CN113601515B - 基于bp神经网络逆运动学的建筑机械臂控制方法和系统 - Google Patents
基于bp神经网络逆运动学的建筑机械臂控制方法和系统 Download PDFInfo
- Publication number
- CN113601515B CN113601515B CN202111167756.1A CN202111167756A CN113601515B CN 113601515 B CN113601515 B CN 113601515B CN 202111167756 A CN202111167756 A CN 202111167756A CN 113601515 B CN113601515 B CN 113601515B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- motion
- task
- difference value
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 102
- 230000002159 abnormal effect Effects 0.000 claims description 34
- 238000001514 detection method Methods 0.000 claims description 22
- 238000009435 building construction Methods 0.000 claims description 9
- 238000012958 reprocessing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 4
- 238000004519 manufacturing process Methods 0.000 description 14
- 238000009825 accumulation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/1607—Calculation of inertia, jacobian matrixes and inverses
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Manipulator (AREA)
Abstract
本发明提出了一种基于BP神经网络逆运动学的建筑机械臂控制方法和系统。所述方法包括：根据机械臂任务目标设置机械臂执行任务的运动方案，并根据所述运动方案建立冗余度机械臂逆运动学方程；利用BP神经网络结合重复运动指标及约束条件设置对所述冗余度机械臂逆运动学方程进行求解，获得所述机械臂关节运动的最优解参数；按照最优解参数设置所述机械臂完成任务的执行参数；在任务执行过程中，实时监控所述机械臂各关节运动参数以及运动轨迹，通过监控结果进行机械臂运动参数调整。所述系统包括与所述方法步骤对应的模块。
Description
技术领域
本发明提出了一种基于BP神经网络逆运动学算法的建筑施工机械臂控制方法和系统，属于机械臂控制技术领域。
背景技术
冗余度机械臂是指机械臂的自由度数多余完成任务所必须的自由度数，由于具有更多的自由度，冗余度机械臂在完成末端执行器的主要任务时，还可以完成诸如躲避障碍物、关机极限位胃 、机械臂奇异状态等额外任务。在自动化工业生产中，机械臂通常被要求进行批量的生产活动，如果机械臂完成的是重复运动，即每个周期运动的初始状态相同，由于重复运动次数增加将会产生误差，而且在误差积累到一定程度后，还需要对机械臂进行额外的复位操作，生产效率会大大降低。
发明内容
本发明提供了一种基于BP神经网络逆运动学算法的建筑施工机械臂控制方法和系统，用以解决现有技术中机械臂始终只依据依次参数设置导致产时间运行时误差过大，生产效率降低的问题：
一种基于BP神经网络逆运动学算法的建筑施工机械臂控制方法，所述方法包括：
根据机械臂任务目标设置机械臂执行任务的运动方案，并根据所述运动方案建立冗余度机械臂逆运动学方程；
利用BP神经网络结合重复运动指标及约束条件设置对所述冗余度机械臂逆运动学方程进行求解，获得所述机械臂关节运动的最优解参数；
按照最优解参数设置所述机械臂完成任务的执行参数；
在任务执行过程中，实时监控所述机械臂各关节运动参数以及运动轨迹，通过监控结果进行机械臂运动参数调整。
进一步地，在任务执行过程中，实时监控所述机械臂各关节运动参数以及运动轨迹，通过监控结果进行机械臂运动参数调整，包括：
实时监控机械臂执行每个运动过程中，实时采集关节运动参数和运动轨迹，并将所述关节运动参数和运动轨迹进行数据反馈；
根据关节运动参数和运动轨迹的数据反馈实时对机械臂的每个运动进行自适应调节，使机械臂每个运动参数达到预先设置的最优解参数对应的执行参数；
实时监控所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并通过差异值判断结果确定是否需要进行故障检测。
进一步地，实时监控所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并通过差异值判断结果确定是否需要进行故障检测，包括：
实时监测所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并判断所述实际关节运动参数与实际设置的所述执行参数之间的差异值是否超过预设的差异值阈值；
当第一次出现所述关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值时，对当前机械臂进行第一次运动异常标记，并锁定当前机械臂执行出现异常的执行动作；
