【技术实现步骤摘要】
本专利技术涉及液压机械臂控制，具体的说是一种基于优化bp神经网络的液压机械臂控制方法及系统。
技术介绍
1、隧道工程建设的快速增长对大型液压机械臂的需求急剧增加，但由于液压机械臂巨大的承载力引起的挠度误差，导致末端控制精度难以保证。机械臂逆运动学直接制约机械臂的控制速度与精度。人工神经网络因其强大的映射能力，避免复杂的计算过程，满足实时控制要求，所以广泛应用于复杂机械臂的逆解，常用的神经网络主要是bp神经网络。但是，bp神经网络在处理多峰高维度问题时，易陷入局部最优，难以找到全局最优解，导致真正用于对液压机械臂进行控制时，精确度还是有限。
2、元启发式算法在解决复杂非线性问题时效率较高，因此，可以克服bp神经网络易陷入局部最优的缺点。现有技术中的此类方法也在逐渐发展，例如，(1)文献“bai,yonghuaetal.“an algorithm for solving robot inverse kinematics based on foaoptimized bp neural network.”applied sciences(2021):n.pag.”利用果蝇优化算法(foa)优化bp神经网络初始权值偏置，以避免bp神经网络陷入局部极值的方法；(2)文献“rokbani n,casals a,alimiam.ik-fa,a new heuristic inverse kinematics solverusing firefly algorithm.comput intellappl model control.2
3、但是，现有的元启发式算法在应对多峰高维度问题时，往往受制于预设的固定算法参数，导致算法缺乏适应性，无法有效调整探索策略以适应优化的不同阶段，导致对bp神经网络的优化效果有限。
技术实现思路
1、为了解决现有技术中的不足，本专利技术提供基于一种优化bp神经网络的液压机械臂控制方法及系统，基于aswo优化算法对bp神经网络进行优化，并且利用优化后的bp神经网络对液压机械臂进行逆解和控制，有效提高了对液压机械臂的控制精度。
2、为了实现上述目的，本专利技术采用的具体方案为：基于优化bp神经网络的液压机械臂控制方法，包括如下步骤：
3、将获取到的末端目标位姿输入到已预先训练完成的优化bp神经网络中，利用优化bp神经网络进行逆解得到关节动作数据；
4、基于关节动作数据生成控制指令，并且基于控制指令对液压机械臂的关节进行控制；
5、其中，优化bp神经网络的生成方法包括：
6、构建aswo(adaptive spider wasp optimizer，自适应蜘蛛蜂优化器)优化模型，并确定aswo优化模型中的初始关键参数，初始关键参数包括种群规模n、权衡率tr和交叉率cr；
7、基于液压机械臂的机械结构和逆解需求确定bp神经网络拓扑结构，以及所需要的权值参数和偏置参数的个数，并且利用aswo优化模型对蜘蛛蜂个体的位置进行迭代；
8、计算aswo优化模型迭代过程中的平均适应度变化率，并且基于平均适应度变化率动态调整初始关键参数；
9、当达到预设的终止条件时终止aswo模型的迭代，并且输出优化后的权值参数和偏置参数；将优化后的权值参数和偏置参数作为bp神经网络的基础权值参数和基础偏置参数，并且根据逆解数据集对bp神经网络进行训练得到优化bp神经网络。
10、作为上述基于优化bp神经网络的液压机械臂控制方法的进一步优化：对蜘蛛蜂个体的位置进行迭代的具体方法为：
11、依次使蜘蛛蜂个体经过搜索阶段、跟随阶段、筑巢阶段和交配阶段完成位置的迭代；
12、搜索阶段的位置更新方法为：
13、
14、跟随阶段的位置更新方法为：
15、
16、筑巢阶段的位置更新方法为：
17、
18、交配阶段的位置更新方法为：
19、
20、作为上述基于优化bp神经网络的液压机械臂控制方法的进一步优化：平均适应度变化率的计算方法为：
21、δf_avg(t)＝-(f_avg(t)-f_avg(t-1))/f_avg(t-1)；
22、其中，f_avg(t)是第t代的平均适应度，f_avg(t-1)是第t-1代的平均适应度。
23、作为上述基于优化bp神经网络的液压机械臂控制方法的进一步优化：基于平均适应度变化率动态调整关键参数的具体方法包括：
24、当平均适应度变化率δf_avg(t)在连续的m代中均高于第一阈值thu时，加速减少种群规模n；当平均适应度变化率δf_avg(t)在连续的m代中均低于第二阈值thl时，减速减少种群规模n。
25、作为上述基于优化bp神经网络的液压机械臂控制方法的进一步优化：调整种群规模n的减少速度的具体方法为：
26、
27、其中αfastαslowαnormal为预设的速率参数。
28、作为上述基于优化bp神经网络的液压机械臂控制方法的进一步优化：基于平均适应度变化率动态调整关键参数的具体方法包括：
29、当平均适应度变化率δf_avg(t)在连续的m代中均高于第一阈值thu时，降低权衡率tr和交叉率cr；
30、当平均适应度变化率δf_avg(t)在连续的m代中均低于第二阈值thl时，提高权衡率tr和交叉率cr。
31、作为上述基于优化bp神经网络的液压机械臂控制方法的进一步优化：调整权衡率tr的具体方法为：
32、
33、其中，αtr为权衡率提高权重，βtr为权衡率降低权重。
34、作为上述基于优化bp神经网络的液压机械臂控制方法的进一步优化：调整交叉率cr的具体方法为：
35、
36、其中，αcr为交叉率提高权重，βcr为交叉率减小权重。
37、作为上述基于优化bp神经网络的液压机械臂控制方法的进一步优化：基于平均适应度变化率动态调整关键参数的过程中，权衡率tr和交叉率cr的取值范围均为[0,1]。
38、作为上述基于优化bp神经网络的液压机械臂控制方法的进一步优化：基于平均适应度变化率动态调整关键参数的过程中，对权衡率tr和交叉率cr进行边界检查，具体本文档来自技高网...
【技术保护点】
1.基于优化BP神经网络的液压机械臂控制方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于优化BP神经网络的液压机械臂控制方法，其特征在于，对蜘蛛蜂个体的位置进行迭代的具体方法为：
3.如权利要求1所述的基于优化BP神经网络的液压机械臂控制方法，其特征在于，平均适应度变化率的计算方法为：
4.如权利要求1所述的基于优化BP神经网络的液压机械臂控制方法，其特征在于，基于平均适应度变化率动态调整初始关键参数的具体方法包括：
5.如权利要求4所述的基于优化BP神经网络的液压机械臂控制方法，其特征在于，调整种群规模N的减少速度的具体方法为：
6.如权利要求1所述的基于优化BP神经网络的液压机械臂控制方法，其特征在于，基于平均适应度变化率动态调整初始关键参数的具体方法包括：
7.如权利要求6所述的基于优化BP神经网络的液压机械臂控制方法，其特征在于，调整权衡率TR的具体方法为：
8.如权利要求6所述的基于优化BP神经网络的液压机械臂控制方法，其特征在于，调整交叉率CR的具体方法为：
9
10.如权利要求9所述的基于优化BP神经网络的液压机械臂控制方法，其特征在于，基于平均适应度变化率动态调整初始关键参数的过程中，对权衡率TR和交叉率CR进行边界检查，具体方法为：
...【技术特征摘要】
1.基于优化bp神经网络的液压机械臂控制方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于优化bp神经网络的液压机械臂控制方法，其特征在于，对蜘蛛蜂个体的位置进行迭代的具体方法为：
3.如权利要求1所述的基于优化bp神经网络的液压机械臂控制方法，其特征在于，平均适应度变化率的计算方法为：
4.如权利要求1所述的基于优化bp神经网络的液压机械臂控制方法，其特征在于，基于平均适应度变化率动态调整初始关键参数的具体方法包括：
5.如权利要求4所述的基于优化bp神经网络的液压机械臂控制方法，其特征在于，调整种群规模n的减少速度的具体方法为：
6.如权利要求1所述的基于优化bp神经网络的液压机械臂控制方法，其特征...
【专利技术属性】
技术研发人员：徐巧玉，蔺岩松，张正，琚文浩，王军委，
申请(专利权)人：洛阳银杏科技有限公司，
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。