CN109656229A - 基于ga-rbf网络的机器人末端性能预测模型的构建方法 - Google Patents
基于ga-rbf网络的机器人末端性能预测模型的构建方法 Download PDFInfo
- Publication number
- CN109656229A CN109656229A CN201811501005.7A CN201811501005A CN109656229A CN 109656229 A CN109656229 A CN 109656229A CN 201811501005 A CN201811501005 A CN 201811501005A CN 109656229 A CN109656229 A CN 109656229A
- Authority
- CN
- China
- Prior art keywords
- data
- rbf network
- rbf
- network
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
本发明公开了基于GA‑RBF网络的机器人末端性能预测模型的构建方法,搭建机器人末端数据采集的轴关节采集硬件平台,将EtherCAT总线和激光跟踪仪作为末端测试的辅助工具,分别作为训练GA‑RBF网络的输入和输出数据获取的方式;通过总线实时采集各个关节的位置、速度、转矩反馈得到数据作为GA‑RBF网络的输入,激光跟踪坐标测量***采集的末端数据作为GA‑RBF网络的输出,训练出基于GA‑RBF网络的机器人末端性能预测模型。本发明大大提高了轴关节伺服脉冲的采集精度,对于后续RBF网络在末端数据上预测的应用以及由轴关节数据DH模型计算末端参数精度上都有了较大的提高,高精度的数据研究更贴近实际意义。
Description
技术领域
本发明涉及了一种智能算法的实际工程应用,具体地说,是一种基于遗传算法优化RBF神经网络(GA-RBF)的智能算法在机器人末端性能测试上的应用。
背景技术
对于现今机器人(这里主要说的是六自由度机械臂)行业激烈的竞争,大部分机器人制造商为了提升自身的核心竞争力,迫切需要一套完善的机器人测试方案。机器人相关测试也应运而生,而机器人末端的误差精度最能反映机器人的整体性能好坏,因此末端误差精度一直是机器人测试的热点问题。造成机器人末端误差的因素有很多:包括结构参数导致的误差,运动变量导致的误差;还有惯量和自重,连杆的振动等无法避免的随机误差。除此之外还有外界环境导致的误差,尤其是温度和磨损问题;控制***方面的编程问题和控制算法的差异性等误差。各种误差因素的存在势必会对机器人工作精度产生影响,而且它们之间还存在相关性。
对于机器人的测试还没有形成一个完善的被公认的测试指标。比如国内大部分机器人公司对机器人的测试停留在比较基础的层次,依旧普遍采用外接高精度的测距仪器,例如激光跟踪仪对机器人的绝对定位精度和重复定位精度进行测量与分析,没有形成较为***的机器人测试规范,也没有较为***的测试步骤。同时实际工作中也不可能对每一台机器人实行利用激光跟踪仪的精度测试。
针对以上所提出的实际工程问题,为寻求更好的解决方案。因此本发明提出了基于GA-RBF网络的机器人末端参数计算方法。根据遗传算法优化的基函数宽度,中心向量和权值向量,得到优化后的RBF网络,实现对机器人末端数据的预测。本发明给出了获得这一RBF网络的构建方法。
发明内容
发明目的:本发明的目的是为了解决现有技术中的不足,提供一种基于GA-RBF网络的机器人末端性能预测模型的构建方法,该模型一旦构建,即可通过对机器人运行情况各个轴关节的实时数据的采集,利用该模型计算出机器人末端数据,作为机器人进行性能分析的依据。
技术方案:本发明所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法,包括:
(1)搭建机器人末端数据采集的轴关节采集硬件平台,将EtherCAT总线和激光跟踪仪作为末端测试的辅助工具,分别作为训练GA-RBF网络的输入和输出数据获取的方式;
(2)通过EtherCAT总线实时采集各个关节的位置、速度、转矩反馈得到数据作为GA-RBF网络的输入,激光跟踪坐标测量***采集的末端数据作为GA-RBF网络的输出,训练出基于GA-RBF网络的机器人末端性能预测模型。
进一步的,所述的轴关节采集硬件平台包括伺服驱动器、RC控制器、示教器和上位机,所述的伺服驱动器包括多个,各伺服驱动器一端与各关节连接,用于采集各个关节的位置、速度、转矩数据,另一端通过EtherCAT总线汇总至RC控制器,所述RC控制器还连接有示教器和上位机。
进一步的,所述伺服驱动器内包括therCAT通讯模块。
进一步的,所述激光跟踪坐标测量***包括激光跟踪仪主机、跟踪摄像头、上位机和T-Mac传感器,所述激光跟踪仪主机分别通过通讯线缆与跟踪摄像头、上位机、T-Mac传感器连接,该***用于实时采集机器人的末端位置和速度参数数据。
进一步的,所述T-Mac传感器安装在机器人末端法兰的端平面中心。
