机械臂结构轻量化设计的优化方法、装置及设备制造方法及图纸

本申请属于机器人领域，提出了一种机械臂结构轻量化设计的优化方法、装置及设备。该方法包括：根据需要优化的尺寸参数建立参数化的有限元模型；根据预先获取的尺寸参数和所述有限元模型得到样本数据集；根据所述样本数据集对所述神经网络模型进行训练；通过预设的全局优化算法，以总质量最小为目标函数，对所述机械臂的尺寸参数进行寻优；根据已训练的神经网络模型计算寻优得到的尺寸参数对应的变形量，根据所述变形量确定所述机械臂结构轻量化设计的优化参数。本申请通过神经网络模型快速的进行变形量计算，可以获得更为充分的迭代，降低计算复杂度，减少计算耗费的时间，提高优化效率。

【技术实现步骤摘要】
机械臂结构轻量化设计的优化方法、装置及设备
本申请属于机器人领域，尤其涉及机械臂结构轻量化设计的优化方法、装置及设备。
技术介绍
对用于人机协作的机器人的机械臂，对安全性和操作性的需求较高。通过减小对机械臂结构进行轻量化设计，可以减小机器人重量，减小力矩需求，降低能耗，提高运动速度和稳定性，降低碰撞带来的风险，提升安全性。结构优化设计是减重的主要途径之一。在概念设计阶段，可以根据实际制造工艺进行拓扑和形状优化。在详细设计阶段，由于加工和装配的确定，只能进行尺寸优化，保证最终的最优化设计。机械臂结构轻量化的尺寸优化设计方法本身原理较为简单，采用迭代的方法，逐步选择最优的参数取值即可。但是，在详细设计阶段，机械臂结构较为复杂。为了保证有限元分析的精度，计算复杂度较高，多次迭代计算耗时过长。在针对整个机械臂进行优化时，关键参数较多，进一步增加了优化所需要的迭代次数，计算复杂度增加，需要耗费大量的时间，优化效率不高。
技术实现思路
有鉴于此，本申请实施例提供了一种机械臂结构轻量化设计的优化方法、装置及设备，以解决现有技术中对机械臂结构的轻量化设计时，迭代次数多，计算复杂度高，需要耗费大量的时间，优化效率不高的问题。本申请实施例的第一方面提供了一种机械臂结构轻量化设计的优化方法，所述方法包括：根据需要优化的尺寸参数建立参数化的有限元模型；将预先获取的尺寸参数输入到所述有限元模型，输出所述尺寸参数对应的变形量，根据多个尺寸参数和多个对应的变形量得到样本数据集；根据所述样本数据集中的尺寸参数作为神经网络模型的输入，将所述数据集中与输入的尺寸参数对应的变形量作为所述神经网络模型的输出，对所述神经网络模型进行训练；通过预设的全局优化算法，以总质量最小为目标函数，对所述机械臂的尺寸参数进行寻优；根据已训练的神经网络模型计算寻优得到的尺寸参数对应的变形量，根据所述变形量确定所述机械臂结构轻量化设计的优化参数。结合第一方面，在第一方面的第一种可能实现方式中，在将预先获取的尺寸参数输入到所述有限元模型，输出所述尺寸参数对应的变形量之前，所述方法还包括：设定不同的尺寸参数与网格划分方法、有限元模型参数的对应关系；将预先获取的尺寸参数输入到所述有限元模型，输出所述尺寸参数对应的变形量，包括：根据预先设定的尺寸参数与有限元模型参数的对应关系，更新所述有限元模型中的几何模型；根据预先设定的网格划分方法对所述几何模型进行网格划分；根据所划分的网格计算尺寸参数对应的变形量。结合第一方面，在第一方面的第二种可能实现方式中，所述神经网络包括输入层、输出层和隐含层，所述输入层的神经元个数与所述尺寸参数的个数相同，所述输出层的个数与所述变形量的个数相同，所述层的神经元个数为输入层的神经元个数的预定倍数。结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述隐含层通过加常数偏移的Sigmoid函数作为激活函数；或者，所述输出层采用常住偏移的线性相加方法进行计算，或者，所述隐含层通过莱文贝格－马夸特方法拟合隐含层中的权重系数和偏移量。结合第一方面，在第一方面的第四种可能实现方式中，所述样本数据集包括第一子集和第二子集，根据所述样本数据集中的尺寸参数作为神经网络模型的输入，将所述数据集中与输入的尺寸参数对应的变形量作为所述神经网络模型的输出，对所述神经网络模型进行训练，包括：将所述第一子集中的尺寸参数作为神经网络模型的输入，将所述第一子集中与输入的尺寸参数对应的变形量作为所述神经网络模型的输出，对所述神经网络模型进行训练；通过第二子集检测训练过的所述神经网络模型是否符合预设的要求。结合第一方面，在第一方面的第五种可能实现方式中，输入到所述有限元模型中的尺寸参数通过随机算法生成。结合第一方面，在第一方面的第六种可能实现方式中，寻优得到的尺寸参数包括多个，根据已训练的神经网络模型计算寻优得到的尺寸参数对应的变形量，根据所述变形量确定所述机械臂结构轻量化设计的优化参数，包括：根据已训练的神经网络模型计算寻优得到的尺寸参数对应的变形量；选择尺寸参数的变形量满足预设的变形要求，且对应的总质量最小的尺寸，作为所述机械臂结构轻量化设计的优化参数。本申请实施例的第二方面提供了一种机械臂结构轻量化设计的优化装置，所述装置包括：有限元模型建立单元，用于根据需要优化的尺寸参数建立参数化的有限元模型；第一变形量计算单元，用于将预先获取的尺寸参数输入到所述有限元模型，输出所述尺寸参数对应的变形量，根据多个尺寸参数和多个对应的变形量得到样本数据集；神经网络模型训练单元，用于根据所述样本数据集中的尺寸参数作为神经网络模型的输入，将所述数据集中与输入的尺寸参数对应的变形量作为所述神经网络模型的输出，对所述神经网络模型进行训练；寻优单元，用于通过预设的全局优化算法，以总质量最小为目标函数，对所述机械臂的尺寸参数进行寻优；优化参数确定单元，用于根据已训练的神经网络模型计算寻优得到的尺寸参数对应的变形量，根据所述变形量确定所述机械臂结构轻量化设计的优化参数。本申请实施例的第三方面提供了一种机械臂结构轻量化设计的优化设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述方法的步骤。本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述方法的步骤。本申请实施例与现有技术相比存在的有益效果是：本申请通过有限元模型计算得到样本数据集，通过样本数据集对神经网络模型进行训练，当通过全局优化算法寻优得到较佳的尺寸参数时，可以通过已训练的神经网络模型，快速高效的计算所寻优得到的尺寸参数对应的变形量，通过已训练的神经网络模型的计算，可以获得更为充分的迭代，降低计算复杂度，减少计算耗费的时间，提高优化效率。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的一种机械臂结构轻量化设计的优化方法的实现流程示意图；图2是本申请实施例提供的一种机械臂结构示意图；图3是本申请实施例提供的机械臂处于变形量较大的工况下的示意图；图4是本申请实施例提供的验证结果分布示意图；图5为本申请实施例提供的对比实验中的优化的尺寸参数对比示意图；图6为本申请实施例提供的对比实验的优化结果对比示意图；图7是本申请实施例提供的一种机械臂结构轻量化设计的优化装置的示意图；图8是本申请实施例提供的一种机械臂结构轻量化本文档来自技高网...

