【技术实现步骤摘要】
一种基于长短期记忆神经网络增量模型的装配控制方法
本专利技术属于信息物理系统智能控制
,特别提出一种基于长短期记忆神经网络增量模型的装配控制方法。
技术介绍
六自由度工业机械手是可以在机械手运动范围内三个方向自由移动和转动且有六个运动自由度的机器人。因为可以完成重复度高的机械工作,用户界面友好,操作简易,支持编程与外部驱动,控制灵活,该类机器人在装配方面的应用与日俱增。装配线上六自由度工业机械手可以通过敏捷多样的传感器获知其控制参数,进而让装配工作速度稳定,定位准确且可预测。传统的虚拟装配主要通过虚拟样机技术建立可模拟实际物理样机行为的虚拟模型,并对待装配任务及相关工艺进行预装配仿真,用于检测待装配任务的可行性并评估装配工艺的性能,通过虚拟装配检测的任务再投入实际的装配产线。这种先仿真再装配的模式缺乏对虚拟装配过程合理有效的量化评价标准,且实际装配与虚拟装配之间不可避免的误差甚至导致实际装配并不可行。信息物理系统提供了一种新的虚拟装配模式,该系统集成了物理实体,相关虚拟装配模型。通过建模软件对装配线上的待装配产品和设备(包括装配机器人,固定基座,控制手柄等)实体建立虚拟模型并基于动力学原理对其运动位姿进行精准的控制,可以通过虚拟装配规划可行的装配方案,并通过虚实模型之间实时的精准映射使实际的装配满足虚拟装配的误差要求。虚拟模型通过精准而灵活的控制算法对实际生产线进行装配控制,同时接收实际产线的反馈信息对相关虚拟模型及控制算法进行调整。通过虚实装配环境的实时精准映射可以减小虚实装配之间的误差,进而使得实际装配顺利进行智能装配云平台系统采用了数字双胞胎的 ...
【技术保护点】
1.一种基于长短期记忆神经网络增量模型的装配控制方法,其特征在于,包括以下步骤:1)训练阶段;1‑1)选定训练待装配产品,对装配机器人、训练待装配产品以及训练装配任务分别进行建模,得到装配机器人、训练待装配产品及训练装配任务分别对应的虚拟模型;1‑2)基于步骤1‑1)的装配机器人、训练待装配产品及训练装配任务的虚拟模型,规划装配机器人对训练待装配产品执行训练装配任务的装配路径,得到装配机器人虚拟模型在执行训练装配任务的虚拟路径点p'0……p'n及每个虚拟路径点对应的装配机器人虚拟模型的控制输入θ0……θn,其中,θi为第i个虚拟路径点p′i对应的装配机器人虚拟模型各关节转角组成的向量,p'0表示虚拟路径的起点,同时也是装配机器人的实际起点p0;p'n表示虚拟路径的目标点;1‑3)构建基于长短期记忆神经网络增量模型并进行训练,得到机器人虚实映射逆运动学初始模型;具体步骤如下:1‑3‑1)构建基于长短期记忆神经网络增量模型,其中,模型的输入为装配机器人第i个实际路径点位置pi;模型的输出是第i个虚拟路径点p′i对应的装配机器人虚拟模型的关节转角向量的预测值
【技术特征摘要】
1.一种基于长短期记忆神经网络增量模型的装配控制方法,其特征在于,包括以下步骤:1)训练阶段;1-1)选定训练待装配产品,对装配机器人、训练待装配产品以及训练装配任务分别进行建模,得到装配机器人、训练待装配产品及训练装配任务分别对应的虚拟模型;1-2)基于步骤1-1)的装配机器人、训练待装配产品及训练装配任务的虚拟模型,规划装配机器人对训练待装配产品执行训练装配任务的装配路径,得到装配机器人虚拟模型在执行训练装配任务的虚拟路径点p'0……p'n及每个虚拟路径点对应的装配机器人虚拟模型的控制输入θ0……θn,其中,θi为第i个虚拟路径点p′i对应的装配机器人虚拟模型各关节转角组成的向量,p'0表示虚拟路径的起点,同时也是装配机器人的实际起点p0;p'n表示虚拟路径的目标点;1-3)构建基于长短期记忆神经网络增量模型并进行训练,得到机器人虚实映射逆运动学初始模型;具体步骤如下:1-3-1)构建基于长短期记忆神经网络增量模型,其中,模型的输入为装配机器人第i个实际路径点位置pi;模型的输出是第i个虚拟路径点p′i对应的装配机器人虚拟模型的关节转角向量的预测值1-3-2)令初始时刻,装配机器人虚拟模型的控制输入为θ0,装配机器人虚拟模型到达虚拟路径起点p'0,同时装配机器人处于实际路径的起点p0,分别采集此时的(p0,θ0)作为实际路径点p0对应的训练样本;1-3-3)令i=1;1-3-4)在第i-1个虚拟路径点p′i-1,将控制输入θi同时发送给装配机器人虚拟模型和装配机器人,虚拟模型和装配机器人分别进行相应的运动,虚拟模型到达p′i,装配机器人的实际输入为θ′i,实际到达pi,得到实际路径点pi对应的训练样本(pi,θi);1-3-5)令i=i+1,然后重新返回步骤1-3-4),直至装配机器人虚拟模型按照步骤1-2)规划的路径点持续进行运动至p'n,此时装配机器人运动至训练装配任务的目标点pn,得到每个实际路径点对应的训练样本组成训练样本集{(p0,θ0)……(pn,θn)};1-3-6)利用训练样本集{(p0,θ0)……(pn,θn)}训练...
【专利技术属性】
技术研发人员:张和明,刘文正,陈佳宁,
申请(专利权)人:清华大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。