CN114896736A - 基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统 - Google Patents

基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统 Download PDF

Info

Publication number
CN114896736A
CN114896736A CN202210585094.8A CN202210585094A CN114896736A CN 114896736 A CN114896736 A CN 114896736A CN 202210585094 A CN202210585094 A CN 202210585094A CN 114896736 A CN114896736 A CN 114896736A
Authority
CN
China
Prior art keywords
particle
drill boom
individual
elite
particles
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.)
Granted
Application number
CN202210585094.8A
Other languages
English (en)
Other versions
CN114896736B (zh
Inventor
宋建成
李力恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN202210585094.8A priority Critical patent/CN114896736B/zh
Publication of CN114896736A publication Critical patent/CN114896736A/zh
Application granted granted Critical
Publication of CN114896736B publication Critical patent/CN114896736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B15/00—Supports for the drilling machine, e.g. derricks or masts
    • E21B15/003—Supports for the drilling machine, e.g. derricks or masts adapted to be moved on their substructure, e.g. with skidding means; adapted to drill a plurality of wells
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B44/00—Automatic control systems specially adapted for drilling operations, i.e. self-operating systems which function to carry out or modify a drilling operation without intervention of a human operator, e.g. computer-controlled drilling systems; Systems specially adapted for monitoring a plurality of drilling variables or conditions
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B7/00—Special methods or apparatus for drilling
    • E21B7/02—Drilling rigs characterised by means for land transport with their own drive, e.g. skid mounting or wheel mounting
    • E21B7/022—Control of the drilling operation; Hydraulic or pneumatic means for activation or operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Nonlinear Science (AREA)
  • Algebra (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)
  • Earth Drilling (AREA)

Abstract

本发明公开了基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统，涉及工业机械臂控制技术领域，包括以下步骤：关节角关系建立步骤、适应度值计算步骤、粒子个体处理步骤、粒子更新步骤、判断步骤、输出结果步骤、定位控制步骤。本发明使得钻臂末端快速逼近目标孔位，有效提高定位效率和定位精度。

Description

基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统
技术领域
本发明涉及工业机械臂控制技术领域，尤其涉及基于改进粒子群算法的 锚杆钻车钻臂定位控制方法及系统。
背景技术
近年来，智能化和自动化已经成为矿用生产装备的发展大势。钻孔作业 时，由于钻臂各关节零部件的制造误差、运动副间隙和磨损及受力变形等影 响，应用运动学逆解求出的控制变量值无法使钻臂末端达到期望位姿状态， 从而产生炮孔的定位偏差，不仅降低了岩层的钻爆效果，产生超挖或欠挖现 象，则对锚杆钻车定位控制进一步的研究显得尤其重要。
因此，提出一种基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系 统，先通过交叉精英变异反向粒子群算法精准求解钻臂逆运动学，然后通过 正运动学使得钻臂末端快速逼近目标孔位，有效提高定位效率和定位精度， 是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于改进粒子群算法的锚杆钻车钻臂定位 控制方法及系统，有效提高定位效率和定位精度。
为了实现上述目的，本发明采用如下技术方案：
基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制方法， 包括以下步骤：
S101.关节角关系建立步骤：基于八自由度钻臂模型，利用DH法建模建 立钻臂末端位置和钻臂各关节角之间的关系表达式；
S201.适应度值计算步骤：复合混沌初始化种群，使用目标函数计算每个 粒子个体的适应度函数值得到全局最优粒子个体，定义为精英粒子；
S301.粒子个体处理步骤：根据反向学习规则，对精英粒子进行反向求解 以及柯西变异；将粒子个体和个体最优粒子进行交叉操作以及高斯变异；
S401.粒子更新步骤：引入极值扰动，根据粒子群算法的更新规则更新粒 子个体的速度和位置；
S501.判断步骤：判断当前更新的粒子个体的速度和位置是否使位置误差 和姿态误差小于预设值，若为是，则进入S601，反之则返回S201；
S601.输出结果步骤：停止迭代，当前更新的粒子个体的速度和位置则为 全局最优解，并输出该全局最优解；
S701.定位控制步骤：基于得到的全局最优解，通过正向运动学将钻臂送 达目标孔位，从而实现钻臂的定位控制。
可选的，S101的具体内容为：
八自由度钻臂模型为具有六个旋转关节和两个移动关节的钻臂，钻臂末 端位置和钻臂各关节角之间的关系表达式为：
Figure BDA0003665624980000031
其中，(Px,Py,Pz)为钻臂末端目标位置坐标，(θ1,θ2,θ4,θ5,θ6)为钻臂五个关节 角，a1、a4、a6、d3、d6、d7、d8为钻臂DH模型参数。
可选的，S201中利用混沌映射序列初始化种群，采用Logistic和Sinusoidal 的复合混沌模型使粒子在设定空间里呈现混沌状态：
设任意粒子为Xi＝(x1,x2,…,xJ)，复合混沌模型为：
Figure BDA0003665624980000032
粒子经过混沌映射变换后的初始位置为
Figure BDA0003665624980000033
粒子关系为：
Figure BDA0003665624980000034
式中，ai和bi分别为搜索空间中粒子所在位置的最小值和最大值。
可选的，S201中的目标函数F(Xi)：
F(Xi)＝||P(Xi)-Po|| (4)
式中，F(Xi)为粒子个体在Xi时的适应度；P(Xi)为粒子在Xi时的钻臂末 端位姿；Po为机械臂末端目标位姿。
可选的，目标函数F(Xi)具体包括位置误差函数Ep和姿态误差函数Eo， 表达式如下：
Figure BDA0003665624980000041
其中，Ep为位置误差函数，Eo为姿态误差函数，l和m分别为位置误差 函数和姿态误差函数的权重系数，满足l+m＝1，(p′x,p′y,p′z)为钻臂实际运动过 程中末端位置坐标，(px,py,pz)为钻臂末端目标位置坐标，(α′,β′,γ′)为钻臂实际 运动过程中末端位置坐标系中三坐标轴与基准坐标系中三坐标轴各自对应的 夹角。
可选的，S301中根据反向学习规则，对精英粒子进行反向求解以及柯西 变异，其具体内容为：
在J维搜索区域中，设Xi＝(X1,X2,…,XJ)为任意普通粒子，当其自身极值为 精英粒子
Figure BDA0003665624980000042
则精英反向解为
Figure BDA0003665624980000043
定义如下：
Figure BDA0003665624980000044
其中，k为一动态系数，ai和bi分别为搜索空间中粒子所在位置的最小 值和最大值；
当精英反向解超出自己搜索边界成为一个不可行解，则采用基于随机生 成法重置反解，计算公式如下：
Figure BDA0003665624980000045
进行柯西变异操作为：
Figure BDA0003665624980000046
其中，xmax和xmin分别为搜索空间的最大值和最小值，
Figure BDA0003665624980000051
为最优粒子变 异值，cauchy(0,s)是柯西分布，s是随迭代次数线性递减的柯西分布比例参数， 公式如下：
s(k+1)＝s(k)-sin(1/kmax) (9)
式中，kmax为最大迭代次数；
于是更新全局最优粒子位置如下：
Figure BDA0003665624980000052
其中，
Figure BDA0003665624980000053
为更新后的全局最优粒子。
可选的，S301中将粒子个体和个体最优粒子进行交叉操作，并对个体最 优粒子进行高斯变异；
交叉操作采用实数值编码，k时刻，将粒子xi(k)与历史个体最优粒子
Figure BDA0003665624980000054
进行离散相交，则新粒子位置ni(k)为：
Figure BDA0003665624980000055
其中，定义交叉系数a范围为0～1，pc为交叉概率；
于是交叉后的个体最优位置如下：
Figure BDA0003665624980000056
式中，f(·)为算法的适应度函数；
采用自适应交叉概率，表达式如下：
Figure BDA0003665624980000061
式中，Pc1和Pc2分别为初始交叉概率的最大和最小值，f’为两粒子进行 交叉操作中最大的适应度值，favg为适应度平均值，fmax为适应度最大值；
接着对交叉后的个体最优粒子进行高斯变异操作：
Figure BDA0003665624980000062
其中，xmax和xmin分别为搜索空间的最大值和最小值，
Figure BDA0003665624980000063
为最优粒子变 异值，Gaussian为高斯分布；
于是更新个体最优粒子位置如下：
Figure BDA0003665624980000064
其中，
Figure BDA0003665624980000065
为更新后的个体最优粒子。
可选的，S401中，粒子群算法更新规则描述如下：
Figure BDA0003665624980000066
引入极值扰动后，新的粒子更新规则如下：
Figure BDA0003665624980000067
新的粒子更新速度公式如下：
Figure BDA0003665624980000068
其中，
Figure BDA0003665624980000071
代表j维度i粒子在第k次迭代时的速度；
Figure BDA0003665624980000072
代表j维度i粒子 在第k次迭代时的位置；
Figure BDA0003665624980000073
代表j维度i粒子在第k次迭代时的个体极值点的 位置；
Figure BDA0003665624980000074
代表j维度i粒子在第k次迭代时的全局极值点的位置；r1和r2是在 [0,1]上的随机数字；c1和c2是学习因子，一般取值在[0,2]之间；ω为惯性权重 系数；
惯性权重采用正态分布衰减权重，其表达式描述如下：
Figure BDA0003665624980000075
式中，ωmax，ωmin分别为最大和最小惯性权重；T为最大迭代次数，t为 当前迭代次数，θ为趋势参数。
基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制系统， 应用上述的基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制 方法，包括：关节角关系建立模块、适应度值计算模块、粒子个体处理模块、 粒子更新模块、判断模块和定位控制模块；
关节角关系建立模块，用于基于八自由度钻臂模型，利用DH法建模建 立钻臂末端位置和钻臂各关节角之间的关系表达式；
适应度值计算模块，与关节角关系建立模块的输出端连接，用于复合混 沌初始化种群，使用目标函数计算每个粒子个体的适应度函数值得到全局最 优粒子个体，定义为精英粒子；
粒子个体处理模块，与适应度值计算模块的输出端连接，用于根据反向 学习规则，对精英粒子进行反向求解以及柯西变异；将粒子个体和个体最优 粒子进行交叉操作以及高斯变异；
粒子更新模块，与粒子个体处理模块的输出端连接，用于引入极值扰动， 根据粒子群算法的更新规则更新粒子个体的速度和位置；
判断模块的第一输出端与定位控制模块连接，判断模块的第二输出端与 适应度值计算模块连接，用于判断当前更新的粒子个体的速度和位置是否使 位置误差和姿态误差小于预设值，若为是，则停止迭代，当前更新的粒子个 体的速度和位置则为全局最优解，并输出该全局最优解，反之则返回继续进 行适应度计算；
定位控制模块，用于基于得到的全局最优解，通过正向运动学将钻臂送 达目标孔位，从而实现钻臂的定位控制。
经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于改 进粒子群算法的锚杆钻车钻臂定位控制方法及系统，不仅拥有逆运动学求解 速度快、钻臂模型无限制和通用性强等优点，还具有如下两点优势：
1)为保持初始种群的质量和多样性，对种群采取复合混沌初始化策略； 防止算法陷入局部最优和迭代停滞，对全局最优粒子采取柯西变异策略，以 保证其活性，引领粒子种群向最优解靠近；对交叉后的个体最优粒子采取高 斯变异，以保证算法的收敛精度。
2)采用自适应参数和正态分布衰减权重控制，随着算法迭代次数的增加， 保证快速准确到达最优解。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不 付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于混沌交叉精英变异反向粒子群算法的锚杆钻车 钻臂定位控制方法流程图；
图2为本发明具体实施例中的全局最优解收敛曲线图
图3为本发明具体实施例中的误差收敛图，其中，3.1为位置误差收敛曲 线图、3.2为姿态误差收敛曲线图；
图4为本发明提供的基于混沌交叉精英变异反向粒子群算法的锚杆钻车 钻臂定位控制统结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。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。
参照图1所示，本发明公开了基于混沌交叉精英变异反向粒子群算法的 锚杆钻车钻臂定位控制方法，包括以下步骤：
S101.关节角关系建立步骤：基于八自由度钻臂模型，利用DH法建模建 立钻臂末端位置和钻臂各关节角之间的关系表达式；
S201.适应度值计算步骤：复合混沌初始化种群，使用目标函数计算每个 粒子个体的适应度函数值得到全局最优粒子个体，定义为精英粒子；
S301.粒子个体处理步骤：根据反向学习规则，对精英粒子进行反向求解 以及柯西变异；将粒子个体和个体最优粒子进行交叉操作以及高斯变异；
S401.粒子更新步骤：引入极值扰动，根据粒子群算法的更新规则更新粒 子个体的速度和位置；
S501.判断步骤：判断当前更新的粒子个体的速度和位置是否使位置误差 和姿态误差小于预设值，若为是，则进入S601，反之则返回S201；
S601.输出结果步骤：停止迭代，当前更新的粒子个体的速度和位置则为 全局最优解，并输出该全局最优解；
S701.定位控制步骤：基于得到的全局最优解，通过正向运动学将钻臂送 达目标孔位，从而实现钻臂的定位控制。
进一步的，S101的具体内容为：
八自由度钻臂模型为具有六个旋转关节和两个移动关节的钻臂，钻臂末 端位置和钻臂各关节角之间的关系表达式为：
Figure BDA0003665624980000101
其中，(Px,Py,Pz)为钻臂末端目标位置坐标，(θ1,θ2,θ4,θ5,θ6)为钻臂五个关节 角，a1、a4、a6、d3、d6、d7、d8为钻臂DH模型参数。
进一步的，S201中中利用混沌映射序列初始化种群，采用Logistic和 Sinusoidal的复合混沌模型使粒子在设定空间里呈现混沌状态：
设任意粒子为Xi＝(x1,x2,…,xJ)，复合混沌模型为：
Figure BDA0003665624980000102
粒子经过混沌映射变换后的初始位置为
Figure BDA0003665624980000103
粒子关系为：
Figure BDA0003665624980000111
式中，ai和bi分别为搜索空间中粒子所在位置的最小值和最大值。
更进一步的，S201中的目标函数F(Xi)：
F(Xi)＝||P(Xi)-Po|| (4)
式中，F(Xi)为粒子个体在Xi时的适应度；P(Xi)为粒子在Xi时的钻臂末 端位姿；Po为机械臂末端目标位姿。
更进一步的，目标函数F(Xi)具体包括位置误差函数Ep和姿态误差函数 Eo，表达式如下：
Figure BDA0003665624980000112
其中，Ep为位置误差函数，Eo为姿态误差函数，l和m分别为位置误差 函数和姿态误差函数的权重系数，满足l+m＝1，(p x,p′y,p z)为钻臂实际运动过 程中末端位置坐标，(px,py,pz)为钻臂末端目标位置坐标，(α′,β′,γ′)为钻臂实际 运动过程中末端位置坐标系中三坐标轴与基准坐标系中三坐标轴各自对应的 夹角。
其中，(α,β,γ)为钻臂末端目标位置坐标系中三坐标轴与基准坐标系中三 坐标轴各自对应的夹角。[nx,ny,nz]T为钻臂末端相对基坐标系的姿态向量，oz和 az分别为姿态向量[ox,oy,oz]T,[ax,ay,az]T的分量，其具体表达式如下：
Figure BDA0003665624980000121
进一步的，S301中根据反向学习规则，对精英粒子进行反向求解以及柯 西变异，其具体内容为：
在J维搜索区域中，设Xi＝(X1,X2,…,XJ)为任意普通粒子，当其自身极值为 精英粒子
Figure BDA0003665624980000122
则精英反向解为
Figure BDA0003665624980000123
定义如下：
Figure BDA0003665624980000124
其中，k为一动态系数，ai和bi分别为搜索空间中粒子所在位置的最小 值和最大值；
当精英反向解超出自己搜索边界成为一个不可行解，则采用基于随机生 成法重置反解，计算公式如下：
Figure BDA0003665624980000125
进行柯西变异操作为：
Figure BDA0003665624980000126
其中，xmax和xmin分别为搜索空间的最大值和最小值，
Figure BDA0003665624980000127
为最优粒子变 异值，cauchy(0,s)是柯西分布，s是随迭代次数线性递减的柯西分布比例参数， 公式如下：
s(k+1)＝s(k)-sin(1/kmax) (9)
式中，kmax为最大迭代次数；
于是更新全局最优粒子位置如下：
Figure BDA0003665624980000131
其中，
Figure BDA0003665624980000132
为更新后的全局最优粒子。
进一步的，S301中将粒子个体和个体最优粒子进行交叉操作，并对个体 最优进行高斯变异；
交叉操作采用实数值编码，k时刻，将粒子xi(k)与历史个体最优粒子
Figure BDA0003665624980000133
进行离散相交，则新粒子位置ni(k)为：
Figure BDA0003665624980000134
其中，定义交叉系数a范围为0～1，pc为交叉概率；
于是交叉后的个体最优位置如下：
Figure BDA0003665624980000135
式中，f(·)为算法的适应度函数；
采用自适应交叉概率，表达式如下：
Figure BDA0003665624980000136
式中，Pc1和Pc2分别为初始交叉概率的最大和最小值，f’为两粒子进行 交叉操作中最大的适应度值，favg为适应度平均值，fmax为适应度最大值；
接着对交叉后的个体最优粒子进行高斯变异操作：
Figure BDA0003665624980000141
其中，xmax和xmin分别为搜索空间的最大值和最小值，
Figure BDA0003665624980000142
为最优粒子变 异值，Gaussian为高斯分布；
于是更新个体最优粒子位置如下：
Figure BDA0003665624980000143
其中，
Figure BDA0003665624980000144
为更新后的个体最优粒子。
进一步的，S401中，粒子群算法更新规则描述如下：
Figure BDA0003665624980000145
引入极值扰动后，可扩大范围，避免粒子陷入局部最优解。新的粒子更 新规则如下：
Figure BDA0003665624980000146
新的粒子更新速度公式如下：
Figure BDA0003665624980000147
其中，
Figure BDA0003665624980000148
代表j维度i粒子在第k次迭代时的速度；
Figure BDA0003665624980000149
代表j维度i粒子 在第k次迭代时的位置；
Figure BDA00036656249800001410
代表j维度i粒子在第k次迭代时的个体极值点的 位置；
Figure BDA00036656249800001411
代表j维度i粒子在第k次迭代时的全局极值点的位置；r1和r2是在[0,1]上的随机数字；c1和c2是学习因子，一般取值在[0,2]之间；ω为惯性权重 系数；
惯性权重采用正态分布衰减权重，其表达式描述如下：
Figure BDA0003665624980000151
式中，ωmax，ωmin分别为最大和最小惯性权重；T为最大迭代次数，t为 当前迭代次数，θ为趋势参数。
最后，寻找全局最优解。当全局最优解使得位置误差和姿态误差小于误 差精度ε1和ε2时，停止迭代得到最优解，之后通过正向运动学将钻臂送达目标 孔位，从而实现钻臂的定位控制。其表达式可以描述如下：
Figure BDA0003665624980000152
在一个具体实施例中，本发明针对八自由度钻臂设计基于交叉精英变异 反向粒子群算法(CEMOPSO)的锚杆钻车钻臂定位控制方法，其具体实例如 下：
八自由度钻臂DH参数如表1所示，得到钻臂末端和各关节角之间有如 下表达式：
Figure BDA0003665624980000161
表1.八自由度钻臂DH参数表
Figure BDA0003665624980000162
其中，d3＝1.8m，d8＝2.5m。
在系统迭代过程中，种群规模数M＝100，限度值ε1＝10-4，ε2＝10-3，l和m 分别取0.6和0.4.算法中钻臂关节约束角度为：θmin＝(π/4,-5π/6,-2π/3,-3π/4,-3π/2,-π/2)，θmax＝(3π/4,-π/3,-π/6,-π/4,π/2,0)，各参数设置为：c1＝c2＝1.5，vmax＝0.2，Pc1＝0.9，Pc2＝0.7， ωmax＝0.8，ωmin＝0.5，s＝1，T＝500。钻臂末端目标设置为Pf＝(1,1,1)。
为了验证本发明的效果，进行了以上实验。图2为全局最优解收敛曲线 图；图3为误差收敛曲线图，其中3.1为位置误差收敛曲线图和3.2为姿态误 差收敛曲线图。四个算法分别为传统PSO算法、精英反向粒子群算法(EOPSO)、 交叉精英反向粒子群算法(CEOPSO)和交叉精英变异反向粒子群算法 (CEMOPSO)。相比较于其他方法CEMOPSO能够快速得到最优解，具有 良好的钻臂定位控制性能。
参照图4所示，本发明还公开了一种基于混沌交叉精英变异反向粒子群 算法的锚杆钻车钻臂定位控制系统，应用上述的基于混沌交叉精英变异反向 粒子群算法的锚杆钻车钻臂定位控制方法，包括：关节角关系建立模块、适 应度值计算模块、粒子个体处理模块、粒子更新模块、判断模块和定位控制 模块；
关节角关系建立模块，用于基于八自由度钻臂模型，利用DH法建模建 立钻臂末端位置和钻臂各关节角之间的关系表达式；
适应度值计算模块，与关节角关系建立模块的输出端连接，用于复合混 沌初始化种群，使用目标函数计算每个粒子个体的适应度函数值得到全局最 优粒子个体，定义为精英粒子；
粒子个体处理模块，与适应度值计算模块的输出端连接，用于根据反向 学习规则，对精英粒子进行反向求解以及柯西变异；将粒子个体和个体最优 粒子进行交叉操作以及高斯变异；
粒子更新模块，与粒子个体处理模块的输出端连接，用于引入极值扰动 机制，根据粒子群算法的更新规则更新粒子个体的速度和位置；
判断模块的第一输出端与定位控制模块连接，判断模块的第二输出端与 适应度值计算模块连接，用于判断当前更新的粒子个体的速度和位置是否使 位置误差和姿态误差小于预设值，若为是，则停止迭代，当前更新的粒子个 体的速度和位置则为全局最优解，并输出该全局最优解，反之则返回继续进 行适应度计算；
定位控制模块，用于基于得到的全局最优解，通过正向运动学将钻臂送 达目标孔位，从而实现钻臂的定位控制。
采用上述方案后，本发明能够有效解决钻臂逆运动学求解不唯一或无解 的问题。基于复合混沌初始化、交叉操作、柯西变异操作、高斯变异操作、 精英反向策略、极值扰动、正态分布衰减权重和自适应参数控制融合的粒子 群算法能够平衡局部和全局搜索能力，加快收敛速度，保证得到最优解，提 高钻臂定位控制性能。
对所公开的实施例的上述说明，按照递进的方式进行，使本领域专业技 术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技 术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明 的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制 于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一 致的最宽的范围。

Claims (9)

1.基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制方法，其特征在于，包括以下步骤：
S101.关节角关系建立步骤：基于八自由度钻臂模型，利用DH法建模建立钻臂末端位置和钻臂各关节角之间的关系表达式；
S201.适应度值计算步骤：复合混沌初始化种群，使用目标函数计算每个粒子个体的适应度函数值得到全局最优粒子个体，定义为精英粒子；
S301.粒子个体处理步骤：根据反向学习规则，对精英粒子进行反向求解以及柯西变异；将粒子个体和个体最优粒子进行交叉操作以及高斯变异；
S401.粒子更新步骤：引入极值扰动，根据粒子群算法的更新规则更新粒子个体的速度和位置；
S501.判断步骤：判断当前更新的粒子个体的速度和位置是否使位置误差和姿态误差小于预设值，若为是，则进入S601，反之则返回S201；
S601.输出结果步骤：停止迭代，当前更新的粒子个体的速度和位置则为全局最优解，并输出该全局最优解；
S701.定位控制步骤：基于得到的全局最优解，通过正向运动学将钻臂送达目标孔位，从而实现钻臂的定位控制。
2.根据权利要求1所述的基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制方法，其特征在于，
S101的具体内容为：
八自由度钻臂模型为具有六个旋转关节和两个移动关节的钻臂，钻臂末端位置和钻臂各关节角之间的关系表达式为：
Figure FDA0003665624970000021
其中，(Px,Py,Pz)为钻臂末端目标位置坐标，(θ1,θ2,θ4,θ5,θ6)为钻臂五个关节角，a1、a4、a6、d3、d6、d7、d8为钻臂DH模型参数。
3.根据权利要求1所述的基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制方法，其特征在于，
S201中利用混沌映射序列初始化种群，采用Logistic和Sinusoidal的复合混沌模型使粒子在设定空间里呈现混沌状态：
设任意粒子为Xi＝(x1,x2,…,xJ)，复合混沌模型为：
Figure FDA0003665624970000022
粒子经过混沌映射变换后的初始位置为
Figure FDA0003665624970000023
粒子关系为：
Figure FDA0003665624970000024
式中，ai和bi分别为搜索空间中粒子所在位置的最小值和最大值。
4.根据权利要求3所述的基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制方法，其特征在于，
S201中的目标函数F(Xi)：
F(Xi)＝||P(Xi)-Po|| (4)
式中，F(Xi)为粒子个体在Xi时的适应度；P(Xi)为粒子在Xi时的钻臂末端位姿；Po为机械臂末端目标位姿。
5.根据权利要求4所述的基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制方法，其特征在于，
目标函数F(Xi)具体包括位置误差函数Ep和姿态误差函数Eo，表达式如下：
Figure FDA0003665624970000031
其中，Ep为位置误差函数，Eo为姿态误差函数，l和m分别为位置误差函数和姿态误差函数的权重系数，满足l+m＝1，(p′x,p′y,p′z)为钻臂实际运动过程中末端位置坐标，(px,py,pz)为钻臂末端目标位置坐标，(α′,β′,γ′)为钻臂实际运动过程中末端位置坐标系中三坐标轴与基准坐标系中三坐标轴各自对应的夹角。
6.根据权利要求1所述的基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制方法，其特征在于，
S301中根据反向学习规则，对精英粒子进行反向求解以及柯西变异，其具体内容为：
在J维搜索区域中，设Xi＝(X1,X2,…,XJ)为任意普通粒子，当其自身极值为精英粒子
Figure FDA0003665624970000032
则精英反向解为
Figure FDA0003665624970000033
定义如下：
Figure FDA0003665624970000034
其中，k为一动态系数，ai和bi分别为搜索空间中粒子所在位置的最小值和最大值；
当精英反向解超出自己搜索边界成为一个不可行解，则采用基于随机生成法重置反解，计算公式如下：
Figure FDA0003665624970000041
进行柯西变异操作为：
Figure FDA0003665624970000042
其中，xmax和xmin分别为搜索空间的最大值和最小值，
Figure FDA0003665624970000043
为最优粒子变异值，cauchy(0,s)是柯西分布，s是随迭代次数线性递减的柯西分布比例参数，公式如下：
s(k+1)＝s(k)-sin(1/kmax) (9)
式中，kmax为最大迭代次数；
于是更新全局最优粒子位置如下：
Figure FDA0003665624970000044
其中，
Figure FDA0003665624970000045
为更新后的全局最优粒子。
7.根据权利要求1所述的基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制方法，其特征在于，
S301中将粒子个体和个体最优粒子进行交叉操作，并对个体最优粒子进行高斯变异；
交叉操作采用实数值编码，k时刻，将粒子xi(k)与历史个体最优粒子
Figure FDA0003665624970000051
进行离散相交，则新粒子位置ni(k)为：
Figure FDA0003665624970000052
其中，定义交叉系数a范围为0～1，pc为交叉概率；
于是交叉后的个体最优位置如下：
Figure FDA0003665624970000053
式中，f(·)为算法的适应度函数；
采用自适应交叉概率，表达式如下：
Figure FDA0003665624970000054
式中，Pc1和Pc2分别为初始交叉概率的最大和最小值，f’为两粒子进行交叉操作中最大的适应度值，favg为适应度平均值，fmax为适应度最大值；
接着对交叉后的个体最优粒子进行高斯变异操作：
Figure FDA0003665624970000055
其中，xmax和xmin分别为搜索空间的最大值和最小值，
Figure FDA0003665624970000056
为最优粒子变异值，Gaussian为高斯分布；
于是更新个体最优粒子位置如下：
Figure FDA0003665624970000057
其中，
Figure FDA0003665624970000061
为更新后的个体最优粒子。
8.根据权利要求1所述的基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制方法，其特征在于，
S401中，粒子群算法更新规则描述如下：
Figure FDA0003665624970000062
引入极值扰动后，新的粒子更新规则如下：
Figure FDA0003665624970000063
新的粒子更新速度公式如下：
Figure FDA0003665624970000064
其中，
Figure FDA0003665624970000065
代表j维度i粒子在第k次迭代时的速度；
Figure FDA0003665624970000066
代表j维度i粒子在第k次迭代时的位置；
Figure FDA0003665624970000067
代表j维度i粒子在第k次迭代时的个体极值点的位置；
Figure FDA0003665624970000068
代表j维度i粒子在第k次迭代时的全局极值点的位置；r1和r2是在[0,1]上的随机数字；c1和c2是学习因子，一般取值在[0,2]之间；ω为惯性权重系数；
惯性权重采用正态分布衰减权重，其表达式描述如下：
Figure FDA0003665624970000069
式中，ωmax，ωmin分别为最大和最小惯性权重；T为最大迭代次数，t为当前迭代次数，θ为趋势参数。
9.基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制系统，其特征在于应用权利要求1-8任一项所述的基于混沌交叉精英变异反向粒子群算法的锚杆钻车钻臂定位控制方法，包括：关节角关系建立模块、适应度值计算模块、粒子个体处理模块、粒子更新模块、判断模块和定位控制模块；
关节角关系建立模块，用于基于八自由度钻臂模型，利用DH法建模建立钻臂末端位置和钻臂各关节角之间的关系表达式；
适应度值计算模块，与关节角关系建立模块的输出端连接，用于复合混沌初始化种群，使用目标函数计算每个粒子个体的适应度函数值得到全局最优粒子个体，定义为精英粒子；
粒子个体处理模块，与适应度值计算模块的输出端连接，用于根据反向学习规则，对精英粒子进行反向求解以及柯西变异；将粒子个体和个体最优粒子进行交叉操作以及高斯变异；
粒子更新模块，与粒子个体处理模块的输出端连接，用于引入极值扰动，根据粒子群算法的更新规则更新粒子个体的速度和位置；
判断模块的第一输出端与定位控制模块连接，判断模块的第二输出端与适应度值计算模块连接，用于判断当前更新的粒子个体的速度和位置是否使位置误差和姿态误差小于预设值，若为是，则停止迭代，当前更新的粒子个体的速度和位置则为全局最优解，并输出该全局最优解，反之则返回继续进行适应度计算；
定位控制模块，用于基于得到的全局最优解，通过正向运动学将钻臂送达目标孔位，从而实现钻臂的定位控制。
CN202210585094.8A 2022-05-27 2022-05-27 基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统 Active CN114896736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210585094.8A CN114896736B (zh) 2022-05-27 2022-05-27 基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210585094.8A CN114896736B (zh) 2022-05-27 2022-05-27 基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统

Publications (2)

Publication Number Publication Date
CN114896736A true CN114896736A (zh) 2022-08-12
CN114896736B CN114896736B (zh) 2024-04-09

Family

ID=82726752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210585094.8A Active CN114896736B (zh) 2022-05-27 2022-05-27 基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统

Country Status (1)

Country Link
CN (1) CN114896736B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118163112A (zh) * 2024-04-18 2024-06-11 北京科技大学 一种基于扩散模型的凿岩台车钻臂逆解控制方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN108748160A (zh) * 2018-06-21 2018-11-06 河南大学 基于多种群粒子群算法的机械臂运动规划方法
CN109262612A (zh) * 2018-10-09 2019-01-25 北京邮电大学 一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法
CN111283681A (zh) * 2020-02-28 2020-06-16 东南大学 一种基于切换scapso的六自由度机械臂逆解方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN108748160A (zh) * 2018-06-21 2018-11-06 河南大学 基于多种群粒子群算法的机械臂运动规划方法
CN109262612A (zh) * 2018-10-09 2019-01-25 北京邮电大学 一种基于改进粒子群算法的欠驱动机械臂关节角寻优方法
CN111283681A (zh) * 2020-02-28 2020-06-16 东南大学 一种基于切换scapso的六自由度机械臂逆解方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄开启;陈荣华;丁问司;: "凿岩机器人钻臂定位控制交叉精英反向粒子群算法", 控制理论与应用, no. 03, 15 March 2017 (2017-03-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118163112A (zh) * 2024-04-18 2024-06-11 北京科技大学 一种基于扩散模型的凿岩台车钻臂逆解控制方法及装置
CN118163112B (zh) * 2024-04-18 2024-09-10 北京科技大学 一种基于扩散模型的机械臂逆解控制方法及装置

Also Published As

Publication number Publication date
CN114896736B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN105159096B (zh) 一种基于粒子群算法的冗余度空间机械臂关节力矩优化方法
CN112757306B (zh) 一种机械臂逆解多解选择和时间最优轨迹规划算法
CN111702762B (zh) 一种工业机器人作业姿态优化方法
CN105676636B (zh) 一种基于nsga-ii算法的冗余度空间机械臂多目标优化方法
CN108068113B (zh) 7-dof仿人臂飞行物体作业最小加速度轨迹优化
CN107966907B (zh) 一种应用于冗余度机械臂的障碍物躲避解决方法
CN105598968B (zh) 一种并联机械臂的运动规划与控制方法
CN107160401B (zh) 一种解决冗余度机械臂关节角偏移问题的方法
CN108714894A (zh) 一种求解双冗余机械臂互相碰撞的动力学方法
Larsen et al. Path planning of cooperating industrial robots using evolutionary algorithms
CN111890349A (zh) 一种四自由度机械臂运动规划方法
CN114896736B (zh) 基于改进粒子群算法的锚杆钻车钻臂定位控制方法及系统
CN114670177B (zh) 一种两转一移并联机器人姿态规划方法
CN111958602A (zh) 一种手腕偏置型6轴机器人实时逆解算法
Yang et al. A new solution for inverse kinematics of 7-DOF manipulator based on genetic algorithm
CN113848725A (zh) 一种基于自适应遗传算法的机械臂时间最优轨迹规划优化方法
CN113601499A (zh) 一种单关节锁定失效下的空间机械臂逆运动学方法
CN117021076A (zh) 考虑能耗与运动性能的大型冗余机械臂轨迹规划方法
CN116276990A (zh) 基于神经网络训练的两自由度并联结构运动学正解方法
CN113434982B (zh) 一种电力智能仿生攀爬机器人的运动学逆解方法
Han et al. Integral backstepping based computed torque control for a 6 DOF arm robot
Yan et al. Integrated Drill Boom Hole-Seeking Control via Reinforcement Learning
Liu et al. Inverse kinematics solution of manipulator based on IPSO-BPNN
Fan et al. Trajectory planning of vibration suppression for hybrid structure flexible manipulator based on differential evolution particle swarm optimization algorithm
CN118061204B (zh) 一种冗余自由度机器人的运动最优目标姿态求解方法

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