CN112388636B - DDPG多目标遗传自优化三轴delta机器平台与方法 - Google Patents
DDPG多目标遗传自优化三轴delta机器平台与方法 Download PDFInfo
- Publication number
- CN112388636B CN112388636B CN202011228123.2A CN202011228123A CN112388636B CN 112388636 B CN112388636 B CN 112388636B CN 202011228123 A CN202011228123 A CN 202011228123A CN 112388636 B CN112388636 B CN 112388636B
- Authority
- CN
- China
- Prior art keywords
- linear motor
- platform
- self
- optimization
- acceleration sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/003—Programme-controlled manipulators having parallel kinematics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Manipulator (AREA)
Abstract
本发明涉及DDPG多目标遗传自优化三轴delta机器平台,主要包括:控制电脑、控制单片机、直线电机主动部分、直线电机并联机器人框架、从动平台以及加速度传感器;控制单片机分别与控制电脑、从动平台、加速度传感器连接;从动平台分别与直线电机主动部分、加速度传感器连接;直线电机主动部分、从动平台以及加速度传感器均设置于直线电机并联机器人框架内。本发明通过加速度传感器测量不同参数下运动平台的运动状态和直线电机并联机器人框架振动数据,引用DDPG算法和多目标遗传算法,获取最大化减少并联机器平台振动的运动参数最优解,进而控制并联机器平台的平稳运动。
Description
技术领域
本发明涉及机器人技术领域,尤其涉及DDPG(Deep Deterministic PolicyGradient)多目标遗传自优化三轴delta机器平台与方法。
背景技术
虽然现有的机械平台的形式多种多样,但是delta平台凭借自身经济适用的优点,依然在机器人行业中处于优势地位。但是随着工业精度要求的提高,现有的delta平台的精度与速度渐渐难以满足日常的工业需求,例如:简单手术机器人,分拣简单食品设备,分拣活体动物海鲜工业线,分拣易碎工艺品线等等,面对这些高精度高风险的工作情况,只能依赖于普通的人工方式,人工作业不仅产品周期线会大大增长,同时也会存在一些不可控的人为风险,无形之中增加了很多不必要的成本。
现有的常规并联机器人是用舵机来提供动力驱动力臂从而完成一系列的运动,随着人们对并联机器人的速度、精度和承载能力等指标要求的提高,舵机已经不能满足这些需求。因此,由直线电机提供动力的并联机器人逐渐进入人们的视野。由直线电机提供动力的并联机器人在运动的过程中,直线电机提供了强大的动力,使得动平台能够高速地完成门形状拾取并放置运动,在整个门形状拾取并放置运动中,动平台的高速运动会导致与之相连的结构框架不规则运动,不利于并联机器人中的相机固定,同时也会降低完成拾取和放置等运动的精度。
因此,需要寻找一种有助于直线电机并联机器人动平台与结构框架的设计优化和智能减振的方法。
发明内容
为解决现有技术所存在的技术问题,本发明提供DDPG多目标遗传自优化三轴delta机器平台与方法,通过加速度传感器测量不同参数下运动平台的运动状态和直线电机并联机器人框架振动数据,引用DDPG算法和多目标遗传算法,获取最大化减少并联机器平台振动的运动参数最优解,进而控制并联机器平台的平稳运动。
本发明采用以下技术方案来实现:DDPG多目标遗传自优化三轴delta机器平台,主要包括:控制电脑、控制单片机、直线电机主动部分、直线电机并联机器人框架、从动平台以及加速度传感器;控制单片机分别与控制电脑、从动平台、加速度传感器连接;从动平台分别与直线电机主动部分、加速度传感器连接;直线电机主动部分、从动平台以及加速度传感器均设置于直线电机并联机器人框架内。
本发明方法采用以下技术方案来实现:DDPG多目标遗传自优化三轴delta机器方法,包括以下步骤:
S1、获取直线电机并联机器人框架支柱上的加速度传感器数据以及从动平台上的加速度传感器数据并传给控制单片机,控制单片机再发送给电脑,将两者数据进行记录,利用深度确定性策略梯度DDPG,以从动平台的加速度与速度作为输入集合,直线电机并联机器人框架的振动加速度与频率作为输出集合,通过神经网络的结合获取神经网络模型;
S2、引入多目标遗传算法,将运动参数通过控制电脑对直线电机主动部分进行控制,获取直线电机并联机器人框架的振动幅度与频率。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明通过加速度传感器测量不同参数下运动平台的运动状态和直线电机并联机器人框架振动数据,引用DDPG算法和多目标遗传算法,获取最大化减少并联机器平台振动的运动参数最优解,进而控制并联机器平台的平稳运动。
2、本发明通过控制电脑、控制单片机以及加速度传感器的测量使得大量实验数据的获得与存储上避免了数据拥堵,更加精准地获取直线电机并联机器人在高速运动时从动平台与直线电机并联机器人框架的加速度数据,降低误差。