进一步的,所述机器人末端性能预测模型的形成过程包括如下步骤:
(1)样本数据的选取:根据样本数据选取分析,取至少240对数据作为RBF网络训练的样本,即将EtherCAT实时数据采集总线采集六个轴关节的位置作为输入,相对应地,激光跟踪仪采集末端位置作为输出,形成末端位置参数训练样本数据;
(2)归一化:将所有数据都转化到[0,1]区间内进行归一化处理,归一化方法是由线性转换函数实现的,如式:
式中:x′k是归一化转换后网络的输入值,xk是原始样本数据,xmax、xmin分别是原始样本数据中的最大值和最小值;
(3)GA优化RBF网络参数:包括初始化参数设置、初始种群以及染色体编码、GA优化程序;
(4)测试样本的选取:作为对所建立RBF模型的验证,在先前采集的训练数据中再选至少50组,或者另外再测试至少50组数据,作为测试数据样本;
(5)反归一化:将测试样本数据代入训练得到的基于RBF网络的末端数据预测模型,并且反归一化得到预测机器人末端数据,与实际机器人末端数据比较,以确认模型的可行性,在预测数据与实测数据偏差较大时,按照步骤(1)-(3)重新训练RBF网络。
进一步的,所述步骤(3)中初始化参数设置中遗传初始化参数设置包括:种群规模N为30,进化代数P为100,交叉概率Pc为0.8,变异概率Pm为0.15。
进一步的,所述步骤(3)中初始种群以及染色体编码具体包括:首先根据隐含层节点数的一般公式:其中m为输出层的节点数,n为输入层的节点数,对网络的结构进行确定;基于RBF网络的末端参数的预测模型建立过程中,六自由度轴关节的脉冲作为输入因此设置输入节点n=6,而末端位置是个三维的空间的位置,因此设置输出节点m=3、a在[1,10]范围内,为了取整设定a=3,则h=6;网络为6-6-3结构,则遗传RBF中心向量6×6,基函数宽度向量6×1,权值向量6×3。
进一步的,所述步骤(3)中GA优化程序具体是采用遗传算法优化RBF网络参数,得到满足精度要求最适应的基函数宽度向量Bp,中心向量Cp,以及权值向量Wp。
有益效果:本发明有益效果如下:
1.将实时工业以太网由传统的控制总线功能变成数据采集总线很有意义,大大提高了轴关节伺服脉冲的采集精度,对于后续RBF网络在末端数据上预测的应用,高精度的数据研究更贴近实际意义;
2.通过比较DH模型计算得到的末端参数与GA-RBF神经网络计算的末端参数,可知:RBF网络计算的末端数据和激光跟踪仪实测的数据一致性更好,更适合作为后续指标计算的依据;
3.基于GA-RBF网络的机器人故障仿真实验,诊断结果表明测试输出和期望输出的误差很小,而且出错的概率也小,能够满足机器人故障检测的要求。
附图说明
图1为本发明中EtherCAT轴关节参数采集框图;
图2为本发明中激光跟踪仪末端参数采集框图;
图3为本发明中DS5伺服驱动器的硬件架构图;
图4为本发明中数据采集同步示意图;
图5为本发明中基于GA-RBF的末端参数预测模型获取流程图;
图6为本发明中机器人本体常见故障;
图7为本发明中基于RBF神经网络的故障样本数据故障诊断流程图。
具体实施方式
下面结合具体实施例对本发明的技术方案作进一步详细说明。
本发明所述的基于GA-RBF网络的机器人末端性能测试方法,包括:
(1)搭建机器人末端数据采集的轴关节采集硬件平台,将EtherCAT总线和激光跟踪仪作为末端测试的辅助工具,分别作为训练GA-RBF网络的输入和输出数据获取的方式;
(2)通过EtherCAT总线实时采集各个关节的位置、速度、转矩反馈得到数据作为GA-RBF网络的输入,激光跟踪坐标测量***采集的末端数据作为GA-RBF网络的输出,训练出基于GA-RBF网络的机器人末端性能预测模型。
下面对本发明的基于GA-RBF网络的机器人末端性能测试方法做具体说明:
1.机器人末端数据采集硬件平台的构建
1.1EtherCAT轴关节数据采集
如图1和图3所示本发明将RC控制和DS伺服驱动器开发成EtherCAT主从站,实现对机器人的六个轴关节参数的实时采集,提高机器人末端测试的准确性。然后通过采集到的位置和速度数据,经RC控制器读取,最后是对采集的数据进行解析,以便于分析。
图1所示,轴关节采集硬件平台包括伺服驱动器、RC控制器(机器人控制)、示教器和上位机,所述的伺服驱动器包括多个,各伺服驱动器一端与各关节连接,用于采集各个关节的位置、速度、转矩数据,另一端通过EtherCAT总线汇总至RC控制器,所述RC控制器还连接有示教器和上位机。
图3所示,伺服驱动器包括主控制器、整流模块、IPM逆变器、电源模块、光耦隔离电路、EtherCAT通讯模块、相电流检测、编码器、霍尔传感器以及关节永磁同步电机,所述主控制器输入端分别连接有相电流检测、编码器、霍尔传感器,所述编码器、霍尔传感器均与所述关节永磁同步电机相连接;所述主控制器输出端通过光耦隔离电路与IPM逆变器连接,所述IPM逆变器还连接有相电流检测和关节永磁同步电机;所述主控制器还连接有电源模块和EtherCAT通讯模块,所述电源模块分别连接有直流开关电源和交流电源。
1.2激光跟踪仪采集机器人末端数据
