一种基于疏密度和局部复杂度的自适应代理模型在码垛机器人小臂驱动连杆优化中的应用制造技术

本发明专利技术公开了一种基于疏密度和局部复杂度的自适应代理模型在码垛机器人小臂驱动连杆优化中的应用。由于在复杂工程问题中获得真实模型响应值需要高昂的计算成本，所以提出一种基于疏密度和局部复杂度的自适应代理模型构建方法，并应用在码垛机器人小臂驱动连杆的优化设计中。首先，建立码垛机器人小臂驱动连杆的模型，确定设计变量与优化目标；其次，产生初始样本并获得真实响应，构建样本库；然后，根据样本库构建初始代理模型，并通过本发明专利技术提出的方法构建优化目标的高精度代理模型。最后，使用代理模型进行优化设计。本发明专利技术在复杂的工程优化问题中，以及目标函数难以获取的情况下，具有广泛的应用前景。具有广泛的应用前景。具有广泛的应用前景。

【技术实现步骤摘要】
一种基于疏密度和局部复杂度的自适应代理模型在码垛机器人小臂驱动连杆优化中的应用


[0001]本专利技术属于工程设计
，尤其涉及一种基于疏密度和局部复杂度的自适应代理模型在码垛机器人小臂驱动连杆优化中的应用。

技术介绍

[0002]在复杂的工程问题中，如何获得真实模型的响应值往往是一个难题，通过建立高精度的仿真模型来进行分析时又面临着计算成本高昂的问题。代理模型技术的出现有效缓解了这种现状，代理模型一般是指在对设计空间进行抽样后，建立的计算量远小于原模型、计算精度与原模型接近的一种近似数学模型。常用的代理模型有：多项式响应面、径向基函数、Kriging、人工神经网络、支持向量回归等。
[0003]代理模型是以设计空间中的部分样本为基础建立起来的，因此选取的样本质量直接决定了代理模型的质量。近年来，学者们一直致力于提高代理模型的构建效率，研究如何用尽可能少的样本构建精度更高的代理模型。目前样本点的选择方式主要分为两大类：一次性静态采样和自适应动态采样。一次性静态采样是利用实验技术，如全因子采样、正交采样、均匀采样、蒙特卡洛采样、拉丁超立方采样等，一次性确定样本点个数与位置，利用这些样本点直接建立代理模型，后期不再增加样本点的个数。然而，不同的函数在不同的设计空间中的复杂程度不同，在函数变化平缓的区域只需较少的样本点即可很好地反映函数变化趋势，而在函数变化复杂的区域就需要更多的样本点。针对具体的函数来选定优质样本点便可以提高代理模型构建的效率，自适应采样技术便可以做到这一点。
[0004]自适应采样技术首先用较少的样本点建立一般精度的代理模型，然后根据已有样本点的信息和代理模型对未知位置的预测响应来确定优质样本点的位置，将优质样本点加入样本库后更新代理模型，再次寻找优质样本点，通过迭代来逐步提高代理模型的精度，最终用更少的样本点达到和一次性采样相当的精度。
[0005]为了提高代理模型的建模效率，本专利技术从更准确地获得更优质的样本点的角度出发，提出了基于疏密度和局部复杂度的自适应采样算法(adaptive sampling algorithm based on Sparsity-Density and Local Complexity，SDLC)，在SDLC算法中，提出了一种衡量设计空间中拟采样点质量的方法，同时考虑拟采样点附近的样本疏密度和模型局部复杂度，准确选择最优新增样本点，尽可能用更少的样本点获得更多的真实函数信息，从而提高了构建高精度代理模型的效率。
[0006]码垛机器人因其动作灵活，效率高，并可适应搬运任务变化等优点，被广泛应用。小臂驱动连杆是驱动码垛机器人小臂运动的传动机构，在码垛机器人工作过程中，小臂驱动连杆经常需要完成频繁起停、加减速、伸缩等复杂运动，其质量大小、最大应力与最大位移对整个机器人系统的动态特性以及能耗有重要影响。目前在优化中获得当前设计点的最大应力与最大位移的方法是大规模的计算机仿真实验，十分耗时。本专利技术将基于疏密度和局部复杂度的自适应采样代理模型构建方法应用到码垛机器人小臂驱动连杆的质量、最大
应力与最大位移的综合计算中，可以提高优化设计的效率。