附图说明
图1是本发明的工作平台安装示意图;
图2是本发明的多目标遗传算法流程图;
图中,1是控制电脑,2是控制单片机,3是直线电机主动部分,4是直线电机并联机器人框架,5是从动平台,6是加速度传感器。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所示,本实施例DDPG多目标遗传自优化三轴delta机器平台,主要包括:控制电脑1、控制单片机2、直线电机主动部分3、直线电机并联机器人框架4、从动平台5以及加速度传感器6;控制单片机分别与控制电脑、从动平台、加速度传感器连接;从动平台分别与直线电机主动部分、加速度传感器连接;直线电机主动部分、从动平台以及加速度传感器均设置于直线电机并联机器人框架内。
本实施例中,加速度传感器由质量块、阻尼器、弹性元件、敏感元件和适调电路等部分组成。加速度传感器在测量加速过程中,由于外部运动产生的外力作用在中心不对称的异极晶体除了使晶体发生形变外,还会改变晶体极化状态,使晶体内部建立电场,产生电压,通过电压的大小进而转化为被测对象的加速度。芯片内部集成DMP模块,可对加速度传感器数据进行过滤处理,直接通过IIC接口输出测量数据,使控制电脑的运算量大大降低,其解算频率最高可达200Hz,适合用于高速运动平台的数据采集测量需要,满足了分析高速运动状态下的直线电机并联机器人的数据采集需求。针对直线电机并联机器人高速运动过程中从动平台与直线电机并联机器人框架之间的耦合关系,当加速度传感器获得数据后,直接通过控制单片机内部存进高速SD卡内,提高数据流传输的畅通性。
本实施例中,采集直线电机并联机器人从动平台与直线电机并联机器人框架高速级联运动时的加速度传感器数据使用的采集手段主要是两两加速度传感器统一的方法。
具体地,两两加速度传感器统一的方法通过控制单片机上两个独立的控制总线与dma通道,同时控制两个加速度传感器工作,并同时收集两个加速度传感器采集到的数据。利用一个控制单片机控制两个加速度传感器,其中一个加速度传感器安装在直线电机并联机器人框架的一个支柱上,另一个安装在从动平台上。
本实施例中,利用四个控制单片机控制八个加速度传感器,其中四个分别安装在直线电机并联机器人框架的四个支柱上,另外四个安装在从动平台上,每个控制单片机都同时控制一个安装在直线电机并联机器人框架支柱上的加速度传感器和一个安装在从动平台上的加速度传感器。
通过从动平台的运动,从动平台上的加速度传感器将产生数据波动,将从动平台上的加速度传感器数据变化作为运动开始信号,获取直线电机并联机器人框架在从动平台运动时的运动数据。为了避免从动平台已经运动而加速度没开启的现象,在动平台开始运动时先打开加速度传感器采集静止时加速度数据在从动平台运动即可。
本实施例中,直线电机并联机器人框架采用四根立式的铝合金支柱支撑直线电机主动部分和从动平台与地面分离,以及获取直线电机主动部分和从动平台的稳定性。四个加速度传感器分别安装在电机并联机器人框架的铝合金支柱上端同一高度的位置,另外四个加速度传感器从动平台上端的中心位置,使加速度传感器的安装更加稳定,在实际测量中不会因为并联机器人的运动而导致加速度传感器掉落,且可更加准确获取加速度传感器数据信息。在确定安装位置后,电机并联机器人框架的铝合金支柱上的加速度传感器通过竖直方向垂直于水平面进行安装,水平方向平行于水平面进行安装;从动平台竖直方向安装在从动平台中心位置即水平贴合于从动平台,水平方向为了避免误差将x轴正方向与门字形横向运动的方向同方向。
基于上述实施例,本发明DDPG多目标遗传自优化三轴delta机器方法,包括以下步骤:
S1、获取直线电机并联机器人框架支柱上的加速度传感器数据以及从动平台上的加速度传感器数据并传给控制单片机,控制单片机再发送给电脑,将两者数据进行记录,利用深度确定性策略梯度DDPG,以从动平台的加速度与速度作为输入集合,直线电机并联机器人框架的振动加速度与频率作为输出集合,通过神经网络的结合获取神经网络模型;
S2、引入多目标遗传算法,将最优的运动参数通过控制电脑对直线电机主动部分进行控制,获取直线电机并联机器人框架的最小振动幅度与频率。
如图2所示,本发明多目标遗传算法主要包括以下步骤:
S21、设置进化代数Gen初始值为0,最大进化代数为T,随机生成M个个体作为初始种群;
S22、将种群全部分级,计算种群中各个个体的虚拟适应度值,进行选择运算,作用于群体,若为优化个体则根据虚拟适应度值进行复制,直接进入步骤S3;否则采用非支配排序原理识别非支配个体,并指定虚拟适应度值,应用于适应度共享小生境,从而确定个体的虚拟适应度值,进行循环优化;
S23、进行交叉运算,将交叉算子作用于群体;
S24、进行变异运算,将变异算子作用于群体,对群体中的个体串的基因座上的基因值作变动,获取下一代群体;
S25、进行终止条件判断,若进化代数Gen大于最大进化代数T,则以进化过程中所获取的具有最大适应度值的个体作为最优解输出,终止计算,否则返回重新循环计算。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.DDPG多目标遗传自优化三轴delta机器平台的自优化方法,其特征在于,DDPG多目标遗传自优化三轴delta机器平台包括:控制电脑、控制单片机、直线电机主动部分、直线电机并联机器人框架、从动平台以及加速度传感器;控制单片机分别与控制电脑、从动平台、加速度传感器连接;从动平台分别与直线电机主动部分、加速度传感器连接;直线电机主动部分、从动平台以及加速度传感器均设置于直线电机并联机器人框架内;
该自优化方法包括以下步骤:
S1、获取直线电机并联机器人框架支柱上的加速度传感器数据以及从动平台上的加速度传感器数据并传给控制单片机,控制单片机再发送给电脑,将两者数据进行记录,利用深度确定性策略梯度DDPG,以从动平台的加速度与速度作为输入集合,直线电机并联机器人框架的振动加速度与频率作为输出集合,通过神经网络的结合获取神经网络模型;
S2、引入多目标遗传算法,将运动参数通过控制电脑对直线电机主动部分进行控制,获取直线电机并联机器人框架的最小振动幅度与频率。
2.根据权利要求1所述的DDPG多目标遗传自优化三轴delta机器平台的自优化方法,其特征在于,所述步骤S2中多目标遗传算法的步骤包括:
S21、设置进化代数Gen初始值为0,最大进化代数为T,随机生成M个个体作为初始种群;
S22、将种群全部分级,计算种群中各个个体的虚拟适应度值,进行选择运算,作用于群体,若为优化个体则根据虚拟适应度值进行复制,直接进入步骤S3;否则采用非支配排序原理识别非支配个体,并指定虚拟适应度值,应用于适应度共享小生境,从而确定个体的虚拟适应度值,进行循环优化;
S23、进行交叉运算,将交叉算子作用于群体;
S24、进行变异运算,将变异算子作用于群体,对群体中的个体串的基因座上的基因值作变动,获取下一代群体;
S25、进行终止条件判断,若进化代数Gen大于最大进化代数T,则以进化过程中所获取的具有最大适应度值的个体作为最优解输出,终止计算,否则返回重新循环计算。
3.根据权利要求1所述的DDPG多目标遗传自优化三轴delta机器平台的自优化方法,其特征在于,加速度传感器设有多个,控制单片机控制多个加速度传感器。
4.根据权利要求3所述的DDPG多目标遗传自优化三轴delta机器平台的自优化方法,其特征在于,所述加速度传感器安装在直线电机并联机器人框架的支柱上端同一高度的位置以及从动平台上端的中心位置。
5.根据权利要求1所述的DDPG多目标遗传自优化三轴delta机器平台的自优化方法,其特征在于,所述直线电机并联机器人框架采用多根立式的铝合金支柱支撑直线电机主动部分和从动平台。
6.根据权利要求4所述的DDPG多目标遗传自优化三轴delta机器平台的自优化方法,其特征在于,直线电机并联机器人框架的铝合金支柱上的加速度传感器通过竖直方向垂直于水平面进行安装,水平方向平行于水平面进行安装;从动平台竖直方向安装在从动平台中心位置,水平贴合于从动平台,水平方向上x轴正方向与门字形横向运动的方向同方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011228123.2A CN112388636B (zh) | 2020-11-06 | 2020-11-06 | DDPG多目标遗传自优化三轴delta机器平台与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011228123.2A CN112388636B (zh) | 2020-11-06 | 2020-11-06 | DDPG多目标遗传自优化三轴delta机器平台与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112388636A CN112388636A (zh) | 2021-02-23 |
CN112388636B true CN112388636B (zh) | 2022-04-12 |
Family
ID=74597749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011228123.2A Active CN112388636B (zh) | 2020-11-06 | 2020-11-06 | DDPG多目标遗传自优化三轴delta机器平台与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112388636B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114089633B (zh) * | 2021-11-19 | 2024-04-26 | 江苏科技大学 | 一种水下机器人多电机耦合驱动控制装置及方法 |
CN114932546B (zh) * | 2022-03-23 | 2023-10-03 | 燕山大学 | 一种基于未知机械臂模型的深度强化学习抑振系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949954A (zh) * | 2010-08-10 | 2011-01-19 | 南京航空航天大学 | 冗余并联式六维加速度传感器及其测量方法 |
CN104985609A (zh) * | 2015-06-11 | 2015-10-21 | 佛山市南海区广工大数控装备协同创新研究院 | 一种振动智能补偿机械臂、机器人及其振动测量方法 |
CN105915121A (zh) * | 2016-05-31 | 2016-08-31 | 西安交通大学 | 一种采用遗传算法优化的伺服系统惯量辨识方法 |
CN106933267A (zh) * | 2017-04-24 | 2017-07-07 | 华南理工大学 | 一种刚柔杆型平面并联平台的振动测量控制装置及方法 |