激光跟踪仪采集机器人末端数据整个过程如图2所示,激光跟踪坐标测量***包括激光跟踪仪主机、跟踪摄像头、上位机和T-Mac传感器(机械跟踪),所述激光跟踪仪主机分别通过通讯线缆与跟踪摄像头、上位机、T-Mac传感器连接,该***用于实时采集机器人的末端位置和速度参数数据。
将激光跟踪***中T-Mac传感器安装在机器人末端法兰的端平面中心,通信线缆和上位机链接,就可以实现采集机器人的末端位置和速度等参数。
2.数据的处理
2.1数据的同步性
由于样本数据即实时采集的各个轴伺服脉冲和激光跟踪仪的末端位置和速度参数是由两个不同的***采集的。如图4所示为确保数据采集同步性的方法示意图。假设t1时刻激光跟踪仪开始末端数据采集,t2时刻EtherCAT总线开始轴关节数据采集,t3时刻机器人开始运动,由于激光跟踪仪和EtherCAT在t3时刻之前采集的数据都是在机器人静止状态下采集的,因此都是起始点的数据,对于本实验中来说是无效数据,全部舍弃。将机器人开始运动以后采集的数据作为有效数据,无论是末端还是轴关节都是以机器人开始运动时刻作为采集的起始点,则保证了激光跟踪仪和EtherCAT采集数据的同步性。
2.2数据样本的选取
数据的筛选,既要确保数据之间存在间隔,又要确保数据样本足够多,实验中每200个点选一个作为样本数据,最终样本数据为480个点,样本数据用集合S表示:
S={x|x=Q(200k),k∈[1,480]} (1)
PA轨迹上的110个样本点,用数据集SPA表示。测试样本数据用集合T表示:
T={x|x=SPA(2n),n∈[1,55]} (2)
训练样本用数据集E表示:
E=S-T (3)
3.基于GA-RBF末端位置参数预测
本发明采用基于GA-RBF神经网络的末端参数预测模型计算机器人末端参数,机器人末端参数包括两个部分:末端位置参数和末端速度参数。基于RBF网络的末端参数预测模型获取过程如图5所示。
3.1数据样本
根据样本数据选取分析,取240对数据作为RBF网络训练的样本,即将EtherCAT实时数据采集总线采集六个轴关节的位置作为输入,相对应地,激光跟踪仪采集末端位置作为输出,形成末端位置参数训练样本数据。
3.2归一化
在本次发明实验当中为防止一些低数量级的特征关系丢失,所以必须对原始样本数据进行标准化处理,将所有数据都转化到[0,1]区间内,即归一化处理。本实验中样本数据的归一化方法是由线性转换函数实现的,如式:
式中:x′k是归一化转换后网络的输入值,xk是原始样本数据,xmax、xmin分别是原始样本数据中的最大值和最小值。
3.3 GA优化RBF网络
3.3.1初始化参数设置
遗传算法寻优之前须设置程序中的相关初始化参数。遗传算法的参数要通过经验和不断的仿真实验调整确定合适的值。其遗传初始化参数如表1设置:
表1 遗传初始化参数设置
3.3.2初始种群以及染色体编码
首先根据隐含层节点数的一般公式:(m为输出层的节点数,n为输入层的节点数)对网络的结构进行确定。基于RBF网络的末端位置参数的预测模型建立过程中,六自由度轴关节的脉冲作为输入因此设置输入节点n=6,而末端位置是个三维的空间的位置,因此设置输出节点m=3、a在[1,10]范围内,为了取整设定a=3,则h=6。网络就为6-6-3结构,则遗传RBF中心向量6×6,基函数宽度向量6×1,权值向量6×3。
3.3.3GA优化程序
算法通过不断地计算个体的适应度值寻找最优个体,执行遗传算子操作,并对RBF网络的初始参数进行不断的更新,得到优化的网络。
遗传算法寻优过程,进化次数的增加,误差随之减少,当进化次数达到20多次以后误差在0.02以下,对个体的误差进行排序,取倒数作为最佳适应度值。
采用遗传算法优化RBF网络参数,得到满足精度要求最适应的基函数宽度向量Bp,中心向量Cp,以及权值向量Wp。
3.4测试样本
作为对所建立RBF模型的验证,可以在先前采集的训练数据中再选至少50组,也可以另外再测试至少50组数据,作为测试数据样本。
3.5反归一化
将测试样本数据代入训练得到的基于RBF网络的末端数据预测模型,由于输出的预测结果都是归一化的值,不是输出的实际值,为了方便对RBF模型的预测输出进行精度分析,必须要对输出进行反归一化。
3.6模型确认
归一化得到预测机器人末端数据,与实际机器人末端数据比较,以确认模型的可行性,在预测数据与实测数据偏差较大时,应该按照步骤3.1-3.5重新训练RBF网络。
4.基于GA-RBF网络末端速度参数预测
基于GA-RBF网络末端速度预测模型建立和末端位置模型十分的类似。末端速度预测的网络建立过程以及遗传算法的初始参数参照末端位置预测的网络,所不同的是,由于输出层是只有一个节点,RBF网络结构变为6-6-1。
5.GA-RBF神经网络的机器人故障诊断
本发明只较为简单论述对单一的故障类型进行分类。机器人是一个庞大的***,如控制***、检测***、执行***、气动***而且每个***下又存在好多的零部件。由于其部件多而杂,因此其故障种类也多,工业机器人常见的故障如图6所示。
