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

本发明专利技术提出一种基于长短期记忆神经网络增量模型的控制方法，属于信息物理系统智能控制技术领域。该方法通过建模软件对装配线上的待装配产品装配机器人和装配任务实体建立虚拟模型，并基于动力学原理对装配机器人运动位姿进行精准的控制，通过虚拟装配规划可行的装配方案，实现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，以维护虚拟模型与设备实体在运动过程中的时空一致性。本发明专利技术可提高虚拟装配结果的准确性，确保实际装配顺利完成。

An Assembly Control Method Based on Long-term and Short-term Memory Neural Network Incremental Model

【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思路，将计算过程与物理过程融合以维护虚拟模型与设备实体在运动过程中的时空一致性。智能装配虚实融合系统集成智能控制算法对装配线上的六关节机械臂位姿进行精确匹配与控制，提高未知装配任务执行的灵活度，降低六关节机械臂在运功过程中位姿参数控制的绝对不精确性是必要的，而现有六关节机器人固有的相对定位误差较低也使得这项工作是可行的。基于动力学原理的白盒模型应用仅限于离线地控制六自由度机械臂的运动控制。将六自由度关节型机器人用于装配，并实现虚实装配过程中的精准控制，可以根据利用基于动力学原理的白盒模型在线仿真控制虚拟模型和物理实体的运动，但是时延、物理实体运动惰性等仍然会导致虚拟模型和物理实体之间运动状态误差的存在。利用传统的牛顿迭代等优化方法需要在虚实环境之间多次传输，难以精确表示实体控制信息与虚拟模型的位姿信息映射函数并减少时延导致的误差；另一类方法利用基于多层感知机神经网络的黑盒模型对物理实体和虚拟模型的运动进行控制，只考虑六关节机器人的控制变量对输出位姿的函数关系，忽略了机械臂在运动过程中轨迹点之间的时序连续性，也即历史位姿输出对当前位姿输出的影响，且应用只限于离线机械臂的控制变量与其末端输出位姿之间的函数关系进行拟合，因而控制模型精度有限，往往不能满足虚实模型实时映射的需要。
技术实现思路
本专利技术的目的是克服现有的基于动力学原理白盒模型在线仿真控制虚拟模型和物理实体的运动时延大、精度低与基于多层感知机神经网络的黑盒模型对物理实体和虚拟模型的运动进行控制精度低的不足，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。本专利技术可实现信息物理系统中六关节机器人的虚实模型精确且实时地同步运动，提高虚拟装配结果的准确性，确保实际装配顺利完成。本专利技术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，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)}训练步骤1-3-1)建立的基于长短期记忆神经网络增量模型，直至模型收敛，得到机器人虚实映射逆运动学初始模型；2)装配阶段；2-1)选取实际装配产品及对应的实际装配任务(实际装配产品无特殊要求，满足这机器人的负载重要求即可，实际装配产品可与训练装配产品不同，，本实施例中实际装配产品具体为仪器舱及其中的配件，实际装配任务为将配件放入仪器舱，实际装配任务中装配工作空间在装配机器人的工作半径以内即可)；2-2)建立步骤2-1)选取的实际装配产品和实际装配任务分别对应的虚拟模型，装配机器人虚拟模型为步骤1-1)建立的装配机器人虚拟模型；2-3)基于装配机器人、实际装配产品和实际装配任务的虚拟模型，重复步骤1-2)，得到装配机器人虚拟模型执行实际装配任务对应的虚拟路径系列点(p'a0，……，p'am)，其中下标a表示实际装配任务，p′ai表示装配机器人虚拟模型执行实际装配任务a对应的第i-1个路径点；2-4)将步骤1-3-4)得到的初始模型作为当前模型；2-5)将步骤2-3)得到的路径规划结果(p'a0，……，p'am)输入当前模型，得到装配机器人虚拟模型在各个虚拟路径点对应的控制输入(θa0，……，θam)；2-6)令装配机器人虚拟模型的控制输入为θa0，装配机器人虚拟模型到达p'a0，同时装配机器人处于实际装配任务的实际路径起点pa0，pa0与p'a0为同一个点；2-7)令i＝1；2-8)在第i-1个虚拟路径点p′ai-1，将控制输入θai同时发送给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'ai，装配机器人的实际输入为θ'ai，实际到达pai；2-9)比较本文档来自技高网...

【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