CN117148706A - 一种气管镜机器人iwoa-bp神经网络pid控制方法 - Google Patents

一种气管镜机器人iwoa-bp神经网络pid控制方法 Download PDF

Info

Publication number
CN117148706A
CN117148706A CN202311101478.9A CN202311101478A CN117148706A CN 117148706 A CN117148706 A CN 117148706A CN 202311101478 A CN202311101478 A CN 202311101478A CN 117148706 A CN117148706 A CN 117148706A
Authority
CN
China
Prior art keywords
neural network
bronchoscope
control
iwoa
robot
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
Application number
CN202311101478.9A
Other languages
English (en)
Inventor
王亚刚
陈浩
张伟
吴启标
朱梦念
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and 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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202311101478.9A priority Critical patent/CN117148706A/zh
Publication of CN117148706A publication Critical patent/CN117148706A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/30—Surgical robots
    • A61B34/35—Surgical robots for telesurgery
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/30—Surgical robots
    • A61B2034/301—Surgical robots for introducing or steering flexible instruments inserted into the body, e.g. catheters or endoscopes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Automation & Control Theory (AREA)
  • Robotics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Endoscopes (AREA)

Abstract

本发明公开了一种气管镜机器人IWOA‑BP神经网络PID控制方法，涉及智慧医疗技术领域。提出一种全新的IWOA(Improved Whale Optimization Algorithm)BP‑PID控制算法，利用有效的群智能或进化算法搜索组最优的初始连接权重作为BP神经网络的初始权重，稳定BP网络的调节效果；改进鲸鱼算法的初始种群和加入非线性收敛因子，引入信息共享搜索策略，提高算法全面搜索能力。本发明计算复杂度降低，超调量和稳态误差几乎为零，加强了气管机器人的位置跟踪性能，同现有气管镜机器人控制算法相比具有更显著的安全性和实时性。