利用大量的机器人常见故障的数据,对这些数据进行筛选分类以后就得到了故障的样本数据,训练出基于RBF神经网络的机器人一般故障模型,从而对末端性能指标不合格的机器人,判定机器人的故障类别。其诊断过程如图7所示。
在故障的种类设定好,以及故障与输出的向量映射好之后,GA-RBF故障诊断的实现过程和末端数据的预测过程类似。本发明选择各个轴伺服的反馈数据作为监测的变量,从机器人测试的故障数据库里筛选出大量的故障数据作为样本数据,按故障类别设定五类故障状态数据即构成了五种状态模型,将故障的伺服脉冲与正常运行的脉冲的偏差作为RBF网络的输入。选取机器人5种故障数据,包括腰部故障、大臂故障、肘部故障、小臂故障以及腕部故障,每种故障10组数据,因此共有50组训练样本。
故障神经网络设计时诊断参数初始化和前面的一致,但是输出的维度改变了,因此网络结构的初始值设置为,m=5,a=2.68,得到6-6-5的网络结构,中心变量个数为36,宽度参数也依旧为6,染色体的个数也不变。此外,目标的误差设为0.0001。
将测试的和期望输出对比发现,RBF诊断的结果和与期望输出十分的接近,基本上完全一致,误差仅为0.0023。通过选择大量的测试样本数据,对故障分类的正确率在99.585%左右,由此可以得出结论自适应GA-RBF能满足对机器人本体故障诊断的要求。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.基于GA-RBF网络的机器人末端性能预测模型的构建方法,其特征在于:包括:
(1)搭建机器人末端数据采集的轴关节采集硬件平台,将EtherCAT总线和激光跟踪仪作为末端测试的辅助工具,分别作为训练GA-RBF网络的输入和输出数据获取的方式;
(2)通过EtherCAT总线实时采集各个关节的位置、速度、转矩反馈得到数据作为GA-RBF网络的输入,激光跟踪坐标测量***采集的末端数据作为GA-RBF网络的输出,训练出基于GA-RBF网络的机器人末端性能预测模型。
2.根据权利要求1所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法,其特征在于:所述的轴关节采集硬件平台包括伺服驱动器、RC控制器、示教器和上位机,所述的伺服驱动器包括多个,各伺服驱动器一端与各关节连接,用于采集各个关节的位置、速度、转矩数据,另一端通过EtherCAT总线汇总至RC控制器,所述RC控制器还连接有示教器和上位机。
3.根据权利要求2所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法,其特征在于:所述伺服驱动器内包括EtherCAT通讯模块。
4.根据权利要求1所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法,其特征在于:所述激光跟踪坐标测量***包括激光跟踪仪主机、跟踪摄像头、上位机和T-Mac传感器,所述激光跟踪仪主机分别通过通讯线缆与跟踪摄像头、上位机、T-Mac传感器连接,该***用于实时采集机器人的末端位置和速度参数数据。
5.根据权利要求4所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法,其特征在于:所述T-Mac传感器安装在机器人末端法兰的端平面中心。
6.根据权利要求1所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法,其特征在于:所述机器人末端性能预测模型的形成过程包括如下步骤:
(1)样本数据的选取:根据样本数据选取分析,取至少240对数据作为RBF网络训练的样本,即将EtherCAT实时数据采集总线采集六个轴关节的位置作为输入,相对应地,激光跟踪仪采集末端位置作为输出,形成末端位置参数训练样本数据;
(2)归一化:将所有数据都转化到[0,1]区间内进行归一化处理,归一化方法是由线性转换函数实现的,如式:
式中:x′k是归一化转换后网络的输入值,xk是原始样本数据,xmax、xmin分别是原始样本数据中的最大值和最小值;
(3)GA优化RBF网络参数:包括初始化参数设置、初始种群以及染色体编码、GA优化程序;
(4)测试样本的选取:作为对所建立RBF模型的验证,在先前采集的训练数据中再选至少50组,或者另外再测试至少50组数据,作为测试数据样本;
(5)反归一化:将测试样本数据代入训练得到的基于RBF网络的末端数据预测模型,并且反归一化得到预测机器人末端数据,与实际机器人末端数据比较,以确认模型的可行性,在预测数据与实测数据偏差较大时,按照步骤(1)-(3)重新训练RBF网络。
7.根据权利要求6所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法,其特征在于:所述步骤(3)中初始化参数设置中遗传初始化参数设置包括:种群规模N为30,进化代数P为100,交叉概率Pc为0.8,变异概率Pm为0.15。
8.根据权利要求6所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法,其特征在于:所述步骤(3)中初始种群以及染色体编码具体包括:首先根据隐含层节点数的一般公式:其中m为输出层的节点数,n为输入层的节点数,对网络的结构进行确定;基于RBF网络的末端参数的预测模型建立过程中,六自由度轴关节的脉冲作为输入因此设置输入节点n=6,而末端位置是个三维的空间的位置,因此设置输出节点m=3、a在[1,10]范围内,为了取整设定a=3,则h=6;网络为6-6-3结构,则遗传RBF中心向量6×6,基函数宽度向量6×1,权值向量6×3。
9.根据权利要求6所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法,其特征在于:所述步骤(3)中GA优化程序具体是采用遗传算法优化RBF网络参数,得到满足精度要求最适应的基函数宽度向量Bp,中心向量Cp,以及权值向量Wp。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501005.7A CN109656229B (zh) | 2018-12-10 | 2018-12-10 | 基于ga-rbf网络的机器人末端性能预测模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811501005.7A CN109656229B (zh) | 2018-12-10 | 2018-12-10 | 基于ga-rbf网络的机器人末端性能预测模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109656229A true CN109656229A (zh) | 2019-04-19 |
CN109656229B CN109656229B (zh) | 2022-03-15 |
Family
ID=66113409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811501005.7A Active CN109656229B (zh) | 2018-12-10 | 2018-12-10 | 基于ga-rbf网络的机器人末端性能预测模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109656229B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501903A (zh) * | 2019-09-12 | 2019-11-26 | 南京邮电大学 | 机器人免逆解控制***参数的自调节及优化方法 |
CN114648148A (zh) * | 2020-12-18 | 2022-06-21 | 广东博智林机器人有限公司 | 机器人的参数预测方法、装置、存储介质和处理器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1382997A (zh) * | 2002-06-13 | 2002-12-04 | 上海交通大学 | 基于神经网络的机动目标精确跟踪方法 |
JP2010054429A (ja) * | 2008-08-29 | 2010-03-11 | Mitsutoyo Corp | レーザトラッカ |
US20100103431A1 (en) * | 2007-03-05 | 2010-04-29 | Andreas Haralambos Demopoulos | Determining Positions |
CN101791801A (zh) * | 2010-01-15 | 2010-08-04 | 广东工业大学 | 工业机器人运动规划与性能测试***及其实现方法 |
CN106705956A (zh) * | 2017-02-28 | 2017-05-24 | 南京工程学院 | 工业机器人末端位姿快速测量装置及其测量方法 |
-
2018
- 2018-12-10 CN CN201811501005.7A patent/CN109656229B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1382997A (zh) * | 2002-06-13 | 2002-12-04 | 上海交通大学 | 基于神经网络的机动目标精确跟踪方法 |
US20100103431A1 (en) * | 2007-03-05 | 2010-04-29 | Andreas Haralambos Demopoulos | Determining Positions |
JP2010054429A (ja) * | 2008-08-29 | 2010-03-11 | Mitsutoyo Corp | レーザトラッカ |
CN101791801A (zh) * | 2010-01-15 | 2010-08-04 | 广东工业大学 | 工业机器人运动规划与性能测试***及其实现方法 |
