【技术实现步骤摘要】
本专利技术属于机械臂定位误差补偿，尤其涉及基于改进woa-ga-bp神经网络的机械臂定位误差补偿方法。
技术介绍
1、在机械加工领域，由于工业机器人技术的飞速发展，机器人加工已逐渐成为代替机床加工的新一代机械加工方式。机器人加工，即使用工业机器人配合不同的末端执行器，代替传统机床完成车、铣、钻、磨等加工任务。因六关节串联工业机器人相较于传统机床，具有多自由度、灵活性高、空间可达性高、通用性强等特点，目前已在铣削、打磨、焊接等复杂工况的传统机械加工中已经得到广泛应用。利用该种工业机器人可完成传统机床较难完成的大型或超大型结构件加工或空间复杂曲面结构的加工。但该种加工模式存在“硬伤”问题，即机器人定位精度的可靠性与稳定性无法保证。在机器人加工作业中，工件的加工精度往往取决于机器人的绝对定位精度与重复定位精度。绝对定位精度决定了机器人运动位姿的准确性，重复定位精度决定了机器人运动的动态稳定性。但是由于机器人本体系统性误差与随机误差的影响，机器人绝对定位精度会出现一定程度的偏差。
2、六关节工业机器人的绝对定位精度主要受系统性误差与随机误差的影响。系统性误差是指由于机器人设计、加工和装配等因素导致的误差，例如制造加工误差、组件装配误差、连杆与关节柔性、减速器齿槽间隙不均、机械轴不正交等，该种误差往往具有一定的规律性。而随机误差是指由于外界环境影响或机器人本身磨损、老化等因素导致的误差，该类误差往往无法通过准确的数学模型进行体现，仅可通过实验数据与实际数据进行数据化操作。而在实际生产加工作业过程中，通过研究发现，90％以上的误
3、因此，如何克服六关节工业机器人本身结构的影响，对提高机器人绝对定位精度与如何在受到加工过程冲击影响作用下，保证机器人绝对定位精度，是目前亟需解决的技术问题。
技术实现思路
1、本专利技术的目的在于提供基于改进woa-ga-bp神经网络的机械臂定位误差补偿方法，用以克服六关节工业机器人本身结构的影响，对提高机器人绝对定位精度与如何在受到加工过程冲击影响作用下，保证机器人绝对定位精度。
2、为解决上述技术问题，本专利技术采用的技术方案如下：
3、基于改进woa-ga-bp神经网络的机械臂定位误差补偿方法，包括以下步骤：
4、s1：输入运动类型并选择运动补偿模型，所述运动补偿模型包括单关节运动模型、双关节联动模型、三关节联动模型、六关节联动模型；
5、s2：输入理想末端位置坐标，在核查输入末端坐标正确后将所述理想末端位置坐标输入bp神经网络预测模型中，确定bp神经网络预测模型拓扑结构，并初始化bp神经网络预测模型的权值和阈值；
6、s3：基于woa-ga-bp预测神经网络算法对所述bp神经网络预测模型进行改进：生成初始鲸鱼种群，并设定初始鲸鱼初始值，获取混沌序列，调节收敛因子，调节惯性权重，并映射到初始鲸鱼种群搜索空间，完成woa的初始化，计算鲸鱼种群适应度，标记初始个体最优位置和全局最优位置；
7、s4：计算新的控制参数并更新系数向量a，生成[0,1]区间内随机数p，当p＜0.5且|a|≥1则根据向猎物盘旋的行为更新个体位置；当p＞0.5，根据收缩环绕行为更新个体位置或者根据猎物狩猎行为更新个体位置；
8、s5：计算新的个体适应度，并追踪新的个体最优位置与全局最优位置，判断是否满足最大迭代条件，若否，重新执行步骤s4，若是，输出全局最优解，即输出最优权值与阈值参数，并传输给bp神经网络预测模型；
9、s6：使用改进后的bp神经网络预测模型进行训练与仿真预测，输出实际末端位置坐标，利用逆运动学求解关节运动量，并输出实际补偿后的关节运动量。
10、优选的，步骤s2中的bp神经网络预测模型包括输入层、隐藏层和输出层，所述输入层有n个参数，即x1，x2，x3，...，xn，代表所述bp神经网络预测模型的n个输入参数，所述输出层有一个参数y，y为修正后的预测值，输入层有n个节点，输出层有1个节点，所述隐藏层的节点个数的计算公式为：
11、
12、隐藏层结果的公式为：
13、
14、输出层结果的公式为：
15、
16、其中，表示第l+1层的第i个激活单元，ym代表系统的第m个输出，代表这第l层映射到第l+1的权重，函数g(x)代表着对计算结果进行非线性映射。