针对所述出现异常的执行动作设置异常运行监控时间段；
在所述第一次运动异常标记后的异常运行监控时间段内，监控被锁定的动作执行过程中出现的关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数；
如果在所述监控时间段内所述被锁定动作在执行过程中，关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数超出预设的次数阈值时；对执行被锁定工作所参与的关节和机械臂部件进行故障检测。
进一步地，所述监控时间段通过如下公式获取：
其中，T j 表示监控时间段；T 0表示机械臂在执行任务重完成一次任务全套动作所用整体时间；T 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段的对应阶段动作运行时间长度；C 0表示机械臂在执行任务重完成一次任务全套动作，出现关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值所对应的机械臂关节参数的运行动作总次数；C 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段内的出现差异值的机械关节在对应阶段动作运行内的运行动作阶段次数。
进一步地，所述方法还包括：
根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间，重新设置机械臂任务执行参数，包括：
根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间；其中，所述工作周期时间通过如下公式获取：
其中，T b 表示标准工作时长，T b 的取值范围为18h-24h；n表示行当前任务所需要进行的动作阶段数量；
当所述机械臂在第一个工作周期时间内仍然没有完成当前工作任务，需要继续重复执行当前任务对应的机械动作时，将第一个工作周期时间内的机械臂运行实际参数数据输入至BP神经网络中；
所述BP神经网络根据机械臂运行实际参数数据重新制定约束条件，对所述冗余度机械臂逆运动学方程进行重新求解，获得机械臂下一个工作周期时间内的所述机械臂关节运动的最优解参数；
根据所述下一个工作周期时间内的所述机械臂关节运动的最优解参数，对机械臂执行参数进行重新设置；
在执行同一任务动作时，每个工作周期时间结束后，均对下一个工作周期时间内的机械臂任务对应的冗余度机械臂逆运动学方程进行重新求解，并根据重新获得的最优解参数设置下一工作周期时间的机械臂执行参数，直至完成当前工作任务。
一种基于BP神经网络逆运动学算法的建筑施工机械臂控制系统，所述系统包括：
方程建立模块，用于根据机械臂任务目标设置机械臂执行任务的运动方案，并根据所述运动方案建立冗余度机械臂逆运动学方程；
神经网络模块，用于利用BP神经网络结合重复运动指标及约束条件设置对所述冗余度机械臂逆运动学方程进行求解，获得所述机械臂关节运动的最优解参数；
参数设置模块，用于按照最优解参数设置所述机械臂完成任务的执行参数；
参数调整模块，用于在任务执行过程中，实时监控所述机械臂各关节运动参数以及运动轨迹，通过监控结果进行机械臂运动参数调整。
进一步地，所述参数调整模块包括：
实施监控模块，用于实时监控机械臂执行每个运动过程中，实时采集关节运动参数和运动轨迹，并将所述关节运动参数和运动轨迹进行数据反馈；
调节模块，用于根据关节运动参数和运动轨迹的数据反馈实时对机械臂的每个运动进行自适应调节，使机械臂每个运动参数达到预先设置的最优解参数对应的执行参数；
故障监控模块，用于实时监控所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并通过差异值判断结果确定是否需要进行故障检测。
进一步地，所述故障监控模块包括：
差异值监控模块，用于实时监测所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并判断所述实际关节运动参数与实际设置的所述执行参数之间的差异值是否超过预设的差异值阈值；
标记模块，用于当第一次出现所述关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值时，对当前机械臂进行第一次运动异常标记，并锁定当前机械臂执行出现异常的执行动作；
监控时间段设置模块，用于针对所述出现异常的执行动作设置异常运行监控时间段；
次数监控模块，用于在所述第一次运动异常标记后的异常运行监控时间段内，监控被锁定的动作执行过程中出现的关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数；
检测执行模块，用于如果在所述监控时间段内所述被锁定动作在执行过程中，关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数超出预设的次数阈值时；对执行被锁定工作所参与的关节和机械臂部件进行故障检测。
进一步地，所述监控时间段通过如下公式获取：
其中，T j 表示监控时间段；T 0表示机械臂在执行任务重完成一次任务全套动作所用整体时间；T 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段的对应阶段动作运行时间长度；C 0表示机械臂在执行任务重完成一次任务全套动作，出现关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值所对应的机械臂关节参数的运行动作总次数；C 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段内的出现差异值的机械关节在对应阶段动作运行内的运行动作阶段次数。
进一步地，所述系统还包括：
参数重置模块，用于根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间，重新设置机械臂任务执行参数；
其中，所述参数重置模块包括：
周期设置模块，用于根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间；其中，所述工作周期时间通过如下公式获取：
其中，T b 表示标准工作时长，T b 的取值范围为18h-24h；n表示行当前任务所需要进行的动作阶段数量；
参数输入模块，用于当所述机械臂在第一个工作周期时间内仍然没有完成当前工作任务，需要继续重复执行当前任务对应的机械动作时，将第一个工作周期时间内的机械臂运行实际参数数据输入至BP神经网络中；
重新处理模块，用于所述BP神经网络根据机械臂运行实际参数数据重新制定约束条件，对所述冗余度机械臂逆运动学方程进行重新求解，获得机械臂下一个工作周期时间内的所述机械臂关节运动的最优解参数；
重置模块，用于根据所述下一个工作周期时间内的所述机械臂关节运动的最优解参数，对机械臂执行参数进行重新设置；
重复循环模块，用于在执行同一任务动作时，每个工作周期时间结束后，均对下一个工作周期时间内的机械臂任务对应的冗余度机械臂逆运动学方程进行重新求解，并根据重新获得的最优解参数设置下一工作周期时间的机械臂执行参数，直至完成当前工作任务。
本发明有益效果：
本发明提出的一种基于BP神经网络逆运动学算法的建筑施工机械臂控制方法和系统通过最优解重复求解和参数多次设置能够有效完全避免机械臂重复动作运行时的误差累计问题的发生，进而提高生产效率。同时，通过参数运行差异值和异常标记等方式能够有效提高机械臂运行的监控准确度，进而提高误差检测准确度和误差调整的准确度，有效提高机械臂运行的调整效率和调整精度。
附图说明
图1为本发明所述方法的流程图；
图2为本发明所述系统的系统框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提出了一种基于BP神经网络逆运动学算法的建筑施工机械臂控制方法，如图1所示，所述方法包括：
S1、根据机械臂任务目标设置机械臂执行任务的运动方案，并根据所述运动方案建立冗余度机械臂逆运动学方程；
S2、利用BP神经网络结合重复运动指标及约束条件设置对所述冗余度机械臂逆运动学方程进行求解，获得所述机械臂关节运动的最优解参数；
S3、按照最优解参数设置所述机械臂完成任务的执行参数；
S4、在任务执行过程中，实时监控所述机械臂各关节运动参数以及运动轨迹，通过监控结果进行机械臂运动参数调整。
上述技术方案的效果为：通过最优解重复求解和参数多次设置能够有效完全避免机械臂重复动作运行时的误差累计问题的发生，进而提高生产效率。同时，通过参数运行差异值和异常标记等方式能够有效提高机械臂运行的监控准确度，进而提高误差检测准确度和误差调整的准确度，有效提高机械臂运行的调整效率和调整精度。
本发明的一个实施例，在任务执行过程中，实时监控所述机械臂各关节运动参数以及运动轨迹，通过监控结果进行机械臂运动参数调整，包括：
S401、实时监控机械臂执行每个运动过程中，实时采集关节运动参数和运动轨迹，并将所述关节运动参数和运动轨迹进行数据反馈；
S402、根据关节运动参数和运动轨迹的数据反馈实时对机械臂的每个运动进行自适应调节，使机械臂每个运动参数达到预先设置的最优解参数对应的执行参数；
S403、实时监控所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并通过差异值判断结果确定是否需要进行故障检测。
其中，实时监控所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并通过差异值判断结果确定是否需要进行故障检测，包括：
S4031、实时监测所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并判断所述实际关节运动参数与实际设置的所述执行参数之间的差异值是否超过预设的差异值阈值；
S4032、当第一次出现所述关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值时，对当前机械臂进行第一次运动异常标记，并锁定当前机械臂执行出现异常的执行动作；
S4033、针对所述出现异常的执行动作设置异常运行监控时间段；
S4034、在所述第一次运动异常标记后的异常运行监控时间段内，监控被锁定的动作执行过程中出现的关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数；
S4035、如果在所述监控时间段内所述被锁定动作在执行过程中，关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数超出预设的次数阈值时；对执行被锁定工作所参与的关节和机械臂部件进行故障检测。
其中，所述监控时间段通过如下公式获取：
其中，T j 表示监控时间段；T 0表示机械臂在执行任务重完成一次任务全套动作所用整体时间；T 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段的对应阶段动作运行时间长度；C 0表示机械臂在执行任务重完成一次任务全套动作，出现关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值所对应的机械臂关节参数的运行动作总次数；C 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段内的出现差异值的机械关节在对应阶段动作运行内的运行动作阶段次数。
上述技术方案的效果为：通过上述方式能够有效提高机械臂监控准确性和监控力度。同时，通过上述公式获取的监控时间段能够与机械臂实际运行情况进行匹配，提高监控时间段设置的合理性，进而提高误差监控时间的充足性，防止监控给时间不足导致的监控力度不足的问题，以及监控时间过长导致误差累计过多产生机械臂运行不稳定影响生产效率的问题。
本发明的一个实施例，所述方法还包括：
步骤1、根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间，重新设置机械臂任务执行参数，包括：
步骤2、根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间；其中，所述工作周期时间通过如下公式获取：
其中，T b 表示标准工作时长，T b 的取值范围为18h-24h；n表示行当前任务所需要进行的动作阶段数量；
步骤3、当所述机械臂在第一个工作周期时间内仍然没有完成当前工作任务，需要继续重复执行当前任务对应的机械动作时，将第一个工作周期时间内的机械臂运行实际参数数据输入至BP神经网络中；
步骤4、所述BP神经网络根据机械臂运行实际参数数据重新制定约束条件，对所述冗余度机械臂逆运动学方程进行重新求解，获得机械臂下一个工作周期时间内的所述机械臂关节运动的最优解参数；
步骤5、根据所述下一个工作周期时间内的所述机械臂关节运动的最优解参数，对机械臂执行参数进行重新设置；
步骤6、在执行同一任务动作时，每个工作周期时间结束后，均对下一个工作周期时间内的机械臂任务对应的冗余度机械臂逆运动学方程进行重新求解，并根据重新获得的最优解参数设置下一工作周期时间的机械臂执行参数，直至完成当前工作任务。
上述技术方案的效果为：通过参数重新设置方式有效完全避免机械臂重复动作运行时的误差累计问题的发生，进而提高生产效率。同时，通过参数运行差异值和异常标记等方式能够有效提高机械臂运行的监控准确度，进而提高误差检测准确度和误差调整的准确度，有效提高机械臂运行的调整效率和调整精度。另一方面，通过上述公式获取的工作周期时间能够提高周期时间设置的合理性，防止周期时间设置过长导致误差累计过多产生机械臂运行不稳定影响生产效率的问题，同时防止周期时间设置过短频繁进行参数重置导致的资源和时间耗费，降低生产效率的问题发生。
本发明实施例提出了一种基于BP神经网络逆运动学算法的建筑施工机械臂控制系统，如图2所示，所述系统包括：
方程建立模块，用于根据机械臂任务目标设置机械臂执行任务的运动方案，并根据所述运动方案建立冗余度机械臂逆运动学方程；
神经网络模块，用于利用BP神经网络结合重复运动指标及约束条件设置对所述冗余度机械臂逆运动学方程进行求解，获得所述机械臂关节运动的最优解参数；
参数设置模块，用于按照最优解参数设置所述机械臂完成任务的执行参数；
参数调整模块，用于在任务执行过程中，实时监控所述机械臂各关节运动参数以及运动轨迹，通过监控结果进行机械臂运动参数调整。
上述技术方案的效果为：通过最优解重复求解和参数多次设置能够有效完全避免机械臂重复动作运行时的误差累计问题的发生，进而提高生产效率。同时，通过参数运行差异值和异常标记等方式能够有效提高机械臂运行的监控准确度，进而提高误差检测准确度和误差调整的准确度，有效提高机械臂运行的调整效率和调整精度。
本发明的一个实施例，所述参数调整模块包括：
实施监控模块，用于实时监控机械臂执行每个运动过程中，实时采集关节运动参数和运动轨迹，并将所述关节运动参数和运动轨迹进行数据反馈；
调节模块，用于根据关节运动参数和运动轨迹的数据反馈实时对机械臂的每个运动进行自适应调节，使机械臂每个运动参数达到预先设置的最优解参数对应的执行参数；
故障监控模块，用于实时监控所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并通过差异值判断结果确定是否需要进行故障检测。
其中，所述故障监控模块包括：
差异值监控模块，用于实时监测所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并判断所述实际关节运动参数与实际设置的所述执行参数之间的差异值是否超过预设的差异值阈值；
标记模块，用于当第一次出现所述关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值时，对当前机械臂进行第一次运动异常标记，并锁定当前机械臂执行出现异常的执行动作；
监控时间段设置模块，用于针对所述出现异常的执行动作设置异常运行监控时间段；
次数监控模块，用于在所述第一次运动异常标记后的异常运行监控时间段内，监控被锁定的动作执行过程中出现的关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数；
检测执行模块，用于如果在所述监控时间段内所述被锁定动作在执行过程中，关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数超出预设的次数阈值时；对执行被锁定工作所参与的关节和机械臂部件进行故障检测。
所述监控时间段通过如下公式获取：
其中，T j 表示监控时间段；T 0表示机械臂在执行任务重完成一次任务全套动作所用整体时间；T 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段的对应阶段动作运行时间长度；C 0表示机械臂在执行任务重完成一次任务全套动作，出现关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值所对应的机械臂关节参数的运行动作总次数；C 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段内的出现差异值的机械关节在对应阶段动作运行内的运行动作阶段次数。
上述技术方案的效果为：通过上述方式能够有效提高机械臂监控准确性和监控力度。同时，通过上述公式获取的监控时间段能够与机械臂实际运行情况进行匹配，提高监控时间段设置的合理性，进而提高误差监控时间的充足性，防止监控给时间不足导致的监控力度不足的问题，以及监控时间过长导致误差累计过多产生机械臂运行不稳定影响生产效率的问题。
本发明的一个实施例，所述系统还包括：
参数重置模块，用于根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间，重新设置机械臂任务执行参数；
其中，所述参数重置模块包括：
周期设置模块，用于根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间；其中，所述工作周期时间通过如下公式获取：
其中，T b 表示标准工作时长，T b 的取值范围为18h-24h；n表示行当前任务所需要进行的动作阶段数量；
参数输入模块，用于当所述机械臂在第一个工作周期时间内仍然没有完成当前工作任务，需要继续重复执行当前任务对应的机械动作时，将第一个工作周期时间内的机械臂运行实际参数数据输入至BP神经网络中；
重新处理模块，用于所述BP神经网络根据机械臂运行实际参数数据重新制定约束条件，对所述冗余度机械臂逆运动学方程进行重新求解，获得机械臂下一个工作周期时间内的所述机械臂关节运动的最优解参数；
重置模块，用于根据所述下一个工作周期时间内的所述机械臂关节运动的最优解参数，对机械臂执行参数进行重新设置；
重复循环模块，用于在执行同一任务动作时，每个工作周期时间结束后，均对下一个工作周期时间内的机械臂任务对应的冗余度机械臂逆运动学方程进行重新求解，并根据重新获得的最优解参数设置下一工作周期时间的机械臂执行参数，直至完成当前工作任务。
上述技术方案的效果为：通过参数重新设置方式有效完全避免机械臂重复动作运行时的误差累计问题的发生，进而提高生产效率。同时，通过参数运行差异值和异常标记等方式能够有效提高机械臂运行的监控准确度，进而提高误差检测准确度和误差调整的准确度，有效提高机械臂运行的调整效率和调整精度。另一方面，通过上述公式获取的工作周期时间能够提高周期时间设置的合理性，防止周期时间设置过长导致误差累计过多产生机械臂运行不稳定影响生产效率的问题，同时防止周期时间设置过短频繁进行参数重置导致的资源和时间耗费，降低生产效率的问题发生。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于BP神经网络逆运动学算法的建筑施工机械臂控制方法，其特征在于，所述方法包括：
根据机械臂任务目标设置机械臂执行任务的运动方案，并根据所述运动方案建立冗余度机械臂逆运动学方程；
利用BP神经网络结合重复运动指标及约束条件设置对所述冗余度机械臂逆运动学方程进行求解，获得所述机械臂关节运动的最优解参数；
按照最优解参数设置所述机械臂完成任务的执行参数；
在任务执行过程中，实时监控所述机械臂各关节运动参数以及运动轨迹，通过监控结果进行机械臂运动参数调整；包括：
实时监控机械臂执行每个运动过程中，实时采集关节运动参数和运动轨迹，并将所述关节运动参数和运动轨迹进行数据反馈；
根据关节运动参数和运动轨迹的数据反馈实时对机械臂的每个运动进行自适应调节，使机械臂每个运动参数达到预先设置的最优解参数对应的执行参数；
实时监控所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并通过差异值判断结果确定是否需要进行故障检测；
判断所述实际关节运动参数与实际设置的所述执行参数之间的差异值是否超过预设的差异值阈值；
当第一次出现所述关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值时，对当前机械臂进行第一次运动异常标记，并锁定当前机械臂执行出现异常的执行动作；
针对所述出现异常的执行动作设置异常运行监控时间段；
在所述第一次运动异常标记后的异常运行监控时间段内，监控被锁定的动作执行过程中出现的关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数；
如果在所述监控时间段内所述被锁定动作在执行过程中，关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数超出预设的次数阈值时；对执行被锁定工作所参与的关节和机械臂部件进行故障检测。
2.根据权利要求1所述建筑施工机械臂控制方法，其特征在于，所述监控时间段通过如下公式获取：
其中，T j 表示监控时间段；T 0表示机械臂在执行任务中 完成一次任务全套动作所用整体时间；T 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段的对应阶段动作运行时间长度；C 0表示机械臂在执行任务中 完成一次任务全套动作，出现关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值所对应的机械臂关节参数的运行动作总次数；C 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段内的出现差异值的机械关节在对应阶段动作运行内的运行动作阶段次数。
