基于HWOA-ELM的机械臂末端夹持的误差偏角识别方法技术

一种基于HWOA

【技术实现步骤摘要】
基于HWOA
‑
ELM的机械臂末端夹持的误差偏角识别方法


[0001]本专利技术属于机器学习和模式识别领域，适用于零件装配时的机械 臂末端夹持误差偏角识别的领域。具体地说，涉及一种基于混合多策 略鲸鱼优化算法(Hybrid Multi
‑
strategy Whale Optimization Algorithm, 以下简称HWOA)和极限学习机(Extreme Learning Machine,以下简称 ELM)的误差偏角识别方法。

技术介绍

[0002]零件装配在工业领域中应用十分广泛，传统的手工零件装配耗费了 大量的人力和物力，零件装配的成功极大依赖装配操作人员的技术。 工业生产亟需向自动化和智能化转变，利用工业机器人装配替代传统 手工装配已经逐渐成为装配自动化和智能化的趋势。工业机器人装配 能大大降低人力消耗，提高劳动生产力，以及促进新兴产业的发展， 从而提高社会经济效益和推动科技进步。机器人通常是利用位置信息 控制机械臂末端执行装配动作，但是零件装配时往往因为机械臂末端 夹持存在角度偏差导致无法成功装配。对机械臂末端夹持的误差偏角 分析有助于正确感知零件装配过程中的姿态，从而引导机械臂对姿态 错误的零件进行装配动作的调整。零件的误差偏角可以通过对装配时 力传感器收集到的力和力矩信号分析得到。机械臂末端夹持的误差偏 角识别方法能提高工业机器人的装配成功率，因此有必要进行研究。
[0003]机器学习是一门多领域交叉的学科，它能使机器人通过技能学习， 获取新的知识或技能来指导装配动作。误差偏角的识别主要基于机器 学习中的分类算法，利用分类算法分析力和力矩信号来预测零件与机 械臂末端的误差偏角。现有的一些简单的机器学习算法如决策树、K 近邻算法、支持向量机、神经网络，已经能够根据力信号预测所属的 偏角类别。然而由于不同偏角类别的力信号变化很小，导致这些算法 的分类精度低，无法很好地应用于实际的装配任务。
[0004]因此，设计一种面向机械臂末端与夹持零件的误差偏角识别方法， 对工业机器人零件装配领域的研究是有必要的。

技术实现思路

[0005]为了克服现有分类算法对零件装配过程中机械臂末端与所夹持 零件偏角识别精度低的问题，本专利技术提供一种偏角识别精度较高的基 于HWOA
‑
ELM的机械臂末端夹持的误差偏角识别方法。
[0006]为了实现上述目的，本专利技术提供了如下技术方案：
[0007]一种基于HWOA
‑
ELM的机械臂末端夹持的误差偏角识别方法， 包括下列步骤：
[0008]步骤1：通过机械臂夹持零件，固定零件为竖直方向，利用末端 位置信号改变偏角大小，再进行装配，采集不同误差偏角对应的力数 据信号F＝{F
xi
,F
yi
,F
zi
,M
xi
,M
yi
,M
zi
}，其中F
xi
,F
yi
,F
zi
表示在x,y,z方向上的 力，M
xi
,M
yi
,M
zi
表示沿x,y,z的力矩，将力数据信号F和对应偏角的编 号Y组成误差偏角数据集，再进一步细分为训练集{F1,Y1}和测试集 {F2,
Y2}；
[0009]步骤2：进行参数的初始化设置，包括ELM的隐藏层神经元数 N，输入权重ω
k
和输入层到隐藏层偏置b
k
的搜索范围[ω
max
,ω
min
]、[b
max
, b
min
]，HWOA的种群个体数M,迭代次数为t,最大迭代次数为t
max
；
[0010]步骤3：利用逻辑映射策略生成ELM的初始参数种群个体h
k,j
， 其中j＝1或2，h
k,1
＝ω
k
,h
k,2
＝b
k
，k表示参数种群的当前个体，则经过 逻辑映射后的参数的种群个体表示为：
[0011][0012][0013]式中，r1、r2、r
k
‑1均为0到1的随机数；
[0014]步骤4：引入对立的学习策略优化逻辑映射的ELM初始参数个 体表示为：
[0015]H
k,j
＝h
max,j
+h
min,j
‑
h
k,j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0016][0017]式中，H
k,j
为对立个体；当j＝1时，h
max,j
和h
min,j
为ω
max
和ω
min
，当 j＝2时，h
max,j
和h
min,j
为b
max
和b
min
；V(H
k,j
)和V(h
k,j
)为适应度函数，作为 评价参数个体的优劣；
[0018]步骤5：通过小波变异策略对适应度值低于平均适应度的参数个 体进行进一步的优化，则最终参数个体的数学模型表示为：
[0019][0020]式中，小波函数值θ和θ的中间变量d表示为：
[0021][0022][0023]式中，o为(
‑
2.5d,2.5d)间的随机数；g＝10000；t和t
m
分别表示 当前迭代次数和最大迭代次数；
[0024]步骤6：利用WOA寻找最终参数个体中的最佳候选解，设定概 率p是在[0,1]内的随机值，系数B表达为：
[0025]B＝(2
‑
2t/t
m
)
·
G
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0026]其中G表示(0,1)上的随机数，则WOA根据概率p和系数B更 新的种群个体h
j
(t+1)为：
[0027][0028][0029]式中，j＝1，j＝2分别表示对应ω和b；O表示(0,2)范围内的随机 值；c为螺旋系数，通常为1；h
jf
(t)和h
jm
(t)分别为迭代到t次的随机 个体和最优个体；
[0030]步骤7：通过增加高斯扰动来优化种群更新的个体，则种群更新 个体被优化为：
[0031][0032]式中，η是(0,1)中的随机值；gussa
t
(μ,σ2)是t次迭代后的高斯扰 动项，服从(μ,σ2)的高斯分布；μ取0，σ的大小等同于h
jm
(t)；
[0033]步骤8：计算种群本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于HWOA
‑
ELM的机械臂末端夹持的误差偏角识别方法，其特征在于，所述方法包括下列步骤：步骤1：通过机械臂夹持零件，固定零件为竖直方向，利用末端位置信号改变偏角大小，再进行装配，采集不同误差偏角对应的力数据信号F＝{F
xi
,F
yi
,F
zi
,M
xi
,M
yi
,M
zi
}，其中F
xi
,F
yi
,F
zi
表示在x,y,z方向上的力，M
xi
,M
yi
,M
zi
表示沿x,y,z的力矩，将力数据信号F和对应偏角的编号Y组成误差偏角数据集，再进一步细分为训练集{F1,Y1}和测试集{F2,Y2}；步骤2：进行参数的初始化设置，包括ELM的隐藏层神经元数N，输入权重ω
k
和输入层到隐藏层偏置b
k
的搜索范围[ω
max
,ω
min
]、[b
max
,b
min
]，HWOA的种群个体数M，迭代次数为t,最大迭代次数为t
max
；步骤3：利用逻辑映射策略生成ELM的初始参数种群个体h
k,j
，其中j＝1或2，h
k,1
＝ω
k
,h
k,2
＝b
k
，k表示参数种群的当前个体，则经过逻辑映射后的参数的种群个体表示为：参数种群的当前个体，则经过逻辑映射后的参数的种群个体表示为：式中，r1、r2、r
k
‑1均为0到1的随机数；步骤4：引入对立的学习策略优化逻辑映射的ELM初始参数个体表示为：H
k,j
＝h
max,j
+h
min,j
‑
h
k,j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，H
k,j
为对立个体；当j＝1时，h
max,j
和h
min,j
为ω
ma...

【专利技术属性】
技术研发人员：张立彬，支乐威，陈教料，阮贵航，胥芳，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：