【技术实现步骤摘要】
本专利技术属于机械臂精度控制，涉及一种基于改进rbf神经网络的机械臂误差补偿方法。
技术介绍
1、在现在的加工制造行业，比如装配、搬运、喷涂还有焊接，工业自动化的要求不断提高，作业复杂性和精度要求不断增加，但是由于机器人本体设计制造装配精度限制，导致绝对定位精度难以满足高精度的作业需求，机器人的实际精度水平与运用需求之间还存在差距。因此，研究机械臂定位误差补偿有重要意义。但是，机械臂定位误差补偿需要对运动学模型几何误差和非线性不确定的非几何误差进行补偿，传统的机械臂定位误差补偿方法都是利用激光跟踪仪或者机器视觉等技术采集机械臂误差数据集对运动学模型几何误差进行修正，这些补偿方法存在误差补偿精度低，自适应和鲁棒性能不足的缺点，尤其在面对小规模采集的误差数据或者误差样本分布不均匀的情况下，往往不能获得很好的补偿效果。因此，如果能够同时对机械臂运动学模型几何误差和非线性不确定的非几何误差进行补偿，且采用自适应能力强的补偿算法，设计一种联合补偿、自适应误差预测的参数辨识与误差补偿算法，对于实际机械臂的工作能力提升有很大的意义。
2、rbf神经网络是一种前馈神经网络，具有自主学习和良好逼近非线性系统能力且实时性能强、训练速度快，也可以和粒子群算法等智能参数优化算法结合起来以进一步提高其网络性能。rbf神经网络特点在于用高斯核函数作为基函数将输入的低维矢量直接映射到高维隐空间，无需通过权连接，大大加快学习速度避免了bp神经网络局部极值、过拟合的问题，比较适合拟合和预测机械臂非线性的非几何误差的。
技术
1、为了解决现有技术中存在的上述技术问题，本专利技术提出了一种基于改进rbf神经网络的机械臂误差补偿方法，其最大的特征和创新点在于建立指数积模型进行几何误差辨识，改进rbf神经网络算法进行非几何误差辨识，即针对机械臂运动学参数几何误差和非几何误差分别设计辨识补偿算法，进行联合误差补偿，通过综合补偿来提升机械臂绝对定位精度，其具体技术方案如下：
2、一种基于改进rbf神经网络的机械臂误差补偿方法，包括以下步骤：
3、步骤一，采用李群李代数建立机械臂指数积运动学模型；
4、步骤二，对机械臂指数积运动学模型几何误差进行补偿：首先基于空间坐标做降维预处理来进行机械臂关节旋转偏差辨识，然后建立几何误差补偿目标函数并确定约束条件，后通过序列二次规划算法进行转化求解得到几何误差补偿数据；
5、步骤三，基于粒子群优化的rbf神经网络对机械臂指数积运动学模型非几何误差进行自适应补偿：首先基于rbf神经网络结构建立非几何误差补偿模型，然后基于粒子群算法对非几何误差补偿模型参数进行寻优，后对非几何误差补偿模型进行训练，输出非几何误差补偿数据；
6、步骤四，结合步骤二求解得到的几何误差补偿数据和步骤三输出的非几何误差补偿数据，对机械臂进行联合误差补偿。
7、进一步的，所述机械臂基坐标到末端工具坐标转换矩阵的表达式为：
8、
9、公式(1)中，n代表机械臂关节数，i∈n，则θi代表关节i旋转角度；代表机械臂基坐标到末端工具坐标转换矩阵；代表i关节角度θi＝0时，关节i相对于关节i-1的转换矩阵，即初始位姿转换矩阵；m表示机器人各个关节处于零位时机器人基坐标到末端工具坐标的变换矩阵；代表关节i的单位方向轴线，具体展开可表示为：
10、
11、公式(2)中是关节轴回转运动正向的单位向量，是wi的向量点积；是关节轴平移运动正向的单位向量。
12、进一步的，所述步骤二中的建立几何误差补偿目标函数并确定约束条件，后通过序列二次规划算法进行转化求解得到几何误差补偿数据，具体表达式如下：
13、
14、min:f(x) (4)
15、
16、ci(x)＝0,i∈ε (5)
17、
18、
19、其中，公式(3)代表采集点位的总体待求解几何误差补偿目标函数，δl和δθ分别是杆长误差、关节角零位偏差的补偿值；函数f是机器人基坐标到末端工具坐标转换矩阵项，pmj是转换到机械臂坐标系下的采用激光跟踪仪得到的机械臂末端靶点的坐标；e代表几何误差补偿采集点位的数量；公式(4)代表几何误差补偿目标函数优化目标，其中变量x代表杆长误差、关节角零位偏差的补偿值δl和δθ；公式(5)和(6)是等式与不等式约束条件，ci(x)是约束条件；
20、
21、
22、
