多臂协同焊接机器人运动学逆解及误差分析

为了实现飞机双曲度壁板与桁条之间T形接头双侧焊缝的精准焊接,提出基于神经网络的多臂协同焊接机器人逆运动学求解方法.在构建多臂协同焊接机器人DH模型并进行有效性验证的基础上,考虑焊接机器人各关节运动范围,获取样本数据.基于BP和RBF神经网络,将18个关节子空间映射到三条机械臂末端作业空间,把高维、非线性逆运动学求解问题转换为多输入多输出预测模型.对两种神经网络模型求解效果进行对比.结果表明,基于神经网络的多臂焊接机器人运动学逆解求解结果精度高,其中BP神经网络求解速度更快,而RBF神经网络的预测效果更好.     

基于RBF神经网络间接求取运动学逆解的研究

七自由度工业机器人的几何结构大多满足Pieper准则,所以针对七自由度的封闭解法具有很大的发展空间。提出了一种基于RBF神经网络间接求取运动学逆解的方法,将运动学方程转化成了优化控制问题。采用遗传算法与最佳柔顺性准则相结合的方法,为RBF神经网络算法提供了精确的样本;为了提高神经网络算法的收敛速度以及收敛精度,进行间接求取的方式,引入连杆三角形夹角的概念;为了验证结果的可靠性,以七自由度冗余机械臂为对象,开展了基于RBF神经网络算法间接求逆的优化实验,并对比传统的RBF神经网络求取运动学逆解算法,结果表明,该算法结构简单,且能够显著提高收敛精度和收敛速度。     

基于MEA-BP神经网络的6DOF工业机器人逆运动学研究

针对6DOF工业机器人逆运动学求解存在计算量大、通用性差、有奇异性等问题,提出一种基于思维进化算法(MEA)优化BP神经网络的工业机器人逆运动学求解方法。在机器人工作范围内,随机生成若干组关节角度值,通过正运动学方程获得机器人末端连杆位置和姿态,以末端连杆位置和姿态作为模型输入,关节角度作为模型输出,通过对样本数据的训练确定模型参数。使用该模型进行机器人逆运动学求解,并与传统的基于BP和RBF神经网络的求解方法进行比较,结果表明:该求解方法精度高、泛化能力强。     

基于RBF神经网络的MOTOMAN-UPJ型机器人运动学逆解

利用D—H参数对MOTOMAN—UPJ型机器人建立坐标系，推导出正运动学公式。将由此得到的运动学正解作为训练样本，利用RBF神经网络的局部逼近的优点，将求解机器人运动学逆解转化为对神经网络的权值进行训练。实现了机器人从工作空间到关节空间的非线性映射。使用12输入，单输出的RBF网络，对6自由度的MOTOMAN—UPJ机器人进行了计算仿真，验证了该方法的可行性。与传统解析法相比，大大减少了求解运动方程的计算量。与BP神经网络相比，加快了收敛速度，解决了实时性差的问题。     

基于并行RBF神经网络的机器人逆运动求解

机器人逆运动求解的传统方法因为需要大量公式推导往往繁琐复杂,新出现的基于神经网络的算法又存在一定的局限和不足,所以,文章在分析现有神经网络模型的基础上致力于找到一种简单快速的求解方法。考虑到RBF神经网络在非线性函数逼近中的优秀表现,文章将两个相同结构的RBF神经网络应用于机器人逆运动求解中。以NACHI-MZ04型机器人为例,首先建立其运动学模型并在此基础上得到用以训练和测试神经网络的数据,然后基于Matlab nntool搭建网络模型并分别对网络进行训练和测试,最后得到满足精度要求的网络模型。结果表明,该方法在逆运动求解问题中应用效果良好,具有一定的推广价值。     

基于小脑神经网络解决机械手逆运动学控制问题

由于机械手逆运动学问题的求解存在多解且非常复杂,以往解决机械手的逆运动学求解问题主要是通过神经网络逆模型来建立机械手的逆运动学模型然后通过遗传或改进的BP算法来训练神经网络的权(阀)值矩阵从而达到问题的求解,然而这种方法在建立神经网络的逆模型时要对训练数据进行限制或筛选使其成为单解问题(即满足逆映射关系存在的要求),这对于那些对数据事先进行处理很困难或根本无法进行的复杂系统是不可行,为此提出了一种采用小脑神经网络和约束条件相结合的方法来解决逆运动学问题.研究结果表明此方法可以很好的解决机械手的逆运动学控制问题,同时该方法可以推广应用到那些通过数学模型求解困难或者数学模型不确知的复杂系统反求问题.     