CN106705956A (zh) * | 2017-02-28 | 2017-05-24 | 南京工程学院 | 工业机器人末端位姿快速测量装置及其测量方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501903A (zh) * | 2019-09-12 | 2019-11-26 | 南京邮电大学 | 机器人免逆解控制***参数的自调节及优化方法 |
CN110501903B (zh) * | 2019-09-12 | 2022-09-23 | 南京邮电大学 | 机器人免逆解控制***参数的自调节及优化方法 |
CN114648148A (zh) * | 2020-12-18 | 2022-06-21 | 广东博智林机器人有限公司 | 机器人的参数预测方法、装置、存储介质和处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN109656229B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111230887B (zh) | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 | |
CN101758422B (zh) | 一种数控装置技术指标的检测分析装置 | |
Zhang et al. | Optimal kinematic calibration of parallel manipulators with pseudoerror theory and cooperative coevolutionary network | |
CN110370314A (zh) | 基于多激光跟踪仪的双臂机器人性能测量方法 | |
CN110450155A (zh) | 一种多自由度机械臂***的控制器的优化设计方法 | |
Su et al. | Intelligent prognostics system design and implementation | |
CN114397043B (zh) | 多点温度智能检测*** | |
CN111722174A (zh) | 一种应用量子粒子群算法实现电能表异常诊断***及方法 | |
CN109656229A (zh) | 基于ga-rbf网络的机器人末端性能预测模型的构建方法 | |
CN116561681A (zh) | 一种基于数字孪生的融合型故障诊断方法 | |
Liu et al. | Thermal error modeling for machine tools: Mechanistic analysis and solution for the pseudocorrelation of temperature-sensitive points | |
Gao et al. | Kinematic calibration for industrial robots using articulated arm coordinate machines | |
CN113910218B (zh) | 一种基于运动学与深度神经网络融合的机器人标定方法和装置 | |
CN107134778A (zh) | 基于互联网直流侧电压自适应调节apf 电流预测控制方法 | |
Lu et al. | Digital twin-based operation simulation system and application framework for electromechanical products | |
CN117901104A (zh) | 面向机械臂性能监测及误差补偿的特征主动学习-反馈数字孪生方法 | |
CN117150425B (zh) | 基于机理数据融合的管片拼装机运动状态预测方法 | |
CN117591930A (zh) | 一种基于模型与数据耦合驱动的数字孪生热定形烘房故障预诊断*** | |
CN108959787A (zh) | 考虑实际工况的宏宏双驱动***的热变形预测方法及*** | |
CN114609969B (zh) | 一种基于云计算的数控机床轨迹误差补偿方法 | |
Monek et al. | DES and IIoT fusion approach towards real-time synchronization of physical and digital components in manufacturing processes | |
CN115616976A (zh) | 数控***的健康度监控方法及健康度监控*** | |
CN111103846A (zh) | 一种基于时间序列的数控机床状态预测方法 | |
CN115034147A (zh) | 一种基于数字孪生的智能制造*** | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |