CN114367982A - 一种用于机械臂定位误差补偿分析的bp网络算法 - Google Patents
一种用于机械臂定位误差补偿分析的bp网络算法 Download PDFInfo
- Publication number
- CN114367982A CN114367982A CN202111634570.2A CN202111634570A CN114367982A CN 114367982 A CN114367982 A CN 114367982A CN 202111634570 A CN202111634570 A CN 202111634570A CN 114367982 A CN114367982 A CN 114367982A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- thermal deformation
- deformation error
- model
- error
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 title claims description 10
- 238000012549 training Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 238000012886 linear function Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 26
- 238000011160 research Methods 0.000 description 14
- 230000036544 posture Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000001050 lubricating effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000004519 grease Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002076 thermal analysis method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- B25J9/1605—Simulation of manipulator lay-out, design, modelling of manipulator
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Fuzzy Systems (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种用于机械臂定位误差补偿分析的BP网络算法,涉及机械臂领域,其步骤为:结合D‑H坐标法、齐次变换矩阵与机械臂的组成部分,建立机械臂运动坐标模型;结合机械臂的姿态、负载重量以及外界温度,并对其进行计算,生成样本集,并将样本集划分为训练集及测试集;建立机械臂热变形误差模型,将训练集输入至机械臂热变形误差模型获取预测的机械臂热变形误差偏移量,计算测试集与预测的机械臂热变形误差偏移量之间的损失值,完成机械臂热变形误差模型的训练。本发明结合机械臂结构特点,建立机械臂热变形误差模型,实现了机械臂在极寒大温差进行热变形误差的预测。
Description
技术领域
本发明涉及机械臂领域,具体是一种用于机械臂定位误差补偿分析的BP网络算法。
背景技术
近年,随着科技进步和经济发展,人类对高原和极地科考也不断加大,面对极寒、大温差等恶劣环境考验,传统的机电装备无论在环境适应性、寿命还是传动效率和精度等方面已难以满足任务需求,面向极端环境的装备技术研究已成为机械工程的重要研究方向。
高原科考和极地科考是国家重大科学工程项目的一个重要的研究方向,但由于气候恶劣、环境极端,有人化科考活动面临极大困难,高原和极地科考深度和广度受到很大的限制。智能机器人是代替人工在恶劣条件下执行危险使命的有效手段,各国对于利用智能机器人开展科考活动也极其重视。为了保证机器人能够独立完成一定数量的科考任务,机器人必须配备多功能的机械臂。在机械臂的帮助下,机器人可以完成地面探测、采样器皿的抓取、样品抓取等多种任务。然而传统机械臂在设计中没有考虑到极端环境对机械臂性能的影响,机械臂会在极低温条件下出现定位精度差、传动效率低甚至不能工作等问题。
因此,开展极端环境下机械臂定位误差预估与补偿方法的研究,对研制高原和极地科考亟需机电装备具有重要的推动意义,能够进一步提升高原和极地环境下机器人科考的效率、深度和广度;丰富科考和探测数据获取手段,提升数据采集的时空密度;代替人执行危险、特殊使命,显著扩展科考或探测的范围和任务科目。
美国宇航局约翰逊航天中心的机器人技术部门正在开发机器人系统Robonaut,以协助太空中的宇航员。Robonaut机器人有一件类似于人类皮肤的外衣作为额外的保护层,这种皮肤是由宇航员在舱外活动期间佩戴的舱外活动装置(EMU)中使用的相同材料制成的。
青岛大学王超等以一种桁架式机械手为研究对象进行低温工程中的应用研究。为确保机械手关节处低温下的润滑性能,在齿轮齿条的润滑上采用可满足-70至-20℃范围内机械摩擦部件的低温润滑油脂,该低温润滑油脂同时还有防锈的作用。在伺服电机和减速机方面,采用日本松下抗低温伺服电机,确保驱动系统在-30℃的工况下能正常运行。
此外,国内外提高机械臂环境适应性和作业精度的方法普遍为主被动热控相结合:首先在最易受低温影响的部位贴附加热片,主动施加热量,而后全臂贴附多层不同材料的隔热组件,防止热量过多散失,以减少机械臂由于低温所引起的热变形误差。
同时,为提高机械臂定位精度,也可以提高机械臂的硬件精度,例如使用高精度角度编码器并提高制造和组装的精度。但是,提高硬件的精度和采用过多主动热控将不可避免地导致机械臂成本增加、功耗过大、负载能力降低等问题,无法显著突出机械臂代替有人化科考的优势。
发明内容
鉴于上述技术缺点,本发明提供了一种用于机械臂定位误差补偿分析的BP网络算法。
为实现上述发明目的,本发明的技术方案如下:
一种用于机械臂定位误差补偿分析的BP网络算法,包括如下步骤:
S1,结合D-H坐标法、齐次变换矩阵与机械臂的组成部分,建立机械臂运动坐标模型,其中机械臂的组成部分包括底座、多个关节、连接关节、大臂和小臂;
S2,结合机械臂的姿态、负载重量以及外界温度,并导入至ANSYS Workbench进行计算,生成样本集,并将样本集划分为训练集及测试集;
S3,基于BP神经网络建立机械臂热变形误差模型,将训练集输入至机械臂热变形误差模型,得到预测的机械臂热变形误差偏移量,计算测试集与预测的机械臂热变形误差偏移量之间的损失值,若损失值大于设定值,则返回步骤S2;否则,完成机械臂热变形误差模型的训练。
作为优选的,步骤S1中所述的齐次变换矩阵,其数学表达式如下:
Ai=Rot(Z,θi)Trans(0,0,di)Rot(X,αi)
式中,Ai为矩阵;
展开上式可得:
作为优选的,步骤S3中所述的机械臂热变形误差模型由输入层、单隐层和输出层组成;其中输入层与输出层均采用线性函数作为激励函数,
其中,单隐层采用双曲sigmoid函数,其数学表达式如下:
式中,x为输入数值。
作为优选的,步骤S3中所述的机械臂热变形误差模型采用自适应步长算法对权值进行调整,其数学表达式如下:
W(n+1)=W(n)+ΔW(n+1)=W(n)+η(n)[(1-α)D(n)+αD(n-1)]
式中,W(n)为权值矩阵,α为动量因子,0≤α<1,ξ为输出端的平方误差,η(n)为学习率。
作为优选的,步骤S3中所述的基于BP神经网络建立机械臂热变形误差模型,其中BP神经网络算法的数学表达式如下:
xj=f(Sj)
式中,节点i和节点j之间的权值为ωij,节点j的阀值为bj,每个节点的输出值为xj,f为激活函数。
本发明的有益效果是:
本发明通过ANSYS Workbench仿真分析机械臂受外界极端温度的影响,机械臂各部分会产生较大变形,对其精度造成不利影响;结合机械臂结构特点,建立机械臂热变形误差模型,实现了机械臂在极寒大温差进行热变形误差的预测。
附图说明
图1为本发明提供的:流程示意图;
图2为本发明提供的:机械臂结构组成示意图;
图3为本发明提供的:机械臂原理图及关节坐标系示意图;
图4为本发明提供的:机械臂上温度场示意图;
图5为本发明提供的:机械臂变形测试图;
图6为本发明提供的:机械臂三种典型姿态示意图;
图7为本发明提供的:机械臂热变形误差BP网络结构模型示意图;
图8为本发明提供的:仿真与预测误差值对比曲线示意图;
图9为本发明提供的:补偿前后误差值示意曲线图。
具体实施方式
下面结合本发明的附图,对本发明实施例中的技术方案进行清楚、完整地描述,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,一种用于机械臂定位误差补偿分析的BP网络算法,包括如下步骤:
S1,结合D-H坐标法、齐次变换矩阵与机械臂的组成部分,建立机械臂运动坐标模型,其中机械臂的组成部分包括底座、多个关节、连接关节、大臂和小臂;
S2,结合机械臂的姿态、负载重量以及外界温度,并导入至ANSYS Workbench进行计算,生成样本集,并将样本集划分为训练集及测试集;
S3,基于BP神经网络建立机械臂热变形误差模型,将训练集输入至机械臂热变形误差模型,得到预测的机械臂热变形误差偏移量,计算测试集与预测的机械臂热变形误差偏移量之间的损失值,若损失值大于设定值,则返回步骤S2;否则,完成机械臂热变形误差模型的训练。
作为优选的,步骤S1中所述的齐次变换矩阵,其数学表达式如下:
Ai=Rot(Z,θi)Trans(0,0,di)Rot(X,αi)
式中,Ai为矩阵;
展开上式可得:
作为优选的,步骤S3中所述的机械臂热变形误差模型由输入层、单隐层和输出层组成;其中输入层与输出层均采用线性函数作为激励函数,
其中,单隐层采用双曲sigmoid函数,其数学表达式如下:
式中,x为输入数值。
作为优选的,步骤S3中所述的机械臂热变形误差模型采用自适应步长算法对权值进行调整,其数学表达式如下:
W(n+1)=W(n)+ΔW(n+1)=W(n)+η(n)[(1-α)D(n)+αD(n-1)]
式中,W(n)为权值矩阵,α为动量因子,0≤α<1,ξ为输出端的平方误差,η(n)为学习率。
作为优选的,步骤S3中所述的基于BP神经网络建立机械臂热变形误差模型,其中BP神经网络算法的数学表达式如下:
xj=f(Sj)
式中,节点i和节点j之间的权值为ωij,节点j的阀值为bj,每个节点的输出值为xj,而每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值和当前节点的阀值还有激活函数来实现的,f为激活函数,算法的公式。神经网络由多个节点构成。这个公式是建立两个节点之前的内在联系。
如图2所示,机械臂由底座、七个关节、连接关节、大臂和小臂组成。
如图3所示,在进行运动学分析之前,必须先建立机械手的运动学模型。在每个连杆上设定一个坐标系,然后用4×4的齐次变换矩阵来描述相邻连杆之间的关系。采用的D-H坐标变换方法对单臂的各连杆进行坐标系标定,即Zi轴与关节i的轴线重合Xi轴与连杆两端关节轴线的公垂线重合,如果两端关节轴线相交,则规定Xi方向为两端关节轴线所张成平面的法线方向。根据D-H坐标变换法建立的机械臂的连杆坐标系。
当连杆坐标系是固连在连杆上时,连杆参数确定方法如下:ai=沿Xi轴,从Zi移动到Zi+1的距离;αi=绕Xi轴,从Zi,旋转到Zi+1的角度;di=沿Zi轴,从Xi-1移动到Xi的距离;θi=绕Zi轴,从Xi-1旋转到Xi的角度。ai,αi,di为建立D-H模型约定俗成的三种符号,X,Y,Z即为每个关节的x,y,z坐标。设定时,X轴统一为同一方向,Z轴与各个关节转动轴同向,然后根据笛卡尔坐标系的建立规范,通过“右手法则”确定Y轴。机械臂的相应连杆参数列于表1。
表1机械臂D-H参数
相邻两连杆i+1与之间的广义矩阵的变换法则[14,15]:(1)绕Zi-1轴旋转θi角,使Xi-1轴转到与Xi轴的同一平面内;(2)沿Zi-1轴平移距离di,把Xi-1移到与Xi,同一直线上;(3)沿Xi轴平移距离ai,把连杆i-1的坐标系移到使其原点与连杆i的坐标系的原点重合的地方;(4)绕Xi轴旋转αi角,使Zi-1转到与Zi同一直线上。这种关系可由表示连杆i对连杆i-1相对位置的齐次变换来描述,并叫做矩阵Ai。
基于上表,通过运动学正解计算得到机械臂末端相对于基坐标系的位置和姿态。
如图4、5所示,用ANSYS Workbench软件对机械臂进行瞬态热分析,观察臂杆温度场。根据机械臂任务要求以及适用场所,设置机械臂初始温度10℃,7个关节运行时内部温度维持在5℃;设置外界温度-40℃,空气流速5W/m2·℃,持续时间2h。在机械臂上可能产生较大温度变化处设置4个温度测试点,在此设置下,测试机械臂的温度分布情况。
如图6所示,选取机械臂三种典型姿态进行静态变形误差预测,图6(a)所示是第二臂杆和第三臂杆弯矩最大的测量机的姿态;图6(b)是第二臂杆有最大扭矩的姿态;图6(c)关节4转角为45°,此姿态时的臂杆承受的弯矩和扭矩值介于前两者之间。臂杆静态变形误差不会超出三种典型姿态下的范围,因此可取这三种典型姿态来评估机械臂静态变形误差。
表2三种典型位姿(°)
人工神经网络模仿人脑工作,具有通过学习获取知识并解决问题的能力,它的数学模型是抽象的,对各种信息有良好的综合处理能力,已广泛应用于不同学科和领域。在三坐标测量机及数控机床领域,已将神经网络用于热变形误差修正,但还未应用于科考机器人机械臂中。
本发明采用带反向传播的前馈神经网络建立机械臂热变形误差模型。BP神经网络可以看成是一从输入到输出的高度非线性映射,如果设n、m分别为输入节点数和输出节点数,则网络是从Rn到Rm的映射,即
F:Rn→Rm Y=F(x)
对于输入xi∈Rn和输出yi∈Rm样本集合,可以认为存在某一映射G,使得yi=G(xi)(i=1,2,…,k),即求出一个映射F,使得在某种意义下,F是G的最佳逼近。
由图4可知,机械臂长时间工作时,小臂和大臂测点温度最低、温度变化最大;且由图5可知,小臂和大臂所测的臂体热变形量最大,故选小臂和大臂测试点的温度为神经网络的输入。机械臂利用Creo所建模型,以底座底部位置作为机械臂的基坐标系;以第七关节所示位置作为机械臂的末端中心点。通过测量末端中心点到基坐标系的距离,得到末端中心点的坐标(x0,y0,z0),因为此坐标为不考虑重力情况下的机械臂理想坐标,故将模型通过ANSYS Workbench软件进行结构仿真,得到受重力情况下的坐标(x,y,z)。由于姿态不同机械臂的热变形误差也会变化,故选择末端中心点的坐标x、y、z参数和所确定的温度参数同时作为所建BP网络的输入。
如图7所示,由于不同温度下机械臂同一姿态末端中心点坐标有变化,计算该点坐标值在热-力耦合作用下的变形量Δx、Δy、Δz,以此作为BP网络的输出。
该网络由输入层、单隐层和输出层组成。输入层和输出层均采用线性函数作为激励函数,这样输入层只起数据传递的作用;输出层采用线性函数,可使神经网络输出在(-∞,+∞)逼近任意函数,此外,由于线性函数不存在饱和状态,不会促使“网络瘫痪”出现。隐层采用双曲sigmoid函数,可以实现输入到输出的任意的非线性映射。确定了输入和输出变量后,便要确定网络的隐层神经元数。较少的隐含层节点数导致网络从样本中获取信息的能力差,网络对较复杂的问题处理效果不好;过多的隐层节点数将容易使网络训练过度,过度拟合会导致泛化能力降低;同时这也使网络训练时间急剧增加。此外,BP神经网络的性能还受许多参数的影响,例如最大训练数、神经元节点数、目标精度。为了获得最佳参数,进行了广泛的仿真[22-24]。隐含层节点数通过试验确定,本系统在用经验公式得到隐含层节点数基础上采用试凑法,经比较,确定本BP神经网络结构为5-18-3、最大训练数1000、训练误差0.001。
从环境中学习的能力是神经网络所具有的,是根据经验结果反复调节网络的权值和阈值,“学习”的结果是使得网络中每一输出单元的实际输出在某种统计意义上逼近希望输出。
在ANSYS Workbench中,建立瞬态力-热耦合分析模块,将图4所示的3种机械臂模型姿态及任意两种姿态导入其中,设置机械臂初始温度5℃。通过Force命令在末端中心点施加竖直向下的负载,负载重量选择1-5kg九个档次,7个关节处运行时内部温度维持在5℃,外界温度设置-40-10℃七个档次,空气流速5W/m2·℃,持续时间2h。测量参数包括两个温度测点的温度和末端中心点空间坐标值在热-力耦合作用下的变形量相对于单纯受力作用下时的偏移量,Δx、Δy、Δz。
表3,热变形误差输入样本集
将得到的60组样本集数据作为训练输入样本集,将各温度下末端中心点坐标值与其理论坐标值之差作为训练输出样本集。在Matlab中编程,用大量的训练对数据代入所设计网络进行训练,用没有参加训练的24组样本集数据代入训练好的网络进行仿真。模型的仿真输出为机械臂热变形误差的变形量,Δx、Δy、Δz。
图8为两种姿态下验证样本组与通过BP神经网络预测得到的末端中心点偏移数据的对比曲线。图9为机械臂末端中心点x,y,z轴补偿前后误差值示意图。从图中可以看出,所建模型对温度引起的定位误差预测于补偿得到较好的效果。
当误差模型建立成功,开始现实场景中应用后。会在机械臂关键部分贴附温度传感器。由温度传感器检测当时温度。然后将温度值以及此时机械臂的姿态。,所带负载输入到误差模型中,然后计算出误差值。再将误差值代入到坐标系统中,就可知道实际的第七关节相对第一关节的坐标。便可实现补偿。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种用于机械臂定位误差补偿分析的BP网络算法,其特征在于,包括如下步骤:
S1,结合D-H坐标法、齐次变换矩阵与机械臂的组成部分,建立机械臂运动坐标模型,其中机械臂的组成部分包括底座、多个关节、连接关节、大臂和小臂;
S2,结合机械臂的姿态、负载重量以及外界温度,并导入至ANSYS Workbench进行计算,生成样本集,并将样本集划分为训练集及测试集;
S3,基于BP神经网络建立机械臂热变形误差模型,将训练集输入至机械臂热变形误差模型,得到预测的机械臂热变形误差偏移量,计算测试集与预测的机械臂热变形误差偏移量之间的损失值,若损失值大于设定值,则返回步骤S2;否则,完成机械臂热变形误差模型的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111634570.2A CN114367982A (zh) | 2021-12-24 | 2021-12-24 | 一种用于机械臂定位误差补偿分析的bp网络算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111634570.2A CN114367982A (zh) | 2021-12-24 | 2021-12-24 | 一种用于机械臂定位误差补偿分析的bp网络算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114367982A true CN114367982A (zh) | 2022-04-19 |
Family
ID=81142840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111634570.2A Pending CN114367982A (zh) | 2021-12-24 | 2021-12-24 | 一种用于机械臂定位误差补偿分析的bp网络算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114367982A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110231801A (zh) * | 2019-06-12 | 2019-09-13 | 内蒙古工业大学 | 一种数控机床热致定位误差关键温度测点选择方法 |
CN110385720A (zh) * | 2019-07-26 | 2019-10-29 | 南京航空航天大学 | 一种基于深度神经网络的机器人定位误差补偿方法 |
CN113051831A (zh) * | 2021-04-01 | 2021-06-29 | 重庆大学 | 机床热误差自学习预测模型建模方法及基于数字孪生的机床热误差控制方法 |
-
2021
- 2021-12-24 CN CN202111634570.2A patent/CN114367982A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110231801A (zh) * | 2019-06-12 | 2019-09-13 | 内蒙古工业大学 | 一种数控机床热致定位误差关键温度测点选择方法 |
CN110385720A (zh) * | 2019-07-26 | 2019-10-29 | 南京航空航天大学 | 一种基于深度神经网络的机器人定位误差补偿方法 |
CN113051831A (zh) * | 2021-04-01 | 2021-06-29 | 重庆大学 | 机床热误差自学习预测模型建模方法及基于数字孪生的机床热误差控制方法 |
Non-Patent Citations (3)
Title |
---|
张德丰: "《TensorFlow深度学习从入门到进阶》", 机械工业出版社, pages: 67 * |
胡毅: "关节式坐标测量机热变形误差建模及修正研究", 《中国优秀博士学位论文全文电子期刊网 工程科技Ⅱ辑》, pages 030 - 139 * |
陈建国;方辉;: "数控机床的热误差补偿技术研究", 机械设计与制造, no. 10 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161850B (zh) | 一种工业机器人变参数刚度辨识与建模方法 | |
Hewit et al. | Fast dynamic decoupled control for robotics, using active force control | |
CN110193829A (zh) | 一种耦合运动学与刚度参数辨识的机器人精度控制方法 | |
Wang et al. | Hybrid force/position control in workspace of robotic manipulator in uncertain environments based on adaptive fuzzy control | |
Wang et al. | Dynamic performance analysis of parallel manipulators based on two-inertia-system | |
Jha et al. | Inverse kinematic solution of robot manipulator using hybrid neural network | |
CN113799137A (zh) | 一种基于神经网络的移动加工机器人快速视觉定位方法 | |
CN112207800B (zh) | 三自由度转动曲柄连杆并联平台位姿控制方法 | |
Takeda et al. | Transmission index of lower-mobility parallel mechanism: case study on 3-PRS mechanism | |
Tarokh et al. | Classification and characterization of inverse kinematics solutions for anthropomorphic manipulators | |
Xie et al. | Manipulator calibration based on PSO-RBF neural network error model | |
Tan et al. | Controlling robot manipulators using gradient-based recursive neural networks | |
CN114367982A (zh) | 一种用于机械臂定位误差补偿分析的bp网络算法 | |
Ghavifekr et al. | Multirate adaptive inverse dynamics control of 5 DOF industrial gryphon robot | |
Li et al. | An optimal singularity-free motion planning method for a 6-DOF parallel manipulator | |
CN115256397A (zh) | 一种基于深度学习的机械臂力控制方法及系统 | |
Refaai | Using multiple adaptive neuro-fuzzy inference system to solve inverse kinematics of SCARA robot | |
Wang et al. | Calibration of Stewart platforms using neural networks | |
CN112380655A (zh) | 一种基于rs-cmsa算法的机器人逆运动学求解方法 | |
Jing et al. | Research on neural network PID adaptive control with industrial welding robot in multi-degree of freedom | |
Shen et al. | An integrated accuracy enhancement method for cable-driven flexible continuum robot | |
Li et al. | A TRAJECTORY TRACKING METHOD OF PARALLEL MANIPULATOR BASED ON KINEMATIC CONTROL ALGORITHM | |
Sahay et al. | Simulation of Robot Arm Dynamics Using NE Method of 2-Link Manipulator | |
Boanta et al. | Development of a Neural Network Method to Estimate the Workspace of a Parallel Robot | |
Song et al. | Calibration of serial robots through integration of local POE formula and artificial neural networks |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220419 |