Description

一种气管镜机器人IWOA-BP神经网络PID控制方法
技术领域
本发明涉及智慧医疗技术领域，尤其涉及一种气管镜机器人IWOA-BP神经网络PID控制方法。
背景技术
传统人工支气管镜手术过程中存在着医护人员感染的风险和医生在长期的手术过程中出现疲劳导致手术质量下降的现象。随着医疗科技的发展，拥有着更高操作精度、灵活性和可靠性的机械手臂被应用到了医疗领域，为了避免医护感染和提高手术效率，远程的主从式的气管镜手术医疗机器人开始受到了广泛关注。然而人工气管镜检查具有局限性，通过超声和ENB导航的气管镜检查诊断率仍不理想。
气管镜机器人对于控制精度需求很高，跟踪控制需要具有高度精确且可忽略的时间延迟。传统PID控制效果较差，并不能保证手术的安全性。赵希梅、陈果等人提出了自适应模糊控制算法、变论域模糊PID算法应用于血管介入机器人的提高主从跟踪性能，但是其先验知识确定模糊控制规则表指定困难且计算量大。Rayne等人针对用于远程微创手术的冗余机器人，比较了几种IK控制技术，如伪逆雅可比矩阵、基于关节极限的雅可比修正、稀疏伪范数等。在笛卡尔空间中，使用带粒子群优化(PSO)的逆运动学，为笛卡尔空间给定的末端位置获取机械手的正确关节位置。经研究发现基于人工神经网络(ANN)的智能控制技术，如反向传播网络(BPN)和径向基神经网络(RBFN)对非线性系统的快速求解具有若干优势。为了控制远程操作内窥镜手术中腱鞘的不可预测行为，Li等人提出了一种基于递归神经网络(RNN的智能控制方法，马旭等人使用BP神经网络PID控制算法应用于血管介入跟踪。
BP神经网络PID控制器动态性能好，主要原因就是BP-PID输入层与隐藏层、隐藏层与输出层之间的连接权重参数可以实时调节，传统BP-PID的性能在很大程度上取决于这些连接权重参数的初始值。但是BP-PID控制因为不确定的初始连接权重带有较大概率的陷入局部极小值、控制精度差以及计算时间长等缺点，可以利用有效的群智能或进化算法搜索一组最优的初始连接权重作为BP神经网络的初始权重，能在一定程度上稳定BP网络的调节效果。
鲸鱼算法(WOA)已成为最著名的元启发式算法之一，基于群体的元启发式算法都是从自然界的群体和社会中获得灵感，这些算法涉及在搜索空间中相互交互以查找解决方案的组成员。相比同类型的粒子群优化(PSO)灰狼优化(GWO)，鲸鱼算法结构更加简单计算量更小。
因此，本领域的技术人员致力于开发一种气管镜机器人IWOA-BP神经网络PID控制方法。提出一种全新的IWOA(Improved Whale Optimization Algorithm)BP-PID控制算法，与变论域模糊PID控制、普通的BP-PID控制、最优参数PID控制以及PSO-BP-PID、GWO-BP-PID、WOA-BP-PID控制算法相比，计算复杂度降低且上升时间减小，而超调量和稳态误差几乎为零，针对支气管镜轴向介入的仿真实验结果表明，本发明提出的算法加强了气管机器人的位置跟踪性能，同当前阶段气管镜机器人控制算法相比具有更显著的安全性和实时性。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是在主从控制的的机器人手术系统中，跟踪控制所需要具有的高度精确和可忽略的时间延迟。
为实现上述目的，本发明提供了一种气管镜机器人IWOA-BP神经网络PID控制方法，包括以下步骤：
步骤1、确定网络结构和神经网络学习速率，根据网络结构计算鲸鱼种群大小，通过Tent混沌映射初始化鲸鱼种群，确定迭代次数；
步骤2、确定自适应函数，适应度数值越小体现鲸鱼优化算法搜索到更好的结果；
步骤3、经过迭代减小适应度函数更新鲸鱼位置信息，将最优解作为BP神经网络的初始权重；
步骤4、通过采样获得pid的输入r(k)，输出y(k)，误差e(k)作为神经网络的输入；
步骤5、根据输入与IWOA优化的初始权重计算神经网络输出比例参数KP、积分参数KI、微分参数KD；
步骤6、根据增量式PID控制公式，计算控制量；
步骤7、根据BP神经网络自学习特性更新输入层与隐藏层、隐藏层与输出层的连接权重，实时调整控制量，也就是PID参数，优化控制器控制性能。
进一步地，所述步骤2，适应度函数为：J＝y'-y，其中y为期望输出，y'为实际输出。
进一步地，所述步骤6，增量式PID控制公式为：
u(k)＝u(k-1)+KP[e(k)-e(j-1)]+KIe(k)+KD[e(k)-2e(k-1)+e(k-2)]
