【技术实现步骤摘要】
本公开实施例涉及作业，尤其涉及一种基于物理信息神经网络的六自由度并联机构正解方法。
技术介绍
1、stewart六自由度并联平台因其承载能力强、相对刚度大、机构惯量小、位置精度高等优点，在工业、医疗等领域得到了广泛的研究与应用，如地震模拟振动台、飞行运动模拟器、医用机器人等。为了使动平台高精度复现期望响应，需要对平台的运动学进行研究，主要包括正向运动学与反向运动学，研究在机构的物理约束下，建立机构位姿与支杆伸长量的运动关系，便于系统自由度方向的期望信号与驱动机构的信号相互转换，因此建立精确的运动学正反解模型是并联平台进行工作空间分析和实现基本运动控制的基础。其中运动学反解问题有确切的数学解析表达式，能够求出一一对应的解析解。然而运动学正解求解十份复杂，如何在有限时间内求得满足实际条件的唯一解是实际控制中需要解决的关键问题。
2、常用的运动学正解算法主要有解析法、数值法、智能法等。其中解析法能够求得所有可能解，但推导繁琐，多用于理论分析，在实际中往往受到计算能力等多方面限制难以实时求解；数值法中的newton-raphson法是实际工程中最常用的求解正向运动学的方法，但若机构工作在严格工况下，动平台前一时刻的真实位姿可能与当前时刻的真实位姿相差较大，迭代初值的选取可能不合理，导致算法难以在有限时间收敛；考虑将智能法与数值法结合，通过智能搜索解决初值选取问题，降低了初值点对数值法的影响，但该方法进行的额外搜索增加了实时求解的难度；神经网络法不需要计算输入输出的复杂非线性关系式，利用网络的近似特性来拟合非线性的运动学正解关
3、stewart并联机构的运动学正解算法在实际应用中存在如下问题，一是由于机构特性，运动学正解方程为一组强耦合的非线性方程，在严格工况下难以保证求解的收敛性。二是控制系统中对实时计算的要求非常高，受到计算能力等方面的限制难以实时求解。三是在运用神经网络的算法中，忽略了平台自身的约束等信息，训练过程存在未知性，可靠性难以保证，且训练样本的获取往往未考虑动平台正常工作时的可达范围，导致样本中存在大量冗余数据。
4、可见，亟需一种实时性好、求解精度高和可靠性高的基于物理信息神经网络的六自由度并联机构正解方法。
技术实现思路
1、有鉴于此，本公开实施例提供一种基于物理信息神经网络的六自由度并联机构正解方法，至少部分解决现有技术中存在求解精度和可靠性较差的问题。
2、本公开实施例提供了一种基于物理信息神经网络的六自由度并联机构正解方法，包括：
3、步骤1，根据六自由度并联机构的结构参数建立运动学反解方程，构建物理信息；
4、步骤2，根据运动学正反解方程获取训练数据集，其中，所述训练数据集包括常规数据集、边界数据集和位姿单自由度数据集；
5、步骤3，将构建的物理信息引入神经网络，利用训练数据集训练物理信息神经网络；
6、步骤4，利用训练好的物理信息神经网络和newton-raphson法混合求解目标位姿。
7、根据本公开实施例的一种具体实现方式，所述步骤1具体包括：
8、在六自由度并联机构的动平台铰点分布圆所在平面构建动坐标系，在六自由度并联机构的静平台铰点分布圆所在平面构建静坐标系，并根据六自由度并联机构的结构参数计算初始时静平台与动平台各铰点中心点在自身平台坐标系下的坐标与，据此建立运动学反解方程。
9、根据本公开实施例的一种具体实现方式，所述运动学反解方程的表达式为
10、
11、其中，表示旋转矩阵，表示当前时刻动平台中心点在动坐标系的位置，表示初始时刻各支杆的长度。
12、根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
13、步骤2.1，根据六自由度并联机构的每个自由度运动范围内生成位姿数据，并结合所述运动学反解方程得到每个位姿数据对应的杆长数据，然后依据支杆的伸长量范围剔除六自由度并联机构的工作空间范围外的数据，形成常规数据集；
14、步骤2.2，通过newton-raphson法正解离线求得六自由度并联机构的每个支杆伸长量达到最大值或最小值时六自由度并联机构对应的位姿数据，形成边界数据集；
15、步骤2.3，获取每个位姿数据自由度单独输出时的位姿数据，并结合所述运动学反解方程得到每个位姿数据对应的杆长数据，形成位姿单自由度数据集；
16、步骤2.4，将常规数据集、边界数据集和位姿单自由度数据集形成训练数据集。
17、根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
18、步骤3.1，将训练数据集中六自由度并联机构的每个支杆伸长量输入物理信息神经网络，输出六个自由度的预测位姿并计算其与训练数据集中位姿数据的第一均方误差；
19、步骤3.2，将边界数据集中六自由度并联机构的每个支杆伸长量输入物理信息神经网络，输出六个自由度的预测位姿并计算其与训练数据集中位姿数据的第二均方误差；
20、步骤3.3，将物理信息神经网络输入的支杆伸长量与物理信息层输出的支杆伸长量的均方误差作为物理信息损失函数；
21、步骤3.4，根据第一均方误差、第二均方误差和物理信息损失函数得到总损失函数；
22、步骤3.5，重复步骤3.1至3.3，直至总损失函数小于损失阈值时停止训练，得到训练好的物理信息神经网络。
23、根据本公开实施例的一种具体实现方式，所述第一均方误差的表达式为
24、
25、其中k为训练样本的数量，与为真实值与预测值，为位姿的第个自由度，为不同的训练样本；
26、所述第二均方误差的表达式为
27、
28、其中与为边界点的真实值与预测值，表示位姿的第个自由度，表示不同的训练样本；
29、所述物理信息损失函数的表达式为
30、
31、其中，表示位姿u到第个杆长之间的转换关系；
32、所述总损失函数的表达式为
33、
34、其中，表示物理信息损失函数的权重，表示边界条件约束的权重。
35、根据本公开实施例的一种具体实现方式，所述步骤4具体包括：
36、利用训练好的物理信息神经网络和newton-raphson法混合求解六自由度并联机构的精确位姿，首先物理信息神经网络进行一步预测，其次newton-raphson法以物理信息神经网络的预测值为初始值进行迭代计算，并在每次迭代结束时判断本次迭代的预测位姿与上一次迭代的预测位姿之间的差值是否小于位姿阈值，以及，判断迭代时间是否大于阈值时间；
37、当本次迭代的位姿结果与上一次迭代的位姿结果本文档来自技高网...
【技术保护点】
1.一种基于物理信息神经网络的六自由度并联机构正解方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：
3.根据权利要求2所述的方法，其特征在于,所述运动学反解方程的表达式为
4.根据权利要求3所述的方法，其特征在于,所述步骤2具体包括：
5.根据权利要求4所述的方法，其特征在于,所述步骤3具体包括：
6.根据权利要求5所述的方法，其特征在于,所述第一均方误差的表达式为
7.根据权利要求6所述的方法，其特征在于,所述步骤4具体包括：
【技术特征摘要】
1.一种基于物理信息神经网络的六自由度并联机构正解方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：
3.根据权利要求2所述的方法，其特征在于,所述运动学反解方程的表达式为
4.根据权利要求3所述的...
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。