IRB4400喷涂机器人运动学分析研究

喷涂机器人的运动学分析是动力学控制和轨迹规划的理论基础,为提高运动学求解效率,以ABB IRB4400喷涂机器人为研究对象,在Robotics Toolbox中对其建立了D-H模型,进行了正运动学分析。并针对机器人一般逆运动学求解方法复杂低效的问题,研究了BP神经网络智能算法在该型机器人逆运动学求解中的应用。运用正运动学分析结果,在Matlab中利用蒙特卡洛法编程实现了机器人的工作空间仿真,利用神经网络算法求解得到的逆解进行了轨迹规划仿真,得到了机器人工作空间仿真图,连续光滑的关节角、角速度和角加速度曲线图。从而验证了机器人建模的正确性、正运动学分析的合理性和逆运动学算法的有效性,为实际编程作业效率的提高提供了参考。     

基于改进型BP神经网络的并联机构位置正解研究

采用了一种改进型的BP神经网络方法对3-RSR并联机构的位置正解进行了研究,首先通过理论方法对3-RSR并联机构的位置逆解进行求解,然后采用改进型BP神经网络对通过位置逆解得到的数据进行了网络训练,神经网络训练结果与理论结果对比,验证了该方法的合理性。而且,对比改进后的BP神经网络结果与普通BP神经网络结果,发现两种方法均具有非常高的计算效率,且有效避免了复杂的推导和演算,但改进型BP神经网络方法得到的结果精度更高,因而在高精度的工程领域,采用改进型BP神经网络方法更具合理性。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

基于神经网络模型的海南变电站接地网Q235钢腐蚀率预测

运用MATLAB软件在土壤腐蚀等级评价指标上随机生成了2 000组训练样本和200组测试样本来增强网络的鲁棒性(抗变换性)和样本识别准确性,找出了适合BP和RBF神经网络模型的结构参数,构建出了性能和稳定性都较好的BP和RBF神经网络模型。用现场采集的海南省变电站土壤腐蚀相关数据分别对已建并训练的BP和RBF神经网络模型进行检验,并用这两种模型对变电站接地网普遍使用的Q235钢的腐蚀速率进行了预测。结果表明:两种模型预测的准确率均在95%以上;BP神经网络模型在结构和运算方面比RBF神经网络模型好,但需要设定的参数多、较繁琐,而RBF神经网络模型只需设定Spread值,较简单,且RBF神经网络模型在训练精度和泛化能力方面均优于BP神经网络模型。     

基于改进型迭代神经网络的三自由度并联机构位置正解分析

针对模拟船舶在海上运动的摇摆姿态及重载的要求,根据并联机器人机构综合理论,提出运用4SPS-1S结构的并联机构实现模拟船舶在重载情况下的摇摆运动。通过对该机构的运动学分析,推导出三自由度并联机构位置逆解的解析表达式。考虑到位置正解的解析解难以求出,运用一种改进型、高效率的迭代神经网络对其位置正解模型进行求解,最后借助Matlab软件对位置正解模型进行了仿真研究。研究结果表明:该改进型迭代BP神经网络不但性能上优于普通的BP神经网络和误差补偿函数为f(ε)=ε的迭代BP神经网络,且所建立的位置正解模型可以满足实时控制要求。     

基于BP神经网络5 P4R并联机构位置正解研究

并联机器人机构位置正解问题是机器人机构的应用基础也是运动学研究中的难点之一。针对数值法和解析法的复杂和求解难度以及有时求解的不唯一性,提出了一种多层前向神经网络求解3自由度5-P4R并联机构位置正解的方法。将位置反解作为训练样本,采用学习率可变的BP算法,实现了从驱动工作空间到动平台变量空间的非线性映射,从而得到并联机构运动学正解值。最后给出一组仿真实例,可以看出此方法的有效性与可行性。     

3-RRR平面并联机器人神经网络滑模控制研究

针对具有强耦合和高非线性并联机器人的轨迹跟踪控制研究,设计了一种基于神经网络滑模控制器的控制系统。在传统滑模控制的基础上,利用神经网络算法实时修正系统非线性项和不确定参数的功能,有效抑制了SMC系统的抖振现象。建立了3-RRR平面并联机器人的结构简图和Matlab模型,并采用闭环矢量法得到了机器人的运动学反解,为控制系统提供了参考输入。基于机器人的简化动力学方程,设计了一种RBF神经网络滑模控制器,并构造Lyapunov函数证明控制器的稳定性。分别采用传统滑模和神经网络滑模控制方式对机器人的轨迹跟踪进行仿真分析。仿真结果表明:神经网络滑模控制器具有更好的轨迹跟踪精度和较小的稳态误差,验证了神经网络SMC控制器的有效性。     

Inverse kinematics and error analysis of cooperative welding robot with multiple manipulators

Precise welding of the T-joints between aircraft hyperbolic panels and stringers is required. Therefore, a method of solving inverse kinematics equations for a cooperative welding robot with multiple manipulators based on neural networks was investigated. To build an effective Denavit-Hartenberg(DH)model for this robot, sample data was obtained considering the movement ranges of the robot joints.Based on back propagation(BP) and radial basis function(RBF) neural networks, 18 joint sub-spaces were mapped to the workspaces of three manipulators. The high-dimensional and nonlinear inverse kinematics problem was transformed into a multi-input and multi-output prediction model. The results revealed that the prediction model of solving the cooperative welding robot kinematics equations was quite accurate. Moreover, compared with the BP-based model, the calculation process of the RBF-based prediction model was slower, but yielded more accurate predictions.     

径向基函数神经网络在复合材料滚压加工中的应用

文章以滚压速度、进给量、滚压力、滚压次数为输入参数,建立了对表面粗糙度进行预测的径向基函数神经网络模型,利用该模型对高硅铝合金基复合材料的已加工表面粗糙度进行了预测.结果表明,预测值可达到满意的精度要求,对7组样本进行预测时最大相对误差不超过12%,且表面粗糙度值越大,模型的预测效果越明显;模型的学习速度和精度均优于传统的BP神经网络.此外,利用所建立的模型对滚压工艺参数进行了优化,得出了工艺参数的最佳范围.     

基于数据驱动的非球形散体颗粒休止角智能建模方法

针对离散单元法(DEM)仿真非球形散体颗粒休止角计算量大、耗时长的问题,本文基于DEM历史仿真数据,采用数据驱动的智能建模方法—BP、RBF神经网络建立非球形散体颗粒的休止角模型,并与传统克里金回归方法进行比较。结果表明,智能模型的运算速度相比DEM计算速度有很大提升;智能模型相比传统克里金回归模型具有更佳的预测性能,其中BP神经网络模型综合性能最优。最后,采用BP神经网络模型分析颗粒形状及摩擦因数对休止角的影响,发现休止角随颗粒形状变量、摩擦因数的增加都呈现增大的趋势,与现有研究结果一致,进一步证明了智能模型进行休止角预测的可靠性。     

基于径向基神经网络焊接接头力学性能预测

利用径向基神经网络建立了TC4钛合金,TIG焊焊接工艺参数与接头力学性能关系的网络模型.训练模型使用了27组数据,并对另外9组数据进行仿真.结果表明,以焊接电流、焊接速度和氩气流量作为网络输入参数,利用所建的模型能够对该焊接接头抗拉强度、抗弯强度和断后伸长率进行较为准确的预测.通过与常用的标准BP神经网络模型比较发现,径向基网络相对于BP网络预测精度有了大幅度的提高,克服了BP网络训练时间长和容易陷入局部极小的缺点,为实现焊接接头力学性能预测提供了一条有效途径.