CN108687761A (zh) * | 2017-03-31 | 2018-10-23 | 精工爱普生株式会社 | 控制装置、机器人以及机器人系统 |
CN110802576A (zh) * | 2019-11-15 | 2020-02-18 | 广州大学 | 一种基于直线电机的三轴delta机器平台 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108027298A (zh) * | 2015-10-28 | 2018-05-11 | 西门子公司 | 一种用于异常检测的方法和装置 |
-
2020
- 2020-11-06 CN CN202011228123.2A patent/CN112388636B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949954A (zh) * | 2010-08-10 | 2011-01-19 | 南京航空航天大学 | 冗余并联式六维加速度传感器及其测量方法 |
CN104985609A (zh) * | 2015-06-11 | 2015-10-21 | 佛山市南海区广工大数控装备协同创新研究院 | 一种振动智能补偿机械臂、机器人及其振动测量方法 |
CN105915121A (zh) * | 2016-05-31 | 2016-08-31 | 西安交通大学 | 一种采用遗传算法优化的伺服系统惯量辨识方法 |
CN108687761A (zh) * | 2017-03-31 | 2018-10-23 | 精工爱普生株式会社 | 控制装置、机器人以及机器人系统 |
CN106933267A (zh) * | 2017-04-24 | 2017-07-07 | 华南理工大学 | 一种刚柔杆型平面并联平台的振动测量控制装置及方法 |
CN110802576A (zh) * | 2019-11-15 | 2020-02-18 | 广州大学 | 一种基于直线电机的三轴delta机器平台 |
Non-Patent Citations (1)
Title |
---|
6-UCU并联平台的固有频率和固有振型分析;朱章根,钟云,杨家谋等;《现代制造技术与装备》;20190515(第270期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112388636A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112388636B (zh) | DDPG多目标遗传自优化三轴delta机器平台与方法 | |
CN110371112B (zh) | 一种自动驾驶车辆的智能避障系统及方法 | |
CN108828944B (zh) | 基于改进pso及svm的编码器故障诊断系统及方法 | |
CN108227492A (zh) | 一种六自由度串联机器人末端负载动力学参数的辨识方法 | |
CN1242309C (zh) | 电机控制器及用于测量机械装置的特性的方法 | |
CN113988202B (zh) | 一种基于深度学习的机械臂异常振动检测方法 | |
CN110319990B (zh) | 基于倾角仪优化布置的桥梁动挠度监测方法 | |
CN109190270A (zh) | 一种基于apso-bp的双配重盘自动平衡控制方法 | |
CN103869834A (zh) | 基于经验模态法的三轴气浮台质心智能调节方法 | |
CN114398049A (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
CN105867112B (zh) | 一种基于参数自动优化的控制算法的智能车及其控制方法 | |
CN207718226U (zh) | 一种两轮自平衡小车自动跟随系统 | |
CN112223273A (zh) | 一种工业机器人视觉检测及避障系统 | |
CN114906737A (zh) | 吊钩姿态调整系统、方法、塔机起重机 | |
CN1745349A (zh) | 配备有控制系统的多轴机器人 | |
CN209765335U (zh) | 一种两轮自平衡移动机器人控制系统 | |
CN112433475A (zh) | 基于scn系统偏移量辨识的坐垫机器人限时学习控制方法 | |
CN115508032B (zh) | 风机叶片双自由度疲劳加载激振装置、系统及控制方法 | |
CN110034715A (zh) | 一种基于扰动估计的音圈电机运动控制方法及相关设备 | |
CN116081488A (zh) | 一种场景自适应单轨吊运输机器人无人驾驶控制方法 | |
CN108427855B (zh) | 一种抱轮式汽车搬运器性能参数设计方法 | |
CN111536995A (zh) | 陀螺仪测试系统及方法 | |
CN107063294A (zh) | 一种举高消防车臂架的运动状态检测系统 | |
CN112937587A (zh) | 基于K-Medoids和分类回归树的路感模拟方法 | |
Xiao et al. | Performance Analysis of Vibration Sensors for Closed-Loop Feedback Health Monitoring of Mechanical Equipment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |