increases, we give more weight to constraining the predictor, and thus give less flexibility to
fitting the training set. The increased regularization guarantees that the test performance gets closer to
the training performance, but as we over-constrain our allowed predictors, we are not able to fit the training set at all, and although the test performance is now very close to the training performance, both are low.
5、 The log-probability of labels in the test set would decrease for large values of C even if we
had a large number of training examples. （T ）
The above argument still holds, but the value of C for which we will observe such a decrease will scale up with the number of examples.
6、 Adding a quadratic regularization penalty for the parameters when estimating a logistic
regression model ensures that some of the parameters (weights associated with the
components of the input vectors) vanish.
A regularization penalty for feature selection must have non-zero derivative at zero. Otherwise, the regularization has no effect at zero, and weight will tend to be slightly non-zero, even when this does not improve the log-probabilities by much.
3、正则化的Logstic 回归
This problem we will refer to the binary classification task depicted in Figure 1(a), which we attempt to
solve with the simple linear logistic regression model
(for simplicity we do not use the bias parameter w 0). The training data can be separated with zero training error - see line L
1 in Figure 1(b) for instance.
(1) Consider a regularization approach where we try to maximize
for large C . Note that only w 2 is penalized. We’d like to know which of the four lines in Figure 1(b) could arise as a result of such regularization. For each potential line L 2, L 3 or L 4 determine whether it can result from regularizing w 2. If not, explain very briefly why not.
L 2: No. When we regularize w 2, the resulting boundary can rely less on the value of x 2 and therefore becomes more vertical. L 2 here seems to be more horizontal than the unregularized solution so it (a) The 2-dimensional data set used in Problem 2 (b) The points can be separated by L 1 (solid line). Possible other decision boundaries are shown by L 2;L 3;L 4.
cannot come as a result of penalizing w2
L3: Yes. Here w2^2 is small relative to w1^2 (as evidenced by high slope), and even though it would assign a rather low log-probability to the observed labels, it could be forced by a large regularization parameter C.
L4: No. For very large C, we get a boundary that is entirely vertical (line x1 = 0 or the x2 axis). L4 here is reflected across the x2 axis and represents a poorer solution than it’s counter part on the other side. For moderate regularization we have to get the best solution that we can construct while keeping w2 small. L4 is not the best and thus cannot come as a result of regularizing w2.
(2)If we change the form of regularization to one-norm (absolute value) and also regularize w1 we get
the following penalized log-likelihood
Consider again the problem in Figure 1(a) and the same linear logistic regression model. As we increase the regularization parameter C which of the following scenarios do you expect to observe (choose only one):
( x ) First w1 will become 0, then w2.
( ) w1 and w2 will become zero simultaneously
( ) First w2 will become 0, then w1.
( ) None of the weights will become exactly zero, only smaller as C increases
The data can be classified with zero training error and therefore also with high log-probability by looking at the value of x2 alone, i.e. making w1 = 0. Initially we might prefer to have a non-zero value for w1 but it will go to zero rather quickly as we increase regularization. Note that we pay a regularization penalty for a non-zero value of w1 and if it doesn’t help classification why would we pay the penalty? The absolute value regularization ensures that w1 will indeed go to exactly zero. As C increases further, even w2 will eventually become zero. We pay higher and higher cost for setting w2 to a non-zero value. Eventually this cost overwhelms the gain from the log-probability of labels that we can achieve with a non-zero w2. Note that when w1 = w2 = 0, the log-probability of labels is a finite value n log(0:5).
1、SVM
Figure 4: Training set, maximum margin linear separator, and the support vectors (in bold).
(1)What is the leave-one-out cross-validation error estimate for maximum margin separation in figure
4? (we are asking for a number) （0）
Based on the figure we can see that removing any single point would not chance the resulting maximum margin separator. Since all the points are initially classified correctly, the leave-one-out error is zero.
(2)We would expect the support vectors to remain the same in general as we move from a linear
kernel to higher order polynomial kernels. (F)
There are no guarantees that the support vectors remain the same. The feature vectors corresponding
to polynomial kernels are non-linear functions of the original input vectors and thus the support points for maximum margin separation in the feature space can be quite different.
(3)Structural risk minimization is guaranteed to find the model (among those considered) with the
lowest expected loss. （F）
We are guaranteed to find only the model with the lowest upper bound on the expected loss.
(4)What is the VC-dimension of a mixture of two Gaussians model in the plane with equal covariance
matrices? Why?
A mixture of two Gaussians with equal covariance matrices has a linear decision boundary. Linear separators in the plane have VC-dim exactly 3.
4、SVM
对如下数据点进行分类：
(a) Plot these six training points. Are the classes {+, ?} linearly separable?
yes
(b) Construct the weight vector of the maximum margin hyperplane by inspection and identify the support vectors.
The maximum margin hyperplane should have a slope of ?1 and should satisfy x1 = 3/2, x2 = 0. Therefore it’s equation is x1 + x2 = 3/2, and the weight vector is (1, 1)T .
(c) If you remove one of the support vectors does the size of the optimal margin decrease, stay the same, or increase?
In this specific dataset the optimal margin increases when we remove the support vectors (1, 0) or (1, 1)
and stays the same when we remove the other two.
(d) (Extra Credit) Is your answer to (c) also true for any dataset? Provide a counterexample or give a short proof.
When we drop some constraints in a constrained maximization problem, we get an optimal value which is at least as good the previous one. It is because the set of candidates satisfying the original (larger, stronger) set of contraints is a subset of the candidates satisfying the new (smaller, weaker) set of constraints. So, for the weaker constraints, the oldoptimal solution is still available and there may be additions soltons that are even better. In mathematical form:
Finally, note that in SVM problems we are maximizing the margin subject to the constraints given by training points. When we drop any of the constraints the margin can increase or stay the same depending on the dataset. In general problems with realistic datasets it is expected that the margin increases when we drop support vectors. The data in this problem is constructed to demonstrate that when removing some constraints the margin can stay the same or increase depending on the geometry.
2、 SVM
对下述有3个数据点的集合进行分类：
(a) Are the classes {+, ?} linearly separable?
No 。
(b) Consider mapping each point to 3-D using new feature vectors
()()2,x x φ=. Are the classes now linearly separable? If so, find a separating hyperplane.
The points are mapped to ()()()
1,0,0,1,, respectively. The points are now
separable in 3-dimensional space. A separating hyperplane is given by the weight vector (0,0,1) in the new space as seen in the figure.
(c) Define a class variable y i 2 {?1, +1} which denotes the class of x i and let w=(w 1,w 2,w 3)T . The
max-margin SVM classifier solves the following problem
Using the method of Lagrange multipliers show that the solution is []?0,0,2,1T b =-=w
and the margin is
21?w
.
For optimization problems with inequality constraints such as the above, we should apply KKT conditions which is a generalization of Lagrange multipliers. However this problem can be solved easier by noting that we have three vectors in the 3-dimensional space and all of them are support vectors. Hence the all 3 constraints hold with equality. Therefore we can apply the method of
Lagrange multipliers to,
(e) Show that the solution remains the same if the constraints are changed to
ρ≥.
for any 1
ρ≥? Provide a counterexample (f)(Extra Credit) Is your answer to (d) also true for any dataset and1
or give a short proof.
SVM
Suppose we only have four training examples in two dimensions (see figure above):
positive examples at x1 = [0, 0] , x2 = [2, 2] and negative examples at x3 = [h, 1] , x4 = [0, 3], where we treat 0 ≤ h ≤ 3 as a parameter
(1). How large can h ≥ 0 be so that the training points are still linearly separable?
Up to (excluding) h=1
(2). Does the orientation of the maximum margin decision boundary change as a function of h when the points are separable (Y/N)?
No, because x1, x2, x3 remain the support vectors.
(3). What is the margin achieved by the maximum margin boundary as a function of h?
[Hint : It turns out that the margin as a function of h is a linear function.]
(4). Assume that we can only observe the second component of the input vectors. Without the other component, the labeled training points reduce to (0,y = 1), (2,y = 1), (1,y = -1), and (3,y =-1). What is the lowest order p of polynomial kernel that would allow us to correctly classify these points?
The classes of the points on the x2-projected line observe the order 1,-1,1,-1. Therefore, we need a cubic polynomial.
Word 格式 工业机器人技术题库及答案 一、判断题 第一章 1、工业机器人由操作机、控制器、伺服驱动系统和检测传感装置构成。√ 2、被誉为“工业机器人之父”的约瑟夫·英格伯格最早提出了工业机器人概念。 × 3、工业机器人的机械结构系统由基座、手臂、手腕、末端操作器 4 大件组成。 × 4、示教盒属于机器人 - 环境交互系统。× 5、直角坐标机器人的工作范围为圆柱形状。× 6、机器人最大稳定速度高, 允许的极限加速度小, 则加减速的时间就会长一些。√ 7、承载能力是指机器人在工作范围内的特定位姿上所能承受的最大质量。× 第二章 1、工业机器人的机械部分主要包括末端操作器、手腕、手臂和机座。√ 2、工业机器人的机械部分主要包括末端操作器、手腕、手肘和手臂。× 3、工业机器人的手我们一般称为末端操作器。√ 4、齿形指面多用来夹持表面粗糙的毛坯或半成品。√ 5、吸附式取料手适应于大平面、易碎、微小的物体。√ 6、柔性手属于仿生多指灵巧手。√ 7、摆动式手爪适用于圆柱表面物体的抓取。√ 8、柔顺性装配技术分两种：主动柔顺装配和被动柔顺装配。√ 9、一般工业机器人手臂有 4 个自由度。× 10、机器人机座可分为固定式和履带式两种。× 11、行走机构按其行走运动轨迹可分为固定轨迹和无固定轨迹两种方式。√ 12、机器人手爪和手腕最完美的形式是模仿人手的多指灵巧手。√ 13、手腕按驱动方式来分，可分为直接驱动手腕和远距离传动手腕。√ 第三章 1、正向运动学解决的问题是：已知手部的位姿，求各个关节的变量。× 2、机器人的运动学方程只局限于对静态位置的讨论。√ 第四章 1、用传感器采集环境信息是机器人智能化的第一步。√ 2、视觉获得的感知信息占人对外界感知信息的60% 。× 3、工业机器人用力觉控制握力。× 4、超声波式传感器属于接近觉传感器。√ 5、光电式传感器属于接触觉传感器。× 6、喷漆机器人属于非接触式作业机器人。√ 7、电位器式位移传感器，随着光电编码器的价格降低而逐渐被取代。√ 8、光电编码器及测速发电机，是两种广泛采用的角速度传感器。× 9、多感觉信息融合技术在智能机器人系统中的应用, 则提高了机器人的认知水平。 √ 第五章 1、机器人控制系统必须是一个计算机控制系统。√
------单选 滚珠丝杠螺母副结构类型有外循环插管式和_________等类型. 收藏 A. 内循环反向器式 B. 外循环反向器式 C. 内、外双循环 D. 内循环插管式 回答错误!正确答案： B PWM指的是________. 收藏 A. 计算机集成系统 B. 可编程控制器 C. 机器人 D. 脉宽调制 回答错误!正确答案： D 检测环节能够对输出进行测量,并转换成比较环节所需要的量纲,一般包括传感器和_______. 收藏 A. 转换电路 B. 调制电路 C. 控制电路 D. 逆变电路 回答错误!正确答案： A 下列关于机电一体化的说法中正确的是________. 收藏 A. 机电一体化设计主要是指产品的设计,不需要系统论方面的知识 B. 机电一体化技术是由传统机械技术及电子技术两方面技术构成 C. 机电一体化是指机电一体化技术,而不包含机电一体化产品 D. 机电一体化技术是以机械为主体 回答错误!正确答案： D 伺服控制系统一般包括控制器、被控对象、执行环节、比较环节和_________等个五部分.
收藏 A. 换向结构 B. 检测环节 C. 存储电路 D. 转换电路 回答错误!正确答案： B 电压跟随器的输出电压________输入电压. 收藏 A. 大于等于 B. 大于 C. 小于 D. 等于 回答错误!正确答案： D 滚珠丝杠螺母副结构类型有两类:外循环插管式和________. 收藏 A. 内循环反向 B. 内循环插管式 C. 外循环反向器式 D. 内、外双循环 回答错误!正确答案： A 受控变量是机械运动的一种反馈控制系统称________. 收藏 A. 伺服系统 B. 工业机器人 C. 顺序控制系统 D. 数控机床 回答错误!正确答案： A 下列关于机电一体化系统的伺服系统稳定性说法中错误的是________. 收藏 A.
机械制图理论试题库及答案 机械制图试题库 一、填空题: 1、工程常用的投影法分为两类中心投影法与平行投影法,其 中正投影法属于平行投影法投影法。 2、在工程技术中为了准确地表达机械、仪器、建筑物等物的形状、结构与大小,根据投影原理标准或有关规定画出的图形,叫做视图。 3、在图纸上必须用粗实线画出图框,标题栏一般应位于图纸的右下 方位。 4、图样中,机件的可见轮廓线用粗实线画出,不可见轮廓线用虚线 画出,尺寸线与尺寸界限用细实线画出, 对称中心线与轴线用细点划线画出。 5、比例就是图形与实物相应要素的线性尺寸比,在画图时应 尽量采用原值的比例,须要时也可采用放大或缩小的比例,其中1:2为缩小比例,2:1为放大比例。无论采用哪种比例,图样上标注的应就是机件的实际尺寸。 6、机件的真实大小以图样上所标注的尺寸数值为依据与比例及视图大小无关。 7、标注尺寸的三要素尺寸数字、尺寸线与尺寸界线。 8、尺寸标注中的符号:R表示半径,Φ表示直径。 9、标注水平尺寸时,尺寸数字的字头方向应向上;标注垂直尺寸时,尺寸数字的字头方向应 向左。角度的尺寸数字一律按水平位置书写。当任何图线穿过尺寸数字时都必须断开。 10、平面图形中的线段有已知线段、中间线段与连接 线段三种。
机械制图理论试题库及答案 11、绘图板就是用来固定图纸,丁字尺就是用来画水平 线。 12、在机械制图中选用规定的线型,虚线就是用于不可见轮廓线, 中心线、对称线就用细点划线。 13、标注圆的直径尺寸时,应在数字前加注符号Φ,标注球的直径符 号为SΦ。 14、图样上的尺寸,由尺寸线、尺寸界线线、尺寸数字 与尺寸起止符号组成。 15、图样上的书写的汉字采用长仿宋体,其字的宽度应为高度的1/ 16、三视图的投影规律长对正,高平齐,宽相等。 17、读简单零件图的步骤抓住特征分部分、旋转归位想形状、综合 起来想整体。 18图纸的幅面分为基本幅面与加长幅面两类,基本幅面按 尺寸大小可分为5种,其代号分别为 A0、A1、A2、A3、A4。 19、图纸格式分为不留装订边与留装订边种,按标题栏的方位又 可将图纸格式分为x型与Y型两种。 20标题栏应位于图纸的右下方标题栏中的文字方向为瞧图方向。 21.比例就是指图中图形与其实物相应要素之比。图 样上标注的尺寸应就是机件的 实际尺寸,与所采用的比例无关。 22.常用比例有原值、放大与缩小三种;比例1:2就是 指实物就是图形相应要素的2倍,属于缩小比例;比例2:1就是指图形就是实物的2倍,属于放大比例。 23、图时应尽量采用原值比例,需要时也可采用放大或缩小 的比例。无论采用何种比例,图样中所注的尺寸,均为机件的实际大小。 24.汉字应用仿宋体书写,数字与字母应书写为斜体或正体。 25.字号指字体的高度,图样中常用字号有10、7、5、3、5号四 种。 26.常用图线的种类有实线、虚线、间隔画线、点划线、双点划线、三点画线、 点线等八种。 27.图样中,机件的可见轮廓线用粗实线,不可见轮廓线用虚线画出, 尺寸线与尺寸界线用细实线画出,对称中心线与轴线用点划线
西南大学网络与继续教育学院课程考试试卷 专业：机电一体化技术2014年8月 课程名称【编号】：工业机器人【0941】B卷 闭 / 开卷闭卷考试时间：80分钟满分：100分 答案必须做在答题卷上，做在试卷上不予记分。 一、填空（每空 1.5 分，共 18 分） （ 1）机器人是（指代替原来由人直接或间接作业的自动化机械）（第一章学习单元1） （ 2）在定的直角坐系{A} 中，空任一点P 的位置可用的位置矢量 A P表示，其 左上 A 代表定的参考坐系，P x P y P z是点P在坐系{A}中的三个位置坐 分量。（第二章学元1） 答： 3×1 （3）次坐的表示不是的，我将其各元素同乘一非零因子后，仍然代表同一点。 （第二章学元1） 答：唯一。 （4）斯坦福机器人的手臂有关，且两个关的相交于一点，一个移关，共三个自由度。 （第二章学元 5） 答：两个。 （ 5）在θ和d出后,可以算出斯坦福机器人手部坐系{6} 的和姿n、o、a， 就是斯坦福机器人手部位姿的解，个求解程叫做斯坦福机器人运学正解。（第二章学元 5） 答：位置 p。 （ 6）若定了体上和体在空的姿，个体在空上是完全确定的。 （第二章学元1） 答：某一点的位置。 （ 7）机器人运学逆解的求解主要存在三个：逆解可能不存在、和求解方法的多性。（第二章学元6） 答：逆解的多重性 （ 8）机器人逆运学求解有多种方法，一般分两：封解和。（第二章学元 6） 答：数解（9）“角度定法”就是采用相参考坐系或相运坐系作三次来定姿的 方法。和欧拉角法、 RPY 角法是角度定法中常用的方法。（第二章学元7）答： （10）在工机器人速度分析和以后的静力学分析中都将遇到似的雅可比矩，我称 之工机器人雅可比矩，或称雅可比，一般用符号表示。（第三章学元 1）答：J 。之的关系且 dX 此表示微小位移。 J 反映了关空微小运 dθ与 （11） （第三章学元 1） 答：手部作空微小位移 dX 。 （12）于n个自由度的工机器人，其关量可以用广关量q 表示；当关 关， qi＝ di，当关移关， qi＝di， dq＝[dq1 dq2 ? dqn]T，反映了关 空的。（第三章学元 1） 答：微小运。 二、名解（每 3 分，共 6 分） 1、柔性手（第四章学习单元1） 可对不同外形物体实施抓取，并使物体表面受力比较均匀的机器人手部结构。 2、制动器失效抱闸（第四章学习单元1） 指要放松制动器就必须接通电源，否则，各关节不能产生相对运动。 三、答（每 6 分，共 36 分） 1、简述脉冲回波式超声波传感器的工作原理。（第五章学习单元3） 在脉冲回波式中，先将超声波用脉冲调制后发射，根据经被测物体反射回来的回波延迟时间 t，计算出被测物体的距离R，假设空气中的声速为v，则被测物与传感器间的距离R 为：如果空气温度为T（℃ )，则声速v 可由下式求得： 2、机器人视觉的硬件系统由哪些部分组成？（第五章学习单元9） (1)景物和距离传感器，常用的有摄像机、CCD图像传感器、超声波传感器和结构光设备等； (2)视频信号数字化设备，其任务是把摄像机或者 CCD输出的信号转换成方便计算和分析的数 字信号； (3) 视频信号处理器，视频信号实时、快速、并行算法的硬件实现设备：如DSP系统； (4)计算机及其设备，根据系统的需要可以选用不同的计算机及其外设来满足机器人视觉信息 处理及其机器人控制的需要； (5)机器人或机械手及其控制器。 3、为什么要做图像的预处理？机器视觉常用的预处理步骤有哪些？（第五章学习单元9） 预处理的主要目的是清楚原始图像中各种噪声等无用的信息，改进图像的质量，增强兴趣的有用信息的可检测性。从而使得后面的分割、特征抽取和识别处理得以简化，并提高其可靠性。机器视觉常用的预处理包括去噪、灰度变换和锐化等。 4、为什么我们说步进电动机是是位置控制中不可缺少的执行装置？他有什么优缺点？（第六章学习单元 6） 因为可以对数字信号直接进行控制，能够很容易地与微型计算机相连接，不需要反馈控制， 电路简单，容易用微型计算机控制，且停止时能保持转矩，维护也比较方便，但工作效率低， 容易引起失歩，有时也有振荡现象产生。
全国青少年机器人技术等级考试 一级模拟试题 下列人物形象中，哪一个是机器人？ A. B. C. D. 题型:单选题 答案:D 分数:2 2.下列多边形中，最稳定的多边形是 A.
B. C. D. 答案:B 题型:单选题 分数:2 3.下图中，沿着哪个斜面向上拉动小车最省力 A.A B.B C.C D.D 题型:单选题 答案:D 分数:2 4.机器人的英文单词是 A.botre B.boret
C.rebot D.robot 答案:D 题型:单选题 分数:2 5.木工师傅使用斧头作为工具，是利用（）能省力的原理。 A.滑轮 B.轮轴 C.斜面 D.杠杆 答案:C 题型:单选题 分数:2 6.如下图所示，利用定滑轮匀速提升重物G，向三个方向拉动的力分别是F1、F2、F3，三个 力的大小关系是 A.F1最大 B.F2最大 C.F3最大 D.一样大 答案:D 题型:单选题 分数:2
7.如下图中，动滑轮有（）个。 A.1 B.2 C.3 D.0 答案:A 题型:单选题 分数:2 8.如下图中，动力从哪个齿轮输入时输出速度最小？ A.1号 B.2号 C.3号 D.以上均相同 答案:A 题型:单选题 分数:2 9.关于简单机械，下列说法不正确的是 A.起重机的起重臂是一个杠杆 B.省力的机械一定会省距离 C.定滑轮、动滑轮和轮轴都是变形的杠杆
D.使用轮轴不一定会省力 答案:B 题型:单选题 分数:2 10.使用轮轴时，下面说法中错误的是 A.轮轴只能省力一半 B.动力作用在轮上可以省力 C.动力作用在轴上不能省力 D.使用轮半径与轴半径之比为2:1的轮轴时，可以省力一半（动力作用在轮上）答案:A 题型:单选题 分数:2 11.在正面这些常见的生活工具中，哪些含有传动链？ A.电视机 B.台式电脑 C.滑板车 D.自行车 答案:D 题型:单选题 分数:2 12.若把轮轴、定滑轮、动滑轮看作杠杆，则下列说法正确的是 A.轮轴一定是省力杠杆 B.定滑轮可以看作是等臂杠杆 C.动滑轮可以看作动力臂为阻力臂二分之一倍的杠杆 D.以上说法都不对 答案:B 题型:单选题
机械电子 一、 1、机械电子学的共性相关技术有六项，分别是 机器感知技术 ， 伺服驱动技术 ， 信息处理技术， 精密机械技术 自动控制技术 ， 系统总体技术 2、执行元件种类： 电动 、 液压 、 气压 3、精密机械技术主要实现机电一体化产品的 主功能 和 构造功能 4、机电一体化系统广泛使用 电传动方式 ，对于低速重负荷系统则采用 电液伺服传动系统 ，在某些自动线上则使用 气压传动 。 5、选用步进电机时应考虑的问题有 转矩与惯量的匹配条件 、 步距角的选择与精度 。 6、一个脉冲所产生的坐标轴移动量叫 脉冲当量 7、设计过程被描述成一种映射过程。即通过选择适当的设计参数，将在功能域中的功能要求，映射到物理空间中的设计参数，这个映射过程需要遵循设计的两个基本公理，即 独立性公理 ， 信息公理 8、在串行通信中，一般通信速率越高，传输距离越 近 二、 1、步进电机具有哪些特点？ 答：步进电机的工作状态不易受各种干扰因素的影响，只要干扰的大小未引起“丢步”现象就不影响其正常工作；步进电机步距角有误差，转子转过一定步数以后会出现累积误差，但转子转过一转以后，其累积误差为“0”，不会长期积累；易于直接与微机系统接口，构成开环位置伺服系统。 2、步进电机的选用应注意哪些问题？ 答：（1）转矩和惯量的匹配，为了使步进电机具有良好的起动能力及较快的响应速度，通常推荐 5 .0max ≤T T el 及 4 ≤m el J J 。 （2）步距角的选择和精度，因步距角的选择是由电脉冲当量等因素决定的，步进电机的步距角精度将会影响开环系统的精度。 3、同步带传动有哪些特点？ 答：同步带传动的特点与分类 1）传动比准确，同步带是啮合传动，工作时无滑动。 2）传动效率高，效率可达98%。与V 带相比，可节能10%以上。 3）传动平稳，能吸收振动，噪声小。 4）使用范围广，传动比可达10，且带轮直径比V 带小得多，也不需要 大的张紧力，结构紧凑。高速还达50m/s ，传递功率达300kW 。 5）维护保养方便，能在高温、灰尘、水及腐蚀介质的恶劣环境中工作，不需润滑。 6）安装要求高。要求二带轮轴线平行。同步带在与二带轮轴线垂直的平面内运
机械制图试题库 一、填空题： 1、工程常用的投影法分为两类中心投影法和平行投影 法，其中正投影法属于平行投影法投影法。 2、在工程技术中为了准确地表达机械、仪器、建筑物等物的形状、结构和大小，根据投影原理标准或有关规定画出的图形，叫做视图。 3、在图纸上必须用粗实线画出图框，标题栏一般应位于图纸的右下方位。 4、图样中，机件的可见轮廓线用粗实线画出，不可见轮廓线用虚线画出，尺寸线和尺寸界限用细实线画出，对称中心线和轴线用细点划线画出。 5、比例是图形与实物相应要素的线性尺寸比， 在画图时应尽量采用原值的比例，须要时也可采用放大或缩小的比例，其中1：2为缩小比例，2：1为放大比例。无论采用哪种比例，图样上标注的应是机件的实际尺寸。 6、机件的真实大小以图样上所标注的尺寸数值为依据与比例
精品文档 . 及视图大小无关。 7、标注尺寸的三要素尺寸数字、尺寸线 和尺寸界线。 8、尺寸标注中的符号：R表示半径，Φ表示直径。 9、标注水平尺寸时，尺寸数字的字头方向应向上；标注垂直尺寸时，尺寸数字的字头方向应 向左。角度的尺寸数字一律按水平位置书写。当任何图线穿过尺寸数字时都必须断开。 10、平面图形中的线段有已知线段、中间线段 和连接线段三种。 11、绘图板是用来固定图纸，丁字尺是用来画 水平线。 12、在机械制图中选用规定的线型，虚线是用于不可见轮廓 线，中心线、对称线就用细点划线。13、标注圆的直径尺寸时，应在数字前加注符号Φ，标注球的直径符号为SΦ。 14、图样上的尺寸，由尺寸线、尺寸界线线、尺寸数字和尺寸起止符号组成。 15、图样上的书写的汉字采用长仿宋体，其字的宽度应为高度的1/ 2。 16、三视图的投影规律长对正，高平齐，宽相等。 17、读简单零件图的步骤抓住特征分部分、旋转归位想形 状、综合起来想整体。
一、单项选择题 1.对机器人进行示教时, 作为示教人员必须事先接受过专门的培训才行. 与示 教作业人员一起进行作业的监护人员, 处在机器人可动范围外时,（B），可进行 共同作业。 A．不需要事先接受过专门的培训 B．必须事先接受过专门的培训 C．没有事先接受过专门的培训也可以 D. 具有经验即可 2.使用焊枪示教前, 检查焊枪的均压装置是否良好, 动作是否正常, 同时对电 极头的要求是（A）。 A．更换新的电极头 B．使用磨耗量大的电极头 C．新的或旧的都行 D. 电极头无影响 3.通常对机器人进行示教编程时, 要求最初程序点与最终程序点的位置（A）, 可 提高工作效率。 A．相同 B．不同 C．无所谓 D．分离越大越好 4.为了确保安全, 用示教编程器手动运行机器人时, 机器人的最高速度限制为（B）。 A．50mm/s B．250mm/s C．800mm/s D．1600mm/s 5.正常联动生产时, 机器人示教编程器上安全模式不应该打到（C）位置上。 A．操作模式 B．编辑模式 C．管理模式 D. 安全模式 6.示教编程器上安全开关握紧为 ON, 松开为 OFF 状态, 作为进而追加的功能, 当握紧力过大时, 为（C）状态。 A．不变 B．ON C．OFF D. 急停报错 7.对机器人进行示教时, 模式旋钮打到示教模式后, 在此模式中，外部设备发出 的启动信号（A）。 A．无效 B．有效 C．延时后有效 D. 视情况而定 8.位置等级是指机器人经过示教的位置时的接近程度, 设定了合适的位置等级 时，可使机器人运行出与周围状况和工件相适应的轨迹，其中位置等级（A）。 A．CNT值越小, 运行轨迹越精准 B．CNT值大小, 与运行轨迹关系不大 C．CNT值越大, 运行轨迹越精准 D. 只与运动速度有关
全国青少年机器人技术等级考试（一级2017.8.26）真题 一、单选题(共30题，每题2分，共60分) 1.在玩跷跷板的时候，如果坐在左边的小朋友比坐在右边的小朋友轻，要想保持跷跷板平衡，应该（B） A.左边的小朋友坐的更靠近支点 B. 右边的小朋友坐的更靠近支点 C. 左右两个小朋友互换位置 D. 右边的小朋友坐的更远离支点 2.家用扫地机器人一般采用的驱动方式为（A） A. 电力驱动 B. 液压驱动 C. 气压驱动 D. 水驱动 3.机器人的基本结构不包括（D） A.机械部分 B. 传感部分 C. 控制部分 D. 传动部分 4.下列机械结构不能用10N的拉力提起15N重的物体的是（A） A. 一个定滑轮 B. 一个动滑轮 C. 杠杆 D. 斜面 5.下列说法错误的是（B） A.°功的大小是力乘以力的方向上移动的距离，单位是焦耳 B. 只要省力就会费距离，费力就会省距离 C. 使同一物体达到相同的作用效果，对他做的功不是固定的 D. 任何机械都不省功 6.使用滑轮组工作是因为它能（C） A.省力当但不能改变力的方向 B. 能改变力的方向但不能省力 C. 既能改变力的方向又能省力 D. 能够减小手动工作的距离 7.齿轮传动的缺点是（D） A.准确无误的传递动力 B. 传动力大 C. 结构紧凑 D. 噪音大 8.下列说法不正确的是（C） A. 皮带的噪音比齿轮和传动链的小 B. 传动链、皮带可以远距离传递动力 C. 皮带、齿轮、传动链结构中的两轮转动方向都必须是同向 D. 传动链每一节都可以拆卸，所以传动的距离可以自由调节 9.下列人物形象中，哪个是机器人(C)
A. B. C. D. 10.使用下列简单机械，为了省力的是（B） A.龙舟比赛用的船桨 B. 开瓶用的瓶起子 C. 理发用的剪刀 D. 旗杆顶的定滑轮 11.有一对相互啮合传动的齿轮，小齿轮带动大齿轮转动时，此齿轮传动的作用是（B） A.加速 B. 降速 C. 匀速 D. 不确定 12.给小车一个匀速向前的力使小车在桌面上滑动，下列说法错误的是（D） A.在手将要推动小车之前，小车与桌面之间存在静摩擦力 B. 小车会在桌面上滑动一段距离后停下 C. 小车行驶过程中受重力、滑动摩擦力、支持力 D. 小车会一直在桌上保持匀速运动下去 13.下列描述不正确的是（D） A.履带是围绕着主动轮、负重轮、诱导轮和托带轮的柔性链环 B. 履带是一种传动装置，从理论上来说与传动链相同 C. 履带增大了与地面接触面积，分散了压力，减小对于地面压强 D. 履带减少了与地面的摩擦力 14.在荡秋千时，下列说法错误的是（D） A.从最低点到最高点的过程中，速度越来越小 B. 从最低点到最高点的过程中，动能转化为重力势能 C. 到达最低点时，速度最大 D. 到达最高点时，重力势能全部转化为动能 15.下列说法不正确的是（D） A. 角速度是指圆周运动中在单位时间内转过的弧度，即齿轮每秒转动的角度。 B. 线速度是指圆周运动中在单位时间内转过的曲线长度。 C. 转速是指圆周运动中在单位时间内转过的圈数。 D. 线速度一定，齿轮越大，角速度和转速越大。 16.下列选项中不是利用到三角形稳定性的是（D） A.金字塔 B. 吊车 C. 秋千支架 D. 拉伸门
《机械电子学》试题库答案 一、填空题 1、从功能上讲，机电一体化系统可以分为五大组成部分，即 机械结构 、 执行机构 、 驱动部件 、 信息检测部件 、 信息处理和控制单元 。 2、机械电子系统的特点是动力传动和逻辑功能互相分离、动力或能量传递的路是电源—伺服控制单元—机电换能器—执行机构 、信息传递的路是 计算机—接口—伺服控制单元 。 3、机电一体化系统广泛使用 电传动方式 ，对于低速重负荷系统则采用 电液伺服传动系统 ，在某些自动线上则使用 气压传动 。 4、所谓伺服机构是一种以 位移 为控制量的 闭环 控制系统。 5、数字IC 在机械电子装置中的作用，有 实现各种逻辑 、 实现信息的存储 、 实现数字量的运算 、 实现电路之间的参数匹配 、 提供基准波形 。 6、8.数字IC 的主要参数有 ON V 开关电压 、 O H V 输出高电压 、 OL V 输低电压 与 IH IL I I 和输入漏电流输入短路电流 、 与带负荷能力扇出系数O N 、 噪声容限和抗干扰能力 。 7、从功能上讲，机电一体化系统可分为五大组成部分：即机械结构、执行机构、驱动部件、信息检测部件、信息处理和控制单元。 8、所谓伺服机构是一种以位移为控制量的闭环控制系统。 9、接口的主要作用有：变换、放大、传递。 10、机电一体化系统对执行元件的基本要求是惯性小动力大、体积小重量轻、便于维修安装、易于微机控制。 11、机械电子学的共性相关技术有六项，分别是 机器感知技术，伺服驱动技术，信息处理技术，精密机械技术，自动控制技术，系统总体技术。 12、执行元件种类包括：电动、液压、气压。 13、机电一体化系统广泛使用电传动方式，对于低速重负荷系统则采用电液伺服传动系统，在某些自动线上则使用气压传动。 14、选用步进电机时应考虑的问题有转矩与惯量的匹配条件、步距角的选择与精度。 15、一个脉冲所产生的坐标轴移动量叫脉冲当量。 16、设计过程被描述成一种映射过程。即通过选择适当的设计参数，将在功能域中的功能要求，映射到物理空间中的设计参数，这个映射过程需要遵循设计的两个基本公理，即独立性公理，信息公理。 17、在串行通信中，一般通信速率越高，传输距离越近。 18、微型计算机应用分为两大类： 检测控制类 、 数据处理类 。
