機械臂畢業(yè)論文參考范文(2)
機械臂畢業(yè)論文參考范文篇3
試談基于徑向基函數(shù)神經(jīng)網(wǎng)絡的機械臂路徑規(guī)劃設計
1 引言
在現(xiàn)代機械制造領域中，隨著工廠機械制造機器人的普及，機械臂已經(jīng)變得越來越重要。與傳統(tǒng)的工業(yè)機械臂相比，未來的機械臂要能夠完成更加復雜的機械加工任務。在實際的機械制造機器人應用中，衡量機械臂的工作性能主要是工作效率和工作可靠性指標。
機械臂是一個開鏈式的多連桿機構，用固定基座來進行固定，機械臂可以根據(jù)需要在自由端安裝執(zhí)行器來實現(xiàn)工廠生產(chǎn)操作，關節(jié)之間的運動可以帶動連桿運動，使得機械臂運動來達到不同的姿態(tài)。本文主要針對這個問題展開研究，探討機械臂的路徑規(guī)劃問題。
2 徑向基函數(shù)神經(jīng)網(wǎng)絡介紹
神經(jīng)網(wǎng)絡具有分布式存儲、并行協(xié)同處理和對信息具有自組織自學習等優(yōu)點，所以廣泛應用在人工智能方面。神經(jīng)網(wǎng)絡的大量神經(jīng)元之間的連接權值和分布分別代表著特定的信息，當網(wǎng)絡受損時可以保證網(wǎng)絡的輸出正確，這種信息處理方式大大提高了網(wǎng)絡的容錯性和魯棒性。
徑向基函數(shù)神經(jīng)網(wǎng)絡是基于函數(shù)逼近理論的，是根據(jù)系統(tǒng)的海量樣本數(shù)據(jù)來選擇隱含層神經(jīng)元的徑向基激活函數(shù)，可以用基函數(shù)來表示，能夠無限的逼近真實的算法表達，它選擇合理的隱含層單元個數(shù)和作用函數(shù)，能夠把原來的非線性不可分問題映射成線性可分問題，把不好處理的非線性問題方便的簡化為線性問題。徑向基函數(shù)神經(jīng)網(wǎng)絡在訓練時，在給定訓練樣本后學習算法要解決的核心問題是：設計神經(jīng)網(wǎng)絡的網(wǎng)絡結構和求解相關的參數(shù)。網(wǎng)絡結構設計主要包括網(wǎng)絡的輸入、網(wǎng)絡的輸出個數(shù)，隱含層節(jié)點數(shù)目。相關的參數(shù)主要包括涉及的參數(shù)有徑向基函數(shù)的中心值、以及函數(shù)寬度和權值。
徑向基函數(shù)神經(jīng)網(wǎng)絡屬于一種性能較優(yōu)的前饋型神經(jīng)網(wǎng)絡，它具有多維度非線性的映射能力和并行信息處理的能力，以及強大的聚類分析能力。與BP神經(jīng)網(wǎng)絡相比，徑向基函數(shù)神經(jīng)網(wǎng)絡的網(wǎng)絡拓撲結構采用的是徑向對稱的核函數(shù)，這樣可以大幅提高神經(jīng)網(wǎng)絡的學習速度，同時能夠避免陷入局部極小，具有較好的全局尋優(yōu)能力，同時也具有較好的逼近任意非線性映射能力。
3 機械臂路徑規(guī)劃設計
機械臂軌跡規(guī)劃主要研究的是機械臂在多維空間中的運動路線，即給定一個初始狀態(tài)位姿，一個期望的末端執(zhí)行器的位姿，根據(jù)規(guī)定的要求來尋找連接初始狀態(tài)和期望狀態(tài)的最優(yōu)有效路徑，然后把最優(yōu)路徑轉變?yōu)闄C械臂各個關節(jié)的空間坐標，進一步轉化為機械臂的各個關節(jié)的位移、速度和加速度，就形成了機械臂的路徑。
機械臂的動力學狀態(tài)模型為：
其中：D(q)為對稱正定的慣量矩陣，為哥式力與離心力矩陣，G(q)為重力項矩陣，q為機械臂關節(jié)角位移矢量，為機械臂的角速度矢量，為機械臂的角加速度矢量，為機械臂各關節(jié)控制力矩輸入矢量。
機械臂的動力學參考模型為：
其中，y為2n+1的參考模型狀態(tài)矢量，r為n×1的參考模型輸入矢量。
徑向基函數(shù)神經(jīng)網(wǎng)絡包括一個輸入層、一個隱層和一個輸出層。隱層由一個徑向基函數(shù)組成，和每個隱層節(jié)點相關的參數(shù)為網(wǎng)絡中心向量和半徑。本文選擇高斯函數(shù)作為徑向基函數(shù)。本文選擇的神經(jīng)網(wǎng)絡訓練方法為：輸入層到隱層用無導師的聚類算法來訓練，常用的是K-均值算法和模糊聚類算法，來確定神經(jīng)網(wǎng)絡的中心向量和半徑，隱層和輸出層的權值調整用有導師指導算法，來確定權重向量。
算法流程如下：首先對樣本數(shù)據(jù)進行聚類，然后確定神經(jīng)網(wǎng)絡的隱層節(jié)點的中心的初始值，將這些樣本進行分組，然后將訓練樣本按照距離的遠近向隱層節(jié)點的中心聚類，完成后計算樣本的均值，將樣本均值賦值給隱層中心作為下一次迭代的聚類中心，下一步要判斷聚類過程是否結束，聚類結束標志是當劃分的每個聚類的樣本中心不再變化。然后再計算下寬度半徑，寬度半徑等于每個聚類中心與該訓練樣本之間的平均距離。
通過算法驗證，對機械臂的路徑規(guī)劃驗證了算法的合理性和可行性，規(guī)劃后支反力和扭矩等動力性能較好，完全滿足工程需求。
4 結語
針對機械臂的路徑規(guī)劃問題，本文采用徑向基函數(shù)神經(jīng)網(wǎng)絡算法來對機械臂路徑進行規(guī)劃，本文算法可以實現(xiàn)路徑規(guī)劃的快速收斂和近似逼近，具有較高的容錯能力和魯棒性，可以避免因約束的輸入順序不同而產(chǎn)生的影響，使得路徑規(guī)劃達到了工程上的平滑要求。
猜你喜歡：