23、公式(7)代表通过序列二次规划算法进行转化后的误差函数求解公式，其中xk代表当前优化变量的取值；d表示序列二次规划算法搜索方向或者更新方向的向量；代表拉格朗日函数；公式(8)和(9)是转化后的等式与不等式约束条件，其中p代表拉格朗日乘子向量。
24、进一步的，所述的基于rbf神经网络结构建立的非几何误差补偿模型表示为：
25、
26、公式(10)中，h代表网络模型隐藏层节点数；n代表非几何误差数据样本数；βi＝[βix，βiy，βiz]代表输入和输出层之间的权值；ci和σi是径向基函数的中心和宽度；g是sigmoid激活函数；θi＝[θi1，θi2，...，θin]t代表关节位姿的实际测量角度值，n代表机械臂关节数，θin表示第i组非几何误差数据样本中n关节位姿的实际测量角度值；yj＝[yjx，yjy，yjz]代表笛卡尔坐标系下的非几何误差补偿数据输出。
27、进一步的，所述非几何误差补偿模型进行训练的收敛目标表达式为：
28、minl(φ，β)＝minφij，β|h(c1，...，ch，σ1，...，σh，θ1，...，θn)β-p| (11)
29、
30、公式(11)中，l(φ，β)是模型损失函数，min表示模型优化目标，φ代表高斯核函数的参数，参数由ci和σi组成；h代表隐藏层输出矩阵；p代表几何参数修正后剩余的非几何误差即模型期望输出。
31、进一步的，所述的基于粒子群算法对非几何误差补偿模型网络参数进行寻优的迭代公式表达为：
32、
33、
34、公式(12)和(13)中，oi＝[oi1，oi2，...，oid]t代表一个种群，求解种类规模为d；pi＝[pi1，pi2，...，pid]t代表pbest，是群体全局最优粒子，pg＝[pg1，pg2，...，pgd]t代表gbest，是个体最优粒子；vi＝[vi1，vi2，...，vid]t代表粒子更新速度；a1和a2代表加速度因子，a1调节粒子向着自身的最优位置进化，a2引导粒子逐步靠近群体最优；下标i代表粒子编号，上标k代表迭代次数；r1和r2为随机数；ω代表惯性权重，具体展开可表示成如下：
35、
36、其中，ωmax和ωmin是惯性权重的最大值与本文档来自技高网...
【技术保护点】
1.一种基于改进RBF神经网络的机械臂误差补偿方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于改进RBF神经网络的机械臂误差补偿方法，其特征在于，所述机械臂基坐标到末端工具坐标转换矩阵的表达式为：
3.如权利要求2所述的一种基于改进RBF神经网络的机械臂误差补偿方法，其特征在于，所述步骤二中的建立几何误差补偿目标函数并确定约束条件，后通过序列二次规划算法进行转化求解得到几何误差补偿数据，具体表达式如下：
4.如权利要求1所述的一种基于改进RBF神经网络的机械臂误差补偿方法，其特征在于，所述的基于RBF神经网络结构建立的非几何误差补偿模型表示为：
5.如权利要求4所述的一种基于改进RBF神经网络的机械臂误差补偿方法，其特征在于，所述非几何误差补偿模型进行训练的收敛目标表达式为：
6.如权利要求4所述的一种基于改进RBF神经网络的机械臂误差补偿方法，其特征在于，所述的基于粒子群算法对非几何误差补偿模型网络参数进行寻优的迭代公式表达为：
7.如权利要求6所述的一种基于改进RBF神经网络的机械臂误差补
...【技术特征摘要】
1.一种基于改进rbf神经网络的机械臂误差补偿方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于改进rbf神经网络的机械臂误差补偿方法，其特征在于，所述机械臂基坐标到末端工具坐标转换矩阵的表达式为：
3.如权利要求2所述的一种基于改进rbf神经网络的机械臂误差补偿方法，其特征在于，所述步骤二中的建立几何误差补偿目标函数并确定约束条件，后通过序列二次规划算法进行转化求解得到几何误差补偿数据，具体表达式如下：
4.如权利要求1所述的一种基于改进rbf神经网络的机械臂误差补偿方法，其特征在于，所述的基于rbf神经...
【专利技术属性】
技术研发人员：王进，朱俊杰，郑雯欣，李小飞，张海运，方梓仰，陆国栋，
申请(专利权)人：余姚市机器人研究中心，
类型：发明
国别省市：
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。