3.根据权利要求1所述建筑施工机械臂控制方法，其特征在于，所述方法还包括：
根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间，重新设置机械臂任务执行参数，包括：
根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间；其中，所述工作周期时间通过如下公式获取：
其中，T b 表示标准工作时长，T b 的取值范围为18h-24h；n表示行当前任务所需要进行的动作阶段数量；
当所述机械臂在第一个工作周期时间内仍然没有完成当前工作任务，需要继续重复执行当前任务对应的机械动作时，将第一个工作周期时间内的机械臂运行实际参数数据输入至BP神经网络中；
所述BP神经网络根据机械臂运行实际参数数据重新制定约束条件，对所述冗余度机械臂逆运动学方程进行重新求解，获得机械臂下一个工作周期时间内的所述机械臂关节运动的最优解参数；
根据所述下一个工作周期时间内的所述机械臂关节运动的最优解参数，对机械臂执行参数进行重新设置；
在执行同一任务动作时，每个工作周期时间结束后，均对下一个工作周期时间内的机械臂任务对应的冗余度机械臂逆运动学方程进行重新求解，并根据重新获得的最优解参数设置下一工作周期时间的机械臂执行参数，直至完成当前工作任务。
4.一种基于BP神经网络逆运动学算法的建筑施工机械臂控制系统，其特征在于，所述系统包括：
方程建立模块，用于根据机械臂任务目标设置机械臂执行任务的运动方案，并根据所述运动方案建立冗余度机械臂逆运动学方程；
神经网络模块，用于利用BP神经网络结合重复运动指标及约束条件设置对所述冗余度机械臂逆运动学方程进行求解，获得所述机械臂关节运动的最优解参数；
参数设置模块，用于按照最优解参数设置所述机械臂完成任务的执行参数；
参数调整模块，用于在任务执行过程中，实时监控所述机械臂各关节运动参数以及运动轨迹，通过监控结果进行机械臂运动参数调整；所述参数调整模块包括：
实施监控模块，用于实时监控机械臂执行每个运动过程中，实时采集关节运动参数和运动轨迹，并将所述关节运动参数和运动轨迹进行数据反馈；
调节模块，用于根据关节运动参数和运动轨迹的数据反馈实时对机械臂的每个运动进行自适应调节，使机械臂每个运动参数达到预先设置的最优解参数对应的执行参数；
故障监控模块，用于实时监控所述机械臂在执行运动过程中实际关节运动参数与实际设置的所述执行参数之间的差异值，并通过差异值判断结果确定是否需要进行故障检测；
判断所述实际关节运动参数与实际设置的所述执行参数之间的差异值是否超过预设的差异值阈值；
标记模块，用于当第一次出现所述关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值时，对当前机械臂进行第一次运动异常标记，并锁定当前机械臂执行出现异常的执行动作；
监控时间段设置模块，用于针对所述出现异常的执行动作设置异常运行监控时间段；
次数监控模块，用于在所述第一次运动异常标记后的异常运行监控时间段内，监控被锁定的动作执行过程中出现的关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数；
检测执行模块，用于如果在所述监控时间段内所述被锁定动作在执行过程中，关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值的次数超出预设的次数阈值时；对执行被锁定工作所参与的关节和机械臂部件进行故障检测。
5.根据权利要求4所述建筑施工机械臂控制系统，其特征在于，所述监控时间段通过如下公式获取：
其中，T j 表示监控时间段；T 0表示机械臂在执行任务中 完成一次任务全套动作所用整体时间；T 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段的对应阶段动作运行时间长度；C 0表示机械臂在执行任务中 完成一次任务全套动作，出现关节运动参数与实际设置的所述执行参数之间的差异值超过差异值阈值所对应的机械臂关节参数的运行动作总次数；C 1表示所述当前出现差异值超出差异值阈值的动作所在机械臂动作阶段内的出现差异值的机械关节在对应阶段动作运行内的运行动作阶段次数。
6.根据权利要求4所述建筑施工机械臂控制系统，其特征在于，所述系统还包括：
参数重置模块，用于根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间，重新设置机械臂任务执行参数；
其中，所述参数重置模块包括：
周期设置模块，用于根据机械臂执行当前任务所需要进行的动作阶段数量设置工作周期时间；其中，所述工作周期时间通过如下公式获取：
其中，T b 表示标准工作时长，T b 的取值范围为18h-24h；n表示行当前任务所需要进行的动作阶段数量；
参数输入模块，用于当所述机械臂在第一个工作周期时间内仍然没有完成当前工作任务，需要继续重复执行当前任务对应的机械动作时，将第一个工作周期时间内的机械臂运行实际参数数据输入至BP神经网络中；
重新处理模块，用于所述BP神经网络根据机械臂运行实际参数数据重新制定约束条件，对所述冗余度机械臂逆运动学方程进行重新求解，获得机械臂下一个工作周期时间内的所述机械臂关节运动的最优解参数；
重置模块，用于根据所述下一个工作周期时间内的所述机械臂关节运动的最优解参数，对机械臂执行参数进行重新设置；
重复循环模块，用于在执行同一任务动作时，每个工作周期时间结束后，均对下一个工作周期时间内的机械臂任务对应的冗余度机械臂逆运动学方程进行重新求解，并根据重新获得的最优解参数设置下一工作周期时间的机械臂执行参数，直至完成当前工作任务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111167756.1A CN113601515B (zh) | 2021-10-08 | 2021-10-08 | 基于bp神经网络逆运动学的建筑机械臂控制方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111167756.1A CN113601515B (zh) | 2021-10-08 | 2021-10-08 | 基于bp神经网络逆运动学的建筑机械臂控制方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113601515A CN113601515A (zh) | 2021-11-05 |
| CN113601515B true CN113601515B (zh) | 2021-12-14 |
Family
ID=78343342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111167756.1A Active CN113601515B (zh) | 2021-10-08 | 2021-10-08 | 基于bp神经网络逆运动学的建筑机械臂控制方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113601515B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06339884A (ja) * | 1993-06-02 | 1994-12-13 | Yaskawa Electric Corp | ニューラルネットワークによるマニピュレータの逆運動学モデルの学習方法 |
| US5719480A (en) * | 1992-10-27 | 1998-02-17 | Minister Of National Defence Of Her Majesty's Canadian Government | Parametric control device |
| CN1190365A (zh) * | 1995-06-13 | 1998-08-12 | 东洋钢板株式会社 | 工业机器人的干扰防止方法 |
| CN103406909A (zh) * | 2013-07-24 | 2013-11-27 | 黑龙江科技大学 | 一种机械臂系统的跟踪控制设备及方法 |
| CN106945041A (zh) * | 2017-03-27 | 2017-07-14 | 华南理工大学 | 一种冗余度机械臂重复运动规划方法 |
| CN107972031A (zh) * | 2017-11-10 | 2018-05-01 | 浙江科技学院 | 一种冗余机械臂可重复运动的初始位置定位方法 |
| CN109129486A (zh) * | 2018-09-26 | 2019-01-04 | 华南理工大学 | 一种抑制周期噪声的冗余度机械臂重复运动规划方法 |
| CN111975768A (zh) * | 2020-07-08 | 2020-11-24 | 华南理工大学 | 一种基于固参神经网络的机械臂运动规划方法 |
| CN112347409A (zh) * | 2020-09-30 | 2021-02-09 | 北京工业大学 | 一种基于遗传算法优化bp神经网络的冗余机械臂求逆解的方法 |
| CN107614212B (zh) * | 2015-12-30 | 2021-02-26 | 深圳配天智能技术研究院有限公司 | 工业机器人及其故障判断方法 |
-
2021
- 2021-10-08 CN CN202111167756.1A patent/CN113601515B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5719480A (en) * | 1992-10-27 | 1998-02-17 | Minister Of National Defence Of Her Majesty's Canadian Government | Parametric control device |
| JPH06339884A (ja) * | 1993-06-02 | 1994-12-13 | Yaskawa Electric Corp | ニューラルネットワークによるマニピュレータの逆運動学モデルの学習方法 |
| CN1190365A (zh) * | 1995-06-13 | 1998-08-12 | 东洋钢板株式会社 | 工业机器人的干扰防止方法 |
| CN103406909A (zh) * | 2013-07-24 | 2013-11-27 | 黑龙江科技大学 | 一种机械臂系统的跟踪控制设备及方法 |
| CN107614212B (zh) * | 2015-12-30 | 2021-02-26 | 深圳配天智能技术研究院有限公司 | 工业机器人及其故障判断方法 |
| CN106945041A (zh) * | 2017-03-27 | 2017-07-14 | 华南理工大学 | 一种冗余度机械臂重复运动规划方法 |
| CN107972031A (zh) * | 2017-11-10 | 2018-05-01 | 浙江科技学院 | 一种冗余机械臂可重复运动的初始位置定位方法 |
| CN109129486A (zh) * | 2018-09-26 | 2019-01-04 | 华南理工大学 | 一种抑制周期噪声的冗余度机械臂重复运动规划方法 |
| CN111975768A (zh) * | 2020-07-08 | 2020-11-24 | 华南理工大学 | 一种基于固参神经网络的机械臂运动规划方法 |
| CN112347409A (zh) * | 2020-09-30 | 2021-02-09 | 北京工业大学 | 一种基于遗传算法优化bp神经网络的冗余机械臂求逆解的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113601515A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mayr et al. | Machine learning in production–potentials, challenges and exemplary applications | |
| US11440184B2 (en) | Position control device and position control method | |
| Dong et al. | Cooperative neural-adaptive fault-tolerant output regulation for heterogeneous nonlinear uncertain multiagent systems with disturbance | |
| US20190375112A1 (en) | Position control device and position control method | |
| JP2018107315A (ja) | プリント板組立作業のための機械学習装置、制御装置、産業機械、組立システム及び機械学習方法 | |
| CN113601515B (zh) | 基于bp神经网络逆运动学的建筑机械臂控制方法和系统 | |
| Bhatt et al. | Trajectory-dependent compensation scheme to reduce manipulator execution errors for manufacturing applications | |
| CN117103287B (zh) | 一种工业机器人的协同控制方法及系统 | |
| CN116300969B (zh) | 一种移动机器人的路径跟踪方法 | |
| JP2002236511A (ja) | 工程管理システムおよび工程管理方法 | |
| CN116787435B (zh) | 一种基于编程分析的机器人动作智能监测系统 | |
| CN112286169A (zh) | 一种工业机器人故障检测方法 | |
| DE112018005805T5 (de) | Steuervorrichtung, Steuerverfahren und Programm | |
| Tu et al. | Estimation of machine parameters in exponential serial lines using feedforward neural networks | |
| Nagata et al. | Neural network-based inverse kinematics for an industrial robot and its learning method | |
| Yovchev | Finding the optimal parameters for robotic manipulator applications of the bounded error algorithm for iterative learning control | |
| CN113183146A (zh) | 一种基于快速灵活全纯嵌入思想的机械臂运动规划方法 | |
| Milosavljevic et al. | Time-optimal path-following operation in the presence of uncertainty | |
| Gaafar et al. | Design and Analysis of Experiments in ANFIS Modeling of a 3-DOF Planner Manipulator | |
| Nahangi et al. | Optimum assembly planning for modular construction using BIM and 3D point clouds | |
| CN113771014B (zh) | 一种用于建筑施工的scara智能化机械臂控制方法和系统 | |
| Dong et al. | Effective algorithms to find a minimum-time yet high smooth robot joint trajectory | |
| CN118752486A (zh) | 一种机械臂的跨坐标系标定方法 | |
| CN111506971B (zh) | 一种实现锻压机智能自主学习和调控的方法 | |
| Kim et al. | Task-oriented synchronous error monitoring framework in robotic manufacturing process |
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 |