机械制图试题及答案机械制图习题及答案 文档编制序号：[KKIDT-LLE0828-LLETD298-POI08]
徐州师范大学试卷(3) 机械工程系机械制造工艺与设备专业画法几何及机械制图课程班级姓名学号得分 题号一二三四五六七八九总 分 得 分 阅卷 人 一、在平面ABC内作一条水平线，使其到H面的距离为10mm。(10分) 二、作平面△ABC和平面△EFG的交线，并判别可见性。(10分) 三、根据给出的视图，补画第三视图或视图中所缺的图线。(14分，每题7分) 1. 2. 四、在指定位置将主视图画成剖视图。(12分) 五、补画视图中的缺线。(12分) 六、指出下列螺纹画法中的错误，并将正确的画在指定位置。(8分) 七、在指定位置画出剖面图(键槽深为3mm)。(8分) 八、解释轴承304的含义，并在图中画出其与孔和轴的装配结构。(8分)
九、读零件图，并回答问题。(18分) 1．该零件采用了哪些视图、剖视图或其它表达方法说明数量和名称。 2．指出该零件在长、宽、高三个方向的主要尺寸基准。 3．说明Φ40H7的意义。 4．说明M68╳2的含义。 5．画出左视图的外形。 6.说明符号的含义。 徐州师范大学试卷(3)答案 机械工程系机械制造工艺与设备专业画法几何及机械制图课程班级姓名学号得分 一、在平面ABC内作一条水平线，使其到H面的距离为10mm。(10分) 二、作平面△ABC和平面△EFG的交线，并判别可见性。(10分) 三、根据给出的视图，补画第三视图或视图中所缺的图线。(14分，每题7分) 1. 2. 四、在指定位置将主视图画成剖视图。(12分) 五、补画视图中的缺线。(12分) 六、指出下列螺纹画法中的错误，并将正确的画在指定位置。(8分) 七、在指定位置画出剖面图(键槽深为3mm)。(8分) 八、解释轴承304的含义，并在图中画出其与孔和轴的装配结构。(8分)
一、判断题 1．机械手亦可称之为机器人。（Y） 2．完成某一特定作业时具有多余自由度的机器人称为冗余自由度机器人。 （Y） 3、关节空间是由全部关节参数构成的。（Y） 4、任何复杂的运动都可以分解为由多个平移和绕轴转动的简单运动的合成。 （Y） 5、关节i的坐标系放在i-1关节的末端。（N） 6．手臂解有解的必要条件是串联关节链中的自由度数等于或小于6。（N） 7．对于具有外力作用的非保守机械系统，其拉格朗日动力函数L可定义为系统总动能与系统总势能之和。（N） 8．由电阻应变片组成电桥可以构成测量重量的传感器。（Y） 9．激光测距仪可以进行散装物料重量的检测。（Y） 10．运动控制的电子齿轮模式是一种主动轴与从动轴保持一种灵活传动比的随动 系统。（Y） 11．谐波减速机的名称来源是因为刚轮齿圈上任一点的径向位移呈近似于余弦波 形的变化。（N） 12．轨迹插补运算是伴随着轨迹控制过程一步步完成的，而不是在得到示教点之后，一次完成，再提交给再现过程的。（Y） 13．格林（格雷）码被大量用在相对光轴编码器中。（N） 14．图像二值化处理便是将图像中感兴趣的部分置1，背景部分置2。（N）15．图像增强是调整图像的色度、亮度、饱和度、对比度和分辨率，使得图像效果 清晰和颜色分明。（Y） 二、填空题 1.机器人是指代替原来由人直接或间接作业的自动化机械。 2.在机器人的正面作业与机器人保持300mm以上的距离。 3.手动速度分为: 微动、低速、中速、高速。
4.机器人的三种动作模式分为: 示教模式、再现模式、远程模式。 5.机器人的坐标系的种类为: 关节坐标系、直角坐标系、圆柱坐标系、工具坐标 系、用户坐标系。 6.设定关节坐标系时，机器人的 S、L、U、R、B、T 各轴分别运动。 7.设定为直角坐标系时，机器人控制点沿 X、Y、Z 轴平行移动。 8.用关节插补示教机器人轴时，移动命令为MOVJ。 9.机器人的位置精度PL 是指机器人经过示教的位置时的接近程度，可以分为9个等级，分别是PL=0，PL=1，PL=2，PL=3，PL=4，PL=5，PL=6，PL=7，PL=8。马自达标准中，PL=1 指只要机器人TCP 点经过以示教点为圆心、以0.5mm为半径的圆内的任一点即视为达到；PL=2 指只要机器人 TCP 点经过以示教点为圆心、以20mm为半径的圆内的任一点即视为达；PL=3 指只要机器人TCP 点经过以示教点为圆心、以75mm 为半径的圆内的任一点即视为达到。 10.机器人的腕部轴为R，B，T，本体轴为S， L，U。 11.机器人示教是指：将工作内容告知产业用机器人的作业。 12.机器人轨迹支持四种插补方式，分别是关节插补，直线插补，圆弧插补,自由曲线插补，插补命令分别是MOVJ，MOVL,MOVC，MOVS。 13.关节插补以最高速度的百分比来表示再现速度，系统可选的速度从慢到快依次是 0.78%，1.56%，3.12%，6.25%，12.50%，25.00%，50.00%，100.00%。 14.干涉区信号设置有两种，分别是绝对优先干涉区和相对优先干涉区，基于设备安全方面考虑，现场使用的干涉区绝大多数都是绝对优先干涉区，并尽可能的通过作业时序上错开的方法来实现节拍最优化。 15.机器人按机构特性可以划分为关节机器人和非关节机器人两大类。 16. 机器人系统大致由驱动系统、机械系统、人机交互系统和控制系统、感知系统、
第1 章绪论 1、国际标准化组织（ISO）对机器人的定义是什么？ 国际标准化组织（ISO）给出的机器人定义较为全面和准确，其涵义为： 机器人的动作机构具有类似于人或其他生物体某些器官（肢体、感官等）的功能； 机器人具有通用性，工作种类多样，动作程序灵活易变； 机器人具有不同程度的智能性，如记忆、感知、推理、决策、学习等； 机器人具有独立性，完整的机器人系统在工作中可以不依赖于人类的干预。 2、工业机器人是如何定义的？ 工业机器人是指在工业中应用的一种能进行自动控制的、可重复编程的、多功能的、多自由度的、多用途的操作机，能搬运材料、工件或操持工具，用以完成各种作业。且这种操作机 可以固定在一个地方，也可以在往复运动的小车上。 3、按几何结构，机器人可分为那几种？ 直角坐标型 圆柱坐标型球坐标型关节坐标型 4、机器人的参考坐标系有哪些？ 全局参考坐标系关节参考坐标系工具参考坐标系 5、什么是机器人的自由度和工作空间？ 