技术实现思路

[0007]本专利技术的专利技术目的是：为了提高代理模型构建的效率，本专利技术提出了一种基于疏密度和局部复杂度的自适应代理模型构建方法。
[0008]本专利技术的技术方案是：一种基于疏密度和局部复杂度的自适应代理模型构建方法，包括以下步骤：
[0009]A、建立码垛机器人小臂驱动连杆的几何模型与有限元模型；
[0010]B、确定设计变量与优化目标；
[0011]C、获得初始样本点以及这些初始样本点的真实响应，构建样本库；
[0012]D、根据样本库中的样本信息构建设计变量与优化目标之间的代理模型；
[0013]E、通过SDLC算法进行自适应加点，更新代理模型，获得满足精度要求的代理模型；
[0014]F、使用代理模型进行优化设计。
[0015]所述步骤A建立码垛机器人小臂驱动连杆的几何模型与有限元模型，具体为：
[0016]A1、使用Solidworks软件建立码垛机器人小臂驱动连杆的几何模型；
[0017]A2、将几何模型导入Ansys软件中，建立有限元模型。
[0018]进一步地，所述步骤B确定设计变量与优化目标，具体为：
[0019]B1、选择杆体宽度、杆体厚度、内板长度、内板宽度、内板厚度、内板圆角半径作为设计变量；
[0020]B2、选择连杆总质量作为主要优化子目标，连杆最大应力和最大位移作为次要优化子目标，三个子优化目标分别归一化后通过系数分配法相结合，组成总优化目标。
[0021]进一步地，所述步骤C获得初始样本点以及这些初始样本点的真实响应，构建样本库，具体为：
[0022]C1、利用拉丁超立方试验设计技术产生N0个初始样本点；
[0023]C2、调用有限元模型获取这N0个初始样本点处的真实响应；
[0024]C3、将这N0个初始样本点及其真实响应作为样本库。
[0025]进一步地，所述步骤D根据样本库中的样本信息构建设计变量与优化目标之间的代理模型，具体为：选择Kriging近似方法，依据样本库中的样本信息，建立设计变量与优化目标之间的代理模型。
[0026]进一步地，所述步骤E通过SDLC算法进行自适应加点，更新代理模型，获得满足精度要求的代理模型，具体为：
[0027]E1、通过SDLC算法获得最优新增样本点x
best
；
[0028]E2、调用有限元模型获得点x
best
处的真实响应；
[0029]E3、将点x
best
及其真实响应加入样本库；
[0030]E4、根据更新后的样本库构建新的Kriging代理模型；
[0031]E5、验证新构建的代理模型的精度，如果满足精度要求，则进行步骤F，如果不满足精度要求，则返回E1继续进行自适应加点。
[0032]进一步地，所述步骤F。
[0033]本专利技术的有益效果是：本专利技术提出了一种新的疏密度计算方法和一种新的局部复
杂度计算方法，在此基础上提出的基于疏密度和局部复杂度的自适应代理模型构建方法在保证模型精度的条件下，减少了构建模型所需的样本数，有效提高了模型构建效率，在实际工程应用中，尤其是复杂的工程优化问题中，以及目标函数难以获取的情况下，具有广泛的应用前景。
附图说明
[0034]图1是本专利技术一种基于疏密度和局部复杂度的自适应代理模型在码垛机器人小臂驱动连杆优化中的应用流程示意图。
[0035]图2是本专利技术中码垛机器人小臂驱动连杆的外形结构示意图。
具体实施方式
[0036]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于疏密度和局部复杂度的自适应代理模型在码垛机器人小臂驱动连杆优化中的应用，其特征在于，包括以下步骤：A、建立码垛机器人小臂驱动连杆的几何模型与有限元模型；B、确定设计变量与优化目标；C、获得初始样本点以及这些初始样本点的真实响应，构建样本库；D、根据样本库中的样本信息构建设计变量与优化目标之间的代理模型；E、通过SDLC算法进行自适应加点，更新代理模型，获得满足精度要求的代理模型；F、使用代理模型进行优化设计，所述步骤A建立码垛机器人小臂驱动连杆的几何模型与有限元模型，具体为：A1、使用Solidworks软件建立码垛机器人小臂驱动连杆的几何模型；A2、将几何模型导入Ansys软件中，建立有限元模型；进一步地，所述步骤B确定设计变量与优化目标，具体为：B1、选择杆体宽度、杆体厚度、内板长度、内板宽度、内板厚度、内板圆角半径作为设计变量；B2、选择连杆总质量作为主要优化子目标，连杆最大应力和最大位移作为次要优化子目标，三个子优化目标分别归一化后通过系数分配法相结合，组成总优化目标；进一步地，所述步骤C获得初始样...

【专利技术属性】
技术研发人员：许焕卫，李浩，张鑫，项歌，李亚华，黄思哲，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：