【技术保护点】
1.一种机械臂结构轻量化设计的优化方法，其特征在于，所述方法包括：/n根据需要优化的尺寸参数建立参数化的有限元模型；/n将预先获取的尺寸参数输入到所述有限元模型，输出所述尺寸参数对应的变形量，根据多个尺寸参数和多个对应的变形量得到样本数据集；/n根据所述样本数据集中的尺寸参数作为神经网络模型的输入，将所述数据集中与输入的尺寸参数对应的变形量作为所述神经网络模型的输出，对所述神经网络模型进行训练；/n通过预设的全局优化算法，以总质量最小为目标函数，对所述机械臂的尺寸参数进行寻优；/n根据已训练的神经网络模型计算寻优得到的尺寸参数对应的变形量，根据所述变形量确定所述机械臂结构轻量化设计的优化参数。/n

【技术特征摘要】
1.一种机械臂结构轻量化设计的优化方法，其特征在于，所述方法包括：
根据需要优化的尺寸参数建立参数化的有限元模型；
将预先获取的尺寸参数输入到所述有限元模型，输出所述尺寸参数对应的变形量，根据多个尺寸参数和多个对应的变形量得到样本数据集；
根据所述样本数据集中的尺寸参数作为神经网络模型的输入，将所述数据集中与输入的尺寸参数对应的变形量作为所述神经网络模型的输出，对所述神经网络模型进行训练；
通过预设的全局优化算法，以总质量最小为目标函数，对所述机械臂的尺寸参数进行寻优；
根据已训练的神经网络模型计算寻优得到的尺寸参数对应的变形量，根据所述变形量确定所述机械臂结构轻量化设计的优化参数。


2.根据权利要求1所述的方法，其特征在于，在将预先获取的尺寸参数输入到所述有限元模型，输出所述尺寸参数对应的变形量之前，所述方法还包括：
设定不同的尺寸参数与网格划分方法、有限元模型参数的对应关系；
将预先获取的尺寸参数输入到所述有限元模型，输出所述尺寸参数对应的变形量，包括：
根据预先设定的尺寸参数与有限元模型参数的对应关系，更新所述有限元模型中的几何模型；
根据预先设定的网格划分方法对所述几何模型进行网格划分；
根据所划分的网格计算尺寸参数对应的变形量。


3.根据权利要求1所述的方法，其特征在于，所述神经网络包括输入层、输出层和隐含层，所述输入层的神经元个数与所述尺寸参数的个数相同，所述输出层的个数与所述变形量的个数相同，所述层的神经元个数为输入层的神经元个数的预定倍数。


4.根据权利要求3所述的方法，其特征在于，所述隐含层通过加常数偏移的Sigmoid函数作为激活函数；
和/或，所述输出层采用常住偏移的线性相加方法进行计算，
和/或，所述隐含层通过莱文贝格－马夸特方法拟合隐含层中的权重系数和偏移量。


5.根据权利要求1所述的方法，其特征在于，所述样本数据集包括第一子集和第二子集，根据所述样本数据集中的尺寸参数作为神经网络模型的输入，将所述数据集中与输入的尺寸参数对应的变形量作为所述神经网络模型的输出，对所述神经网络模型进行训...

【专利技术属性】
技术研发人员：李景辰，丁宏钰，范文华，
申请(专利权)人：深圳市优必选科技股份有限公司，
类型：发明
国别省市：广东;44