机器人的自由度（Degree of Freedom, DOF ）是指其末端执行器相对于参考坐标系能够独立 运动的数目，但并不包括末端执行器的开合自由度。自由度是机器人的一个重要技术指标， 它是由机器人的结构决定的，并直接影响到机器人是否能完成与目标作业相适应的动作。 机器人的工作空间（Working Space）是指机器人末端上参考点所能达到的所有空间区域。 由于末端执行器的形状尺寸是多种多样的，为真实反映机器人的特征参数，工作空间是指不 安装末端执行器时的工作区域。 第2 章 1、机器人系统由哪三部分组成？答：操作机、驱动器、控制系统 2、什么是机器人的操作机？分为哪几部分？ 答：机器人的操作机就是通过活动关节（转动关节或移动关节）连接在一起的空间开链机构， 主要由手部、腕部、臂部和机座构成。 3、简述机器人手部的作用，其分为哪几类？ 答：作用：机器人的手部又称为末端执行器，它是机器人直接用于抓取和握紧（或吸附）工 件或操持专用工具（如喷枪、扳手、砂轮、焊枪等）进行操作的部件，它具有模仿人手动作 的功能，并安装于机器人手臂的最前端。 分类：1.机械夹持式手 2.吸附式手 3.专用手 4.灵巧手 4、机器人机械夹持式手按手爪的运动方式分为哪两种？各有何典型机构？ 答：按手爪的运动方式分为回转型和平移型。平移型可分两类：它分为直线式和圆弧式两种。 典型机构： a 齿轮齿条式 b 螺母丝杠式 c 凸轮式 d 平行连杆式.回转型典型:a 楔块杠杆式 b 滑槽杠杆式 c 连杆杠杆式 d 齿轮齿条式 e 自重杠杆式 5、机器人吸附式手分为哪两种？各有何特点？ 答：根据吸附力的产生方法不同，将其分为：气吸式,磁吸式（1）气吸式:气吸式手是利用 吸盘内的压力与外界大气压之间形成的压力差来工作的，根据压力差形成的原理不同，可分为：a 挤压排气式 b 气流负压式 c 真空抽气式(2)磁吸式:磁吸式手是利用磁场产生的磁吸力 来抓取工件的，因此只能对铁磁性工件起作用（钢、铁等材料在温度超过723℃时就会失去磁性），另外，对不允许有剩磁的工件要禁止使用，所以磁吸式手的使用有一定的局限性。 根据磁场产生的方法不同，磁吸式手可分为： a 永磁式 b 励磁式
填空题 1. 机电一体化技术的内涵是微电子技术和机械技术渗透过程中形成的一个新概念。 2. 机电一体化系统（产品）是机械和微电子技术的有机结合。 3. 工业三大要素是物质、能量、信息；机电一体化工程研究所追求的三大目标是：省能源、省资源、智能化。 4. 机电一体化研究的核心技术是接口问题。 5. 机电一体化系统（产品）构成的五大部分（或子系统）是：机械系统、电子信息处理系统、动力系统、传感检测系统、执行元件系统。 6. 机电一体化接口按输入/输出功能分类机械接口、物理接口、信息接口、环境接口。 7. 机电一体化系统（产品）按设计类型分为：开放性设计、适应性设计、变异性设计。 8. 机电一体化系统（产品）按机电融合程度分为：机电互补法、机电结合（融合）法、机电组合法。 9. 机电一体化技术是在机械的主功能、动力功能、信息与控制功能基础上引入微电子技术，并将机械装置与电子装置用相关软件有机地结合所构成系统的总称。 10.机电一体化系统实现三大功能应具有的两大重要特征（转换作用方式）： 以能源转换为主和以信息转换为主。 11. 丝杠螺母机构的基本传动形式有：螺母固定丝杆转动并移动、丝杆转动螺母移动、螺母转动丝杆移动、丝杆固定螺母转动并移动
四种形式。 12. 滚珠丝杠副按螺纹滚道截面形状分为单圆弧和双圆弧两类；按滚珠的循环方式分为内循环和外循环两类。 13. 滚珠丝杠副轴向间隙调整与预紧的基本方法有：双螺母螺纹预紧调整、双螺母齿差预紧调整、双螺母垫片调整预紧、弹簧自动调整预紧四种方式。 14. 滚珠丝杠副常选择的支承方式有：单推—单推式、双推—双推式、双推—简支式、双推—自由式。 15. 机电一体化系统（产品）常用齿轮传动形式有定轴轮系、行星轮系和谐波轮系三种形式。 16. 在机电一体化系统机械传动中，常用的传动比分配原则有：重量最轻原则、转动惯量最小原则、传动精度最优原则等。 17. 常用导轨副的截面形式有：三角形导轨、矩形导轨、燕尾形导轨、圆形导轨四种形式。 18. 导轨刚度主要指：结构刚度、接触刚度和局部刚度。 19. 机电一体化系统（产品）中，常可选择的执行元件：电磁式、液压式、气压式和其他形式的执行元件。 20. 电动机的工作特性分为恒转矩工作和恒功率两个阶段，其转折点的转速和功率分别称为：额定转速和额定功率；伺服电动机用于调速控制时，应该工作在恒转矩阶段。 21. 步进电机按转子结构形式可分为：反应式步进电机、永磁式步进电机、混合式步进电机三种。 22. 步进电机的工作方式有：单拍工作方式和倍拍工作方式。 23. 步进电机的开环控制精度主要由步进电机的结构形式和工作
《工业机器人》复习题 一、判断题 1.机械手亦可称之为机器人。（Ｙ) 2.完成某一特定作业时具有多余自由度的机器人称为冗余自由度机器人。(Ｙ) 3.关节空间是由全部关节参数构成的。（Ｙ) 4.任何复杂的运动都可以分解为由多个平移和绕轴转动的简单运动的合成。(Y） 5.关节i的坐标系放在ｉ－1关节的末端。(N) 6.手臂解有解的必要条件是串联关节链中的自由度数等于或小于６。（Ｎ) 7.对于具有外力作用的非保守机械系统,其拉格朗日动力函数Ｌ可定义为系统总动 能与系统总势能之和。(N) 8.由电阻应变片组成电桥可以构成测量重量的传感器。(Y) 9.激光测距仪可以进行散装物料重量的检测。（Y) 10.运动控制的电子齿轮模式是一种主动轴与从动轴保持一种灵活传动比的随动系 统。（Ｙ） 11.工业机器人工作站是由一台或两台机器人所构成的生产体系。(） 12.机器人分辨率分为编程分辨率与控制分辨率，统称为系统分辨率。(） 13.正交变换矩阵R为正交矩阵。（) 14.复合运动齐次矩阵的建立是由全部简单运动齐次矩阵求和所形成的。（） 15.关节i的效应表现在i 关节的末端。（) 16.并联关节机器人的正运动学问题求解易,逆运动学问题求解难。（） 17.机器人轨迹泛指工业机器人在运动过程中所走过的路径。（) 18.空间直线插补是在已知该直线始点、末点和中点的位置和姿态的条件下，进而 求出轨迹上各点（插补点）的位置和姿态。（) 19.示教编程用于示教-再现型机器人中。（Y） 20.机器人轨迹泛指工业机器人在运动过程中的运动轨迹，即运动点的位移、速度 和加速度。（Y) 21.关节型机器人主要由立柱、前臂和后臂组成。（N）
《机器人技术及应用》综合习题 一、判断 1.机器人是在科研或工业生产中用来代替人工作的机械装置。（对） 2. 19世纪60年代和20世纪70年代是机器人发展最快、最好的时期，这期间的各项研究发明有效地推动了机器人技术的发展和推广。（错） 3. 对于机器人如何分类，国际上没有制定统一的标准，有的按负载量分，有的按控制方式分，有的按自由度分，有的按结构分，有的按应用领域分。（对） 4. 所谓特种机器人就是面向工业领域的多关节机械手或多自由度机器人。（错） 5. 机器人机械本体结构的动作是依靠关节机器人的关节驱动，而大多数机器人是基于开环控制原理进行的。（错） 6. 机器人各关节伺服驱动的指令值由主计算机计算后，在各采样周期给出，由主计算机根据示教点参考坐标的空间位置、方位及速度，通过运动学逆运算把数据转变为关节的指令值。（对） 7. 为了与周边系统及相应操作进行联系与应答，机器人还应有各种通信接口和人机通信装置。（对） 8. 轮式机器人对于沟壑、台阶等障碍的通过能力较高。（错） 9. 为提高轮式移动机器人的移动能力，研究者设计出了可实现原地转的全向轮。（对） 10. 履带式机器人是在轮式机器人的基础上发展起来的，是一类具有良好越障能力的移动机构，对于野外环境中的复杂地形具有很强的适应能力。（对） 11. 腿式（也称步行或者足式）机构的研究最早可以追溯到中国春秋时期鲁班设计的木车马。（对） 12. 机器人定义的标准是统一的，不同国家、不同领域的学者给出的机器人定义都是相同的。（错） 13. 球形机器人是一种具有球形或近似球形的外壳，通过其内部的驱动装置实现整体滚动的特殊移动机器人。（对） 14. 可编程机器人可以根据操作员所编的程序，完成一些简单的重复性操作，目前在工业界已不再应用。（错） 15. 感知机器人，即自适应机器人，它是在第一代机器人的基础上发展起来的，具有不同程度的“感知”能力。（对） 16. 第三阶段机器人将具有识别、推理、规划和学习等智能机制，它可以把感知和行动智能化结合起来，称之为智能机器人。（对） 17. 工业机器人的最早研究可追溯到第一次大战后不久。（错） 18. 20世纪50年代中期，机械手中的液压装置被机械耦合所取代，如通用电气公司的“巧手人”机器人。（错） 19. 一般认为Unimate和Versatran机器人是世界上最早的工业机器人。（对） 20. 1979年Unimation公司推出了PUMA系列工业机器人，它是全电动驱动、关节式结构、多中央处理器二级微机控制，可配置视觉感受器、具有触觉的力感受器，是技术较为先进的机器人。（对） 1. 刚体的自由度是指刚体具有独立运动的数目。（对） 2. 机构自由度只取决于活动的构件数目。（错） 3. 活动构件的自由度总数减去运动副引入的约束总数就是该机构的自由度。（对） 4. 机器人运动方程的正运动学是给定机器人几何参数和关节变量，求末端执行器相对于参考坐标系的位置和姿态。（对） 5. 机器人运动方程的逆运动学是给定机器人连杆几何参数和末端执行器相对于参考坐标系的位姿，求机器人实现此位姿的关节变量。（对） 6. 机械臂是由一系列通过关节连接起来的连杆构成。（对） 7. 对于机械臂的设计方法主要包括为2点，即机构部分的设计和内部传感器与外部传感器的设计。（错） 8. 球面坐标型机械臂主要由一个旋转关节和一个移动关节构成，旋转关节与基座相连，移动关节与末端执行器连接。（对） 9. 为提高轮式移动机器人的移动能力，研究者设计出了可实现原地转的全向轮。（对） 10. 履带式机器人是在轮式机器人的基础上发展起来的，是一类具有良好越障能力的移动机构，对于野外环境中的复杂地形具有很强的适应能力。（对） 11. 腿式（也称步行或者足式）机构的研究最早可以追溯到中国春秋时期鲁班设计的木车马。（对） 12. 刚体在空间中只有4个独立运动。（错） 13. 球形机器人是一种具有球形或近似球形的外壳，通过其内部的驱动装置实现整体滚动的特殊移动机器人。（对） 14. 在机构中，每一构件都以一定的方式与其他构件相互连接，这种由两个构件直接接触的可动连接称为运动副。（错） 15. 运动副可以根据其引入约束的数目进行分类，引入一个约束的运动副称为二级副。（错） 16.通过面接触而构成的运动副，称为低副；通过点或线接触而构成的运动副称为高副。（对） 17. 两个构件之间只做相对转动的运动副称为移动副。（错） 18. 构成运动副的两个构件之间的相对运动若是平面运动则称为平面运动副，若为空间运动则称为空间运动副。（对）
1.什么是“机电一体化”？以打夯机为例，内含机械与电器，问这是不是机电 一体化产品？ 答：机电一体化又称机械电子工程，是机械工程与自动化的一种，英语称为Mechatronics，它是由英文机械学Mechanics的前半部分与电子学Electronics 的后半部分组合而成。 打夯机不属于机电一体化产品。因为打夯机只是普通的机械加电器，它属于硬连接或者称为机械连接只能应用在就地或者小范围场合使用，不能满足大面积和远程控制。而机电一体化就不一样了，它不光有硬连接、机械连接还有软连接。机电一体化属于同时运用机械、电子、仪表、计算机和自动控制等多种技术为一体的一种复合技术。它不光可以就地操作，小范围应用，还可以大面积使用操作，远程监测、控制。 2.机电一体化的技术构成是什么？ 答：机械技术、微电子技术、信息技术 3.产品实现机电一体化后，可以取得那些成效？ 答：产品实现机电一体化后可以取得的成效：产品性能提高、功能增强、结构简化、可靠性提高、节约能源、改善操作、提高灵活性等。 4.数字量传感具有哪三种类型？他们有什么区别？ 数字传感器按结构可分成三种类型： 1.直接式数字量传感器——其分辨率决定于数字量传感器的位数。 被测物理量→数字编码器→信息提取装置→数字量输出 2.周期计数式数字传感器 它的结构示意图如下图1所示。此种结构的位移分辨率对低精度的周期计数式数字传感器而言，仅由周期信号发生器的性质决定。例如，光栅当长1mm有100条刻线时，其分辨率即为0.01mm;对高精度的周期计数式数字传感器而言，还要考虑到电子细分数。如在100倍电子细分数下，此光栅的分辨率就是0.1μm。此种结构属于增量式结构，结构的特点(位移方向的要求)决定它不但备有辨向电路，而且周期计数器还具有可逆性质。 图1 周期计数式数字量传感器的结构方框图 3.频率式数字传感器 其结构示意图如下图2所示。按振荡器的形式，可将此种数字传感器分成带有晶体谐振器的和不带晶体谐振器的两种。前者，按被测量的作甩点，又分作用在石