改进型BP神经网络的3-UPS-RCR并联机构位置正解

针对立式旋压机的加工要求并结合并联机构的结构特点,提出利用3-UPS-RCR并联结构实现立式旋压加工操作。用Adams建立结构模型并联合Matlab实现并联机构动态仿真。基于加工轨迹利用动态仿真获得大量BP神经网络并联机构正解学习样本,并在Python环境下进行神经网络的搭建和训练。通过动量参数更新法和位移补偿法改进BP神经网络,并将结果和传统的梯度下降法进行比较,发现动量参数更新法能加快神经网络的训练速度,位移补偿法能进一步提高神经网络的拟合精度。     

基于BP神经网络技术的3-UPU型并联机构运动学正解的研究

基于运动螺旋理论分析了3-UPU型并联机构的自由度,建立了该机构运动学逆解的显性式。依据此逆解得到的49组数据,包括驱动参数及对应输出位姿参数作为训练样本,采用BP神经网络技术对样本进行训练,获得了运动学正解的神经网络模型。最后,用训练样本以外的5组样本对所获得的正解模型进行了检测。     

基于BP神经网络算法的3-CRS/SP并联机构正解分析

提出一种通过BP神经网络求解并联机构位置正解的方法。根据BP神经网络的算法,采用了3层前向神经网络。对3-CRS/SP并联机构建立旋转矩阵求得该机构的位置逆解。将位置逆解所得数据作为神经网络的输入,将求解位置逆解的动平台位姿包含4个参数值作为输出,进行神经网络的训练。仿真和实验结果表明,该方法对于求解并联机构位置正解快速有效;相对于解析法,该方法直观简洁,能够为并联机构的控制过程提供数值参考。     

3-PPR并联机构动力学建模与分析

通过齐次坐标变换构建三自由度并联机构3-PPR的完整运动学逆解,利用一阶影响系数法求解机构雅克比矩阵。采用拉格朗日功能平衡法推导出机构刚体动力学模型,对比典型工况下Matlab数值算例仿真与ADAMS虚拟仿真结果,验证了刚体动力学理论分析的正确性。联合ADAMS与ANSYS对机构进行柔性动力学分析,综合机构刚体和柔性动力学仿真,为完整动力学分析奠定了基础。这些内容为进一步研究该并联机构的动态特性、系统控制、误差分析等有着非常重要的意义,也可作为类似并联机构动力学研究的一般方法。     

3-PPR平面并联机构的工作空间分析

对3-PPR平面并联机构利用闭环矢量方法进行了位置正解和位置逆解的分析,建立了该机构的位置正、逆解方程,求出了简单位置正解和逆解的结果。采用MATLAB编程得出了该机构的工作空间,发现输入量的伸长范围和中间杆的伸长范围是影响工作空间形状和大小的主要因素。该研究为3-PPR平面并联机构的动力学研究、优化设计等进一步研究奠定了一定的理论基础。     

环形3-PPR平面并联机构设计与分析

为了提升机构旋转工作空间,提出了一种具备整周旋转能力的环形3-PPR平面并联机构。借助齐次变换与封闭矢量法,求得了机构运动学逆解;基于归一化雅可比矩阵,分析了机构的奇异性和灵巧度性能,获得机构最佳性能尺度配置参数;结合运动学逆解与几何约束条件,求解了机构可达工作空间;通过Adams与Matlab软件对机构进行了运动学仿真,验证了理论模型的正确性。研究为环形3-PPR平面并联机构的设计应用提供了理论依据,并为该机构的动力学分析、优化设计等进一步研究奠定了一定的理论基础。     

BP神经网络补偿并联机器人定位误差

为减小机构末端定位误差,提高机器人运动精度,分析了所开发的6-DOF精密并联机器人末端位姿的误差来源及以往误差补偿方法的局限性。通过实际测量末端位姿,在精密定位的局部工作空间内,提出了基于BP神经网络的机器人关节空间误差补偿方法。确定了BP神经网络模型,建立了误差补偿的数据样本,并对数据样本进行了标准化,通过实验对比的方法确定了隐层神经元的个数,同时对网络的推广能力进行了验证。经过误差补偿,6-DOF精密并联机器人的平移定位误差下降了80%,转角定位误差下降了60%。该实验结果表明,基于BP神经网络的误差补偿方法对机器人局部工作空间的补偿具有明显的效果,满足精密并联机器人工作的精度要求。     

基于BP神经网络的6-PSS并联机器人运动学正解

提出多层前向神经网络求解6自由度并联机构位置正解的方法,将位置反解结果作为训练样本,采用Levenberg-Marquardt训练方法,实现了机构位置从关节变量空间到工作变量空间的非线性映射,从而求得并联机构运动学正解值。结果表明:与数值分析法相比,该方法计算精度高、耗时少、计算过程简洁,可应用于该机构的任务空间实时控制或求解机构的工作空间。     

带位移传感器的6-UPS并联机构运动学正解

闭环实时反馈控制依据运动学正解,但是运动学正解问题一直没有彻底解决。6-UPS并联机构(6-UPS)的运动学解析正解可通过消除变量,获得一元高次多项式方程,也有通过添加至少2个附加位移传感器方法求解,虽然随着研究的深入有所进展,但是仍然不足以应用于实时的闭环反馈控制。为了高性能的闭环实时反馈控制,提出一种6-UPS运动学正解的解析算法:在平面平台型6-UPS中心添加一个位移传感器,通过测出第7个杆长,基于四元数并采用新符号表示动平台的姿态矩阵,结合代数消元等方法对11个相容方程进行降次、降次、升次处理,最终求出面向闭环实时反馈控制所需要的6-UPS机构解析正解,解决了奇异性局限,且位置和姿态可获得唯一解,解决了多解选择的难题。通过数值算例验证了所提算法的正确性和有效性。     