17、优选的，步骤s3中于woa-ga-bp预测神经网络算法对所述bp神经网络预测模型进行改进的具体过程如下：
18、s31：基于bp神经网络的初始参数值设定初始woa鲸鱼种群，对初始鲸鱼种群进行ga算法优化；
19、s32：基于woa算法对bp神经网络的进行优化。
20、优选的，步骤s31中对初始鲸鱼种群进行ga算法优化的具体过程如下：
21、s311：根据适应度值，利用锦标赛法进行选择操作，设定选择概率为pi，则pi的表达式为：
22、
23、s312：通过交叉操作生成新的个体，设定交叉概率为pc,设定交叉后的新个体为y1，y2，y3，...，yn，交叉点为k1，k2，k3，...，km-1，m为交叉点个数，计算交叉概率：
24、
25、s313：计算多点交叉的交叉概率：
26、
27、s314：执行变异操作：设定变异概率为pm，则对应个体yi的第j个基因位置yij的变异公式为：
28、
29、其中，δ为一个随机扰动，服从正态分布，用以改变yij的值；
30、s315：迭代执行步骤s311至步骤s314，获得最优的初始鲸鱼优化族群p。
31、优选的，基于woa算法对bp神经网络的进行优化包括以下步骤：
32、s316：鲸鱼优化算法包围猎物：
33、假设在d维空间内，当前最佳鲸鱼个体x*的位置为鲸鱼个体xj的位置在则鲸鱼xj在最佳鲸鱼个体的影响下，下一代xj+1位置的计算公式为，
34、
35、其中表示空间坐标xj+1的第k个分量，a为随着迭代次数增加，从2至0线形递减；r1，r2为0到1的随机数；
36、s317：螺旋式位置更新：由当前位置的鲸鱼个体螺旋式向当前位置的最佳鲸鱼个体靠近：
37、
38、其中，b为对数螺旋形状常数，l为本文档来自技高网...
【技术保护点】
1.基于改进WOA-GA-BP神经网络的机械臂定位误差补偿方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进WOA-GA-BP神经网络的机械臂定位误差补偿方法，其特征在于，步骤S2中的BP神经网络预测模型包括输入层、隐藏层和输出层，所述输入层有N个参数，即x1，x2，x3，...，xN，代表所述BP神经网络预测模型的N个输入参数，所述输出层有一个参数y，y为修正后的预测值，输入层有n个节点，输出层有1个节点，所述隐藏层的节点个数的计算公式为：
3.根据权利要求2所述的基于改进WOA-GA-BP神经网络的机械臂定位误差补偿方法，其特征在于，步骤S3中于WOA-GA-BP预测神经网络算法对所述BP神经网络预测模型进行改进的具体过程如下：
4.根据权利要求1所述的基于改进WOA-GA-BP神经网络的机械臂定位误差补偿方法，其特征在于，步骤S31中对初始鲸鱼种群进行GA算法优化的具体过程如下：
5.根据权利要求1所述的基于运动分解与改进WOA-BP的机械臂定位误差；补偿方法，其特征在于，基于WOA算法对BP神经网络的进行优化
6.根据权利要求5所述的基于改进WOA-GA-BP神经网络的机械臂定位误差补偿方法，其特征在于，步骤S6的具体过程如下：
7.根据权利要求6所述的基于改进WOA-GA-BP神经网络的机械臂定位误差补偿方法，其特征在于，步骤S6中的误差补偿的具体计算为：
...【技术特征摘要】
1.基于改进woa-ga-bp神经网络的机械臂定位误差补偿方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进woa-ga-bp神经网络的机械臂定位误差补偿方法，其特征在于，步骤s2中的bp神经网络预测模型包括输入层、隐藏层和输出层，所述输入层有n个参数，即x1，x2，x3，...，xn，代表所述bp神经网络预测模型的n个输入参数，所述输出层有一个参数y，y为修正后的预测值，输入层有n个节点，输出层有1个节点，所述隐藏层的节点个数的计算公式为：
3.根据权利要求2所述的基于改进woa-ga-bp神经网络的机械臂定位误差补偿方法，其特征在于，步骤s3中于woa-ga-bp预测神经网络算法对所述bp神经...
【专利技术属性】
技术研发人员：胡晓兵，张雪健，张哲源，李韵辰，杜玲羽，彭骥，
申请(专利权)人：四川大学，
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。