u(k)为k时刻控制量，u(k-1)为k-1时刻控制量，e(k)为k时刻误差，e(k-1)为k-1时刻误差，e(k-2)为k-2时刻误差以及比例参数KP、积分参数KI、微分参数KD。
进一步地，所述气管镜机器人包括主控制端和从控制端。
进一步地，所述主控制端包括机器人系统的控制器和控制手柄。
进一步地，所述从控制端包括模拟医生左手的镜体输送部和模拟医生右手的镜体操作部。
进一步地，所述主控制端和从控制端通过ads通信进行远程操作。
进一步地，建立支气管镜末端单元的运动学模型，根据支气管镜末端位姿实现末端轨迹高精度跟随。
进一步地，利用有效的群智能或进化算法搜索最优的初始连接权重作为BP神经网络的初始权重。
进一步地，所述鲸鱼优化算法改进初始鲸鱼种群，加入非线性收敛因子，进行信息共享搜索。
在本发明的较佳实施方式中，对于在主从控制的的机器人手术系统中，从机器人需要以更高的精度跟踪主机器人给出的期望轨迹。这有助于机器人内镜检查中进入远端气道。同样，从机器人的高精度轨迹跟踪可以帮助在体内异常组织生长的病灶采样中精确聚焦。对于上述应用，跟踪控制需要具有高度精确且可忽略的时间延迟。传统控制控制效果无法满足控制要求。本发明提出了一种全新的IWOA(Improved Whale OptimizationAlgorithm)BP-PID控制算法。BP神经网络PID控制器动态性能好，主要原因就是BP-PID输入层与隐藏层、隐藏层与输出层之间的连接权重参数可以实时调节，传统BP-PID的性能在很大程度上取决于这些连接权重参数的初始值。但是BP-PID控制因为不确定的初始连接权重带有较大概率的陷入局部极小值、控制精度差以及计算时间长等缺点，可以利用有效的群智能或进化算法搜索一组最优的初始连接权重作为BP神经网络的初始权重，能在一定程度上稳定BP网络的调节效果。本发明全新的IWOA-BP-PID控制算法，与变论域模糊PID控制、普通的BP-PID控制、最优参数PID控制以及PSO-BP-PID、GWO-BP-PID、WOA-BP-PID控制算法相比，计算复杂度降低且上升时间减小，而超调量和稳态误差几乎为零，针对支气管镜轴向介入的仿真实验结果表明，本发明提出的算法加强了支气管机器人的位置跟踪性能，同当前阶段支气管镜机器人控制算法相比具有更显著的安全性和实时性。
近年来，鲸鱼算法(WOA)已成为最著名的元启发式算法之一。WOA是基于座头鲸在自然界的觅食行为而提出的，座头鲸通常在水面捕食磷虾或小鱼。座头鲸预测猎物位置的方式与大多数元启发式算法类似。在这些算法中，最佳候选解或最接近最优解的候选解被定义为目标或猎物。这样，群中的成员根据目标或猎物更新他们的位置。包围、搜索(勘探)和攻击(开发)是鲸鱼觅食的机制。WOA尽管在寻找最佳解决方案方面很有效，并且实现简单，但算法存在一些缺陷，在探索阶段搜索最优解也存在一些问题。本发明改进初始种群和加入非线性收敛因子，引入了一种信息共享搜索策略，提高算法全面搜索能力。针对WOA算法容易陷入局部最优收敛速度慢的缺点，利用混沌映射对种群进行初始化保证初始种群的多样性，tent混沌映射结构简单，用其对当前最优个体进行变异生成新的个体，能较快地搜索到全局最优解。传统WOA收敛因子都是伴随迭代从2线性迭代至0，但是线性收敛因子并不能较好的完成全局搜索和局部搜索的寻优过程，因此引入非线性收敛因子。鲸鱼作为一种哺乳动物，个体可以通过与其他其他个体之间进行信息交互从而合作狩猎。为此引入了一种信息共享搜索策略。本发明在六个标准测试函数中在所测试的函数中IWOA算法仅Schwefel和Shekel函数未取得最佳值，而在其余函数中对比平均值和最优值IWOA算法相较其他算法更具有更精准的的寻优能力与全局搜索能力，进一步对比标准差可得IWOA相比基准的WOA等算法鲁棒性更有优势，六个基准函数收敛曲线进行对比收敛速度也具有较好的表现。
1.气管镜机器人操作系统
机器人系统的控制器和控制手柄组成主端，模拟医生左手的镜体输送部和模拟右手的镜体操作部作为从端,主端和从端通过ads通信进行远程操作。机器人系统框图如图1所示：
在传统的支气管诊疗过程中，医生需要分别用左手和右手握住内镜手术部位和镜体。随着内窥镜不断进入人体，左手以特定轨迹向右手靠近，从而将内窥镜的所有长度插入支气管的较深部分，同时保持内窥镜有效的扭矩传递。
2.支气管镜运动学分析
首先建立了支气管镜末端单元的运动学模型，然后根据得到的支气管镜末端位姿实现末端轨迹高精度跟随。镜体末端单元的三个自由度，有插入回退、旋转和弯曲，表示为三个变量λ,θ,α。{O0}表示基准坐标系；{O6}表示终端坐标系，如图2所示。DenaviHartenberg方法(D-H)参数法可以建立{O0}和{O6}之间的齐次变换矩阵。可以相应地确定终端坐标系和基础坐标系之间的相对位置。
3.动力学模型
以支气管镜机器人轴向运动为例，进行了动力学分析。其轴向运动由无刷直流电机驱动。电机驱动系统在末端夹紧镜体前进后退，从而实现推动支气管镜体的目的。根据牛顿第二定律，在简化系统的参考因素后，建立支气管镜机器人轴向插入、回退运动的动力学模型如下：
式中，f(t)是电机驱动力，x(t)是该运动的位移，为运动速度，/>是运动加速度，方程说明了电机驱动力和输出位移的关系。
令x1(t)＝x(t),则轴向运动的状态方程为:
其中
即m是轴向运动的质量，c是粘性阻尼系数，k是弹性系数。从方程(2)可以得出推进器轴向运动的传递函数如下：
4.IWOA-BP-控制器：
4.1鲸鱼算法改进
针对WOA算法容易陷入局部最优收敛速度慢的缺点，利用混沌映射对种群进行初始化保证初始种群的多样性，tent混沌映射结构简单，用其对当前最优个体进行变异生成新的个体，能较快地搜索到全局最优解。表达式为：
式中a＝0.5，xn∈(0,1)
传统WOA收敛因子都是伴随迭代从2线性迭代至0，但是线性收敛因子并不能较好的完成全局搜索和局部搜索的寻优过程，因此引入非线性收敛因子：
图3是本发明的一个较佳实施例的收敛因子曲线。鲸鱼作为一种哺乳动物，个体可以通过与其他其他个体之间进行信息交互从而合作狩猎。为此引入了一种信息共享搜索策略，提高算法全面搜索能力。
其中：r∈[0,1]为随机数，为从种群中随机选择的个体，α为学习系数，d为问题维度，levy(·)为莱维飞行随机数计算公式如下：
其中u,μ∈[0,1]中的随机数，β＝1.5。
为了平衡算法的全局搜索能力与搜索精度加入贪婪选择策略，可以有效提升算法的收敛速度，公式如下：
其中r3和p为随机数。
4.2标准测试函数寻优性能
通过表1中六个基准测试函数与GWO,PSO以及原始WOA算法进行性能测试对比，上述算法种群规模为35，最大迭代次数为300，其余参数采用初始参数值。记录每种算法单独运行30次的最优值、平均值以及标准偏差，结果如表2所示。
表1标准测试函数
表2基准函数仿真结果
表2中加粗数值为各对比算法相应指标的最佳值，在所测试的函数中IWOA算法仅f1与f6函数未取得最佳值，而在f2～f5函数中对比平均值和最优值IWOA算法相较其他算法更具有更精准的的寻优能力与全局搜索能力，进一步对比标准差可得IWOA相比基准的WOA等算法鲁棒性更有优势，由图4所示六个基准函数收敛曲线进行对比收敛速度也具有较好的表现。
4.3 IWOA-BP神经网络控制算法
由于介入手术中对手术支气管镜的定位要求较高，由于呼吸气流等非线性因素的影响，很难准确建立介入手术机器人系统的控制模型，具有支气管损伤的风险。在分析相关运动控制算法的基础上，结合介入手术中支气管镜推进精度和碰撞力的技术要求，设计了IWOA-BP-PID控制器，利用改进的鲸鱼算法搜索最优解作为神经网络初始权重，加速KP、KI、KD参数整定。控制框图如图5所示：
BP神经网络PID是基于增量型数字PID控制算法，增量型数字PID控制算法表达式为：
u(k)＝u(k-1)+KP[e(k)-e(k-1)]+KIe(k)+KD[e(k)-2e(k-1)+e(k-2)] (13)
BP神经网络结构如下图6所示，包括4个输入层、5个隐藏层和3个输出层。为网络层之间的连接权重。/>分别为隐含层和输出层的输入。
其中上标(1)(2)(3)代表输入层、隐含层和输出层，输入层第j个节点的输出为：
然后，对输入层的输出进行加权和求和；隐藏层输入如下：
隐含层激励函数为Sigmoid：
隐含层输出为：
输出层的输入为：
输出层的输出分别对应KP、KI、KD：
其中g(x)是非负的Sigmoid函数作为输出层激励函数:
BP神经网络在系统输出的同时，通过不断调整系统中每个网络的权重，系统的输出值逐渐接近初始设定值。本发明选择BP网络的均方误差作为评估的标准函数，并调整系统中各层网络的权重。均方误差定义如下：
BP神经网络隐含层到输出层权重校正公式如下：
为了加快BP神经网络学习速率，减小控制系统陷入局部极小值的几率，增加了动量因子α，其中η是学习速率。隐含层权重计算公式如下：
4.4控制器设计步骤
如图7所示，IWOA-BP神经网络PID算法步骤如下：
步骤一：确定网络结构和神经网络学习速率以及学习速率，根据网络结构计算鲸鱼种群大小，通过Tent混沌映射初始化鲸鱼种群，确定迭代次数；
步骤二：确定自适应函数，适应度数值越小体现鲸鱼优化算法搜索到更好的结果，适应度函数如下所示：
J＝y'-y (27)
步骤三：经过迭代减小适应度函数更新鲸鱼位置信息，将最优解作为BP神经网络的初始权重；
步骤四：通过采样获得r(k)，y(k)，e(k)作为神经网络的输入；
步骤五：根据输入与IWOA优化的初始权重计算神经网络输出KP、KI、KD；
步骤六：根据增量式PID控制公式(13)，计算控制量u(k)；
步骤七：根据BP神经网络自学习特性更新各层的连接权重，从而达到实时调整控制量的目的，也就是PID参数，优化控制器控制性能。
本发明与现有技术相比较，具有如下显而易见的实质性特点和显著优点：
1.本发明提出全新的IWOA(Improved Whale Optimization Algorithm)BP-PID控制算法，计算复杂度降低且上升时间减小，而超调量和稳态误差几乎为零，加强了气管机器人的位置跟踪性能，同现有气管镜机器人控制算法相比具有更显著的安全性和实时性。
2.本发明的支气管镜机器人操作系统，相较已上市的支气管镜机器人只能使用产品适配的支气管镜，本发明的结构适用性更强，降低临床成本，且远程操作方案减少暴露风险，保护医护人员以及患者的手术安全，促进支气管镜手术智能化以及数据化发展。并且就当前支气管镜机器人控制精度不足的问题，设计了IWOA-BP-PID控制器以提高遥操作过程中轴向运动的运动精度，相较最优参数PID，模糊PID，变论域模糊PID，PSO、GWO与一般WOA算法优化的BP-PID控制以及一般BP-PID算法控制具有更好的安全性和有效性，为支气管镜机器人控制提供了新的思路。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的主从式支气管镜机器人控制框图；
图2是本发明的一个较佳实施例的支气管镜末端单元运动学模型；
图3是本发明的一个较佳实施例的收敛因子曲线；
图4是本发明的一个较佳实施例的收敛曲线对比图；
图5是本发明的一个较佳实施例的支气管镜机器人控制框图；
图6是本发明的一个较佳实施例的BP神经网络结构；
图7是本发明的一个较佳实施例的IWOA-BP-PID控制算法流程图；
图8是本发明的一个较佳实施例的IWOA优化权重性能指标变化曲线；
图9是本发明的一个较佳实施例的阶跃输入控制算法仿真结果图；
图10是本发明的一个较佳实施例的sin信号输入控制算法仿真结果；
图11是本发明的一个较佳实施例的sin信号输入控制算法仿真结果以及放大图。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
以支气管镜机器人的轴向运动为例，根据第推导的动力学分析。其轴向运动由伺服电机驱动。电机驱动系统在末端驱动整个支气管镜手持部来回移动，支气管镜末端输送部同步配合支气管镜镜体的输送，从而实现推动支气管镜的目的。支气管镜机器人控制模式有两种：位置模式和速度模式，因此以阶跃信号y＝1用于模拟在位置模式下医生远程控制支气管镜的轴向预期位移以及由y＝sin(t)信号模拟速度模式下支气管镜的轴向预期位移。由第二节根据牛顿第二定律所推导的数学模型公式(6)设K＝2，m＝1，c＝0.04，得到系统的传递函数为：
利用常规PID控制、变论域模糊PID控制、GWO-BP-PID控制、PSO-BP-PID控制、WOA-BP-PID控制与IWOA-BP神经网络PID控制的支气管镜机器人系统进行MATLAB仿真分析对比。
IWOA-BP神经网络PID控制算法改进了随机初始权重导致的训练结果不一致以及控制效果不稳定问题，如图8所示IWOA寻找最优权重在24次迭代后系统趋于稳定：
经过神经网络自学习调控达到支气管镜机器人轴向运动的有效控制。如图9所示，BP控制器取惯性因子α＝0.1，学习速率η＝0.15仿真结果。
如图10所示，IWOA-BP-PID控制算法与最优参数PID控制及变论域模糊PID的仿真比较。通过比较仿真结果，可以发现最优PID控制系统的超调量为22％，变论域模糊PID控制超调量为10％，而新设计的BP神经网络PID控制系统超调量几乎为零。与最优参数PID控制系统等控制算法相比，IWOA-BP-PID控制系统的调节时间和跟随精度有了很大的提高，跟PSO、GWO与一般WOA算法优化的BP-PID控制方法相比,IWOA所需迭代次数较少、收敛速度更快。如图11所示，在实际操作过程中，医师操作支气管镜的推拉过程需要多次推拉镜体以到达指定的病变。缩短支气管镜推进时间有助于提高插管效率和手术成功率，而超调量的减小能够增强操作医师对手术的掌控度以及支气管镜手术的安全性。控制算法详细数据如下：
表3算法对比数据
跟随控制算法 超调量/％ 调节时间/s 稳态误差/cm
最优参数PID 25.02 3.2 0.0182
模糊自适应PID 18.68 1.3 0.0056
BP-PID 12.72 1.8 0.0062
变论域模糊PID 4.12 0.65 0.0017
PSO-BP-PID 3.32 2.1 0.0085
WOA-BP-PID 2.04 0.47 0.0063
GWO-BP-PID 2.31 1.8 0.0056
IWOA-BP-PID 0.30 0.45 0.0002
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种气管镜机器人IWOA-BP神经网络PID控制方法，其特征在于，包括以下步骤：
步骤1、确定网络结构和神经网络学习速率，根据网络结构计算鲸鱼种群大小，通过Tent混沌映射初始化鲸鱼种群，确定迭代次数；
步骤2、确定自适应函数，适应度数值越小体现鲸鱼优化算法搜索到更好的结果；
步骤3、经过迭代减小适应度函数更新鲸鱼位置信息，将最优解作为BP神经网络的初始权重；
步骤4、通过采样获得pid的输入，输出，误差作为神经网络的输入；
步骤5、根据输入与IWOA优化的初始权重计算神经网络输出比例参数、积分参数、微分参数；
步骤6、根据增量式PID控制公式，计算控制量；
步骤7、根据BP神经网络自学习特性更新输入层与隐藏层、隐藏层与输出层的连接权重，实时调整控制量，也就是PID参数，优化控制器控制性能。
2.如权利要求1所述的气管镜机器人IWOA-BP神经网络PID控制方法，其特征在于，所述步骤2，适应度函数为：J＝y'-y，其中y为期望输出，y'为实际输出。
3.如权利要求1所述的气管镜机器人IWOA-BP神经网络PID控制方法，其特征在于，所述步骤6，增量式PID控制公式为：
u(k)＝u(k-1)+KP[e(k)-e(k-1)]+KIe(k)+KD[e(k)-2e(k-1)+e(k-2)]
u(k)为k时刻控制量，u(k-1)为k-1时刻控制量，e(k)为k时刻误差，e(k-1)为k-1时刻误差，e(k-2)为k-2时刻误差以及比例参数KP、积分参数KI、微分参数KD。
4.如权利要求1所述的气管镜机器人IWOA-BP神经网络PID控制方法，其特征在于，所述气管镜机器人包括主控制端和从控制端。
5.如权利要求4所述的气管镜机器人IWOA-BP神经网络PID控制方法，其特征在于，所述主控制端包括机器人系统的控制器和控制手柄。
6.如权利要求4所述的气管镜机器人IWOA-BP神经网络PID控制方法，其特征在于，所述从控制端包括模拟医生左手的镜体输送部和模拟医生右手的镜体操作部。
7.如权利要求4所述的气管镜机器人IWOA-BP神经网络PID控制方法，其特征在于，所述主控制端和从控制端通过ads通信进行远程操作。
8.如权利要求1所述的气管镜机器人IWOA-BP神经网络PID控制方法，其特征在于，建立支气管镜末端单元的运动学模型，根据支气管镜末端位姿实现末端轨迹高精度跟随。
9.如权利要求1所述的气管镜机器人IWOA-BP神经网络PID控制方法，其特征在于，利用有效的群智能或进化算法搜索最优的初始连接权重作为BP神经网络的初始权重。
10.如权利要求1所述的气管镜机器人IWOA-BP神经网络PID控制方法，其特征在于，所述鲸鱼优化算法改进初始鲸鱼种群，加入非线性收敛因子，进行信息共享搜索。
CN202311101478.9A 2023-08-29 2023-08-29 一种气管镜机器人iwoa-bp神经网络pid控制方法 Pending CN117148706A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311101478.9A CN117148706A (zh) 2023-08-29 2023-08-29 一种气管镜机器人iwoa-bp神经网络pid控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311101478.9A CN117148706A (zh) 2023-08-29 2023-08-29 一种气管镜机器人iwoa-bp神经网络pid控制方法

Publications (1)

Publication Number Publication Date
CN117148706A true CN117148706A (zh) 2023-12-01

Family

ID=88909336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311101478.9A Pending CN117148706A (zh) 2023-08-29 2023-08-29 一种气管镜机器人iwoa-bp神经网络pid控制方法

Country Status (1)

Country Link
CN (1) CN117148706A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117426754A (zh) * 2023-12-22 2024-01-23 山东锋士信息技术有限公司 基于pnn-lvq的特征权重自适应脉搏波分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117426754A (zh) * 2023-12-22 2024-01-23 山东锋士信息技术有限公司 基于pnn-lvq的特征权重自适应脉搏波分类方法
CN117426754B (zh) * 2023-12-22 2024-04-19 山东锋士信息技术有限公司 基于pnn-lvq的特征权重自适应脉搏波分类方法

Similar Documents

Publication Publication Date Title
Yang et al. Hierarchical reinforcement learning with universal policies for multistep robotic manipulation
US8417491B2 (en) 3D tool path planning, simulation and control system
CN117148706A (zh) 一种气管镜机器人iwoa-bp神经网络pid控制方法
Pore et al. Learning from demonstrations for autonomous soft-tissue retraction
Boabang et al. A framework for predicting haptic feedback in needle insertion in 5G remote robotic surgery
Xu et al. Automate surgical tasks for a flexible serpentine manipulator via learning actuation space trajectory from demonstration
Pore et al. Autonomous navigation for robot-assisted intraluminal and endovascular procedures: A systematic review
CN118081773B (zh) 一种基于综合损失的演员评论家算法的机器人控制方法
Bendikas et al. Learning needle pick-and-place without expert demonstrations
JP2021192141A (ja) 学習装置、学習方法、および学習プログラム
Wang et al. Cerebellum-inspired model-free tracking control and visual servoing of a rigid-flexible hybrid robotic endoscope with RCM constraints
Huang et al. 4-dof visual servoing of a robotic flexible endoscope with a predefined-time convergent and noise-immune adaptive neural network
CN113448246A (zh) 一种口腔种植机器人自进化姿态调整方法及系统
Zhang et al. A step towards conditional autonomy-robotic appendectomy
Li et al. Gflownets with human feedback
Huang et al. Toward learning context-dependent tasks from demonstration for tendon-driven surgical robots
CN115721422A (zh) 介入手术的操作方法、装置、设备和存储介质
CN115936058A (zh) 一种基于图注意力网络的多智能体迁移强化学习方法
Athiniotis et al. Deep q reinforcement learning for autonomous navigation of surgical snake robot in confined spaces
Park et al. Hysteresis Compensation of Flexible Continuum Manipulator using RGBD Sensing and Temporal Convolutional Network
CN115422838A (zh) 手术机器人的自主学习方法、装置、设备和介质
Azizkhani et al. Design, modeling, and redundancy resolution of soft robot for effective harvesting
Mei et al. Purely Image-based Action Decision for Interventional Surgery Robot
Perrusi et al. Learning robotic needle steering from inverse finite element simulations
Lin Deep Reinforcement Learning based Haptic Enhancement for Tele-Diagnosis

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