基于螺旋理论的3-PPR球面并联机构的奇异性分析

提出一种新型3-PPR球面并联机构。对于每条支链中的移动副,由于其绕球面运动的特殊轨迹,可将移动副等价转换为转动副。首先,应用螺旋理论为基础给出每条支链的运动螺旋系,然后应用修正G-K公式,分析得出机构的自由度数目;其次,利用反螺旋系的解法和矩阵理论知识,在求出3-PPR球面并联机构的完整雅可比矩阵的前提下,分析矩阵的秩,得出机构产生奇异位形的条件和奇异位形的类型;最后,根据该机构的位置正解,考虑其干涉条件,利用Matlab绘制出稳定的工作空间,进行验证。研究表明,3-PPR球面并联机构无奇异位置,具备较好的应用前景。     

3-PRS并联机构正解的数值方法

<正>解计算是3-PRS并联机构设计与评价的重要工作之一,由于求解3-PRS并联机构的解析表达式十分困难,所以通常求其数值解。针对正解迭代求解时可能由于初始值设置不当引起的求解失败或遗漏真实解的问题,提出了运用蒙特卡洛方法设置迭代初始值。通过大量的随机抽样得到所有可能的解,并且归并这些解,然后绘制3-PRS并联机构的位姿简图,以此来直观判断解的合理性,最后应用算例验证了该方法的有效性及可行性。结果表明:充分利用蒙特卡洛方法的随机性,可以找到所有的解;绘制的3-PRS并联机构位姿简图形象直观,方便对真实解进行判别。     

BP神经网络求6PTRT型并联机器人正运动学精确解

采用BP神经网络,利用位置逆解结果,通过训练学习,实现操作从关节变量空间到工作变量空间的非线性映射,从而求出6PTRT型并联机器人的正运动学解.计算实例表明单用BP神经网络得到的精度并不高,所以为提高正解结果精度,引入误差补偿算法,并设计相应软件,所得数据表明,该算法计算精度高.     

基于神经网络的压电陀螺的零位漂移补偿

针对低精度的压电陀螺静态零位输出随温度漂移严重的问题,提出了用BP神经网络进行补偿的方法,该方法具有很强的非线性映射能力,能够有效减少压电陀螺的零位输出误差.实验结果与传统拟合方法比较证明,在不改变陀螺结构的情况下,该方法能有效地将陀螺的静态零位漂移误差减小一个数量级以上,从而使该类型陀螺能够应用于中、高精度惯性测量领域中.     

基于调整步长牛顿法的Stewart并联机构位置正解

针对采用牛顿或拟牛顿迭代算法求解Stewart并联机构接近奇异位姿的位置正解时存在计算结果不收敛以及采用牛顿下山迭代算法求解时间较长的问题,提出了将调整步长牛顿法应用于并联机构位置正解。首先设计基于调整步长牛顿法的Stewart并联机构位置正解流程;然后,采用遗传算法以步长矩阵初值及等比参数为变量,以Stewart并联机构64种极限位姿正解所需迭代步数为目标,得到步长矩阵初值及等比参数最优值。通过数值算例,设置机构杆长绝对误差为0.01mm,对64种极限位姿进行正解,牛顿法与拟牛顿法共6种位姿正解不收敛;牛顿下山法10种位姿正解时间大于2.0ms;调整步长牛顿法正解时间均小于2.0ms。调整步长牛顿法为Stewart并联机构位置正解的实时应用提供了理论指导。     

基于BP神经网络的物流预测方法

针对传统物流预测方法的局限性，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络对其进行训练形成物流预测模型。阐明了神经网络具有记忆、学习功能，能够很好地模拟物流发展趋势。大量预测结果的准确性表明基于神经网络的物流预测是一个行之有效的方法。     

基于手脚融合功能的多足步行机器人正运动学分析

简单介绍了一种新型机器人--基于手脚融合功能的多足步行机器人的结构,并对该类机器人的正运动学问题进行了详细研究.对该类机器人的两种典型运动状态--行走和抓取状态的运动学关系进行了阐述.文中首先根据机器人结构的约束关系导出了机器人机体轨迹(质心)的表达式,再对具有抓取功能的串联机械手的正运动学关系进行研究后,获得了机器人在抓取物体时的运动学关系.文中对相关公式进行了推导,给出了表达式,最后以相关算例进行了说明.该研究结果对于加快该类机器人的实用进程有显著意义.     

基于PCA-改进算法BP神经网络的软测量技术

本文在利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并与主元分析相结合,形成了PCA-改进算法的BP神经网络.通过在塑料缠绕过程塑料张力预测中的仿真实验结果表明PCA-改进算法后的BP神经网络不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

六杆并联机构运动学正解研究及其在同步辐射光束线中的应用

从相关物理模型出发,以同步辐射光束线六杆并联机构的运动学反解为基础,采用信赖域法优化了非线性超越方程组,编制了相应的MATLAB程序,得到了机构的运动学正解。实例应用结果表明,信赖域法是解决运动学正解问题的有效途径,求解程序稳定可靠,运算速度快,误差小,线性精度达10^-12mm,转动精度达10^-15。采用差动螺旋的微动调节方式,即可使单色器箱体姿态的线性调节分辨达5μm,转角分辨达3″,完全满足实际工作的要求。     

基于神经网络的双足机器人逆运动学求解

运动学求解是双足机器人步态规划的基础。针对HIT—Ⅲ双足机器人实体,利用BP神经网络,求解了双足步行机器人逆运动学问题。为了满足机器人在线实时控制的要求及进一步提高运算精度,提出用迭代计算进行误差补偿的方法。计算结果表明,该法迭代次数少,计算精度高。