文摘

工业机器人有一个伟大的影响提高生产率和降低生产过程的时间。为这个目的,在过去的十年里,许多研究人员集中优化机器人模型利用人工智能(AI)技术。万向关节,因为他们的可调机械优势进行了调查作为一种替代传统的转动关节,尤其是当他们应该有微小的动作。在这个研究中,遗传算法(GA),一个著名的进化技术,采用万向关节的最佳参数。由于采用遗传算法是一个耗时的过程,一个人工神经网络(ANN)的架构提出了模型GA的行为。结果表明,提出的ANN模型可以用来代替复杂而耗时的GA的过程中寻找最优参数的万向接头。

1。介绍

在可持续发展的经济模式的定义,自然资源如能源和材料被认为是有限的资源。工业机器人可以利用这个问题作为一个潜在的解决方案通过增加生产力和减少浪费从而减少排放和促进可持续发展1]。在过去的十年中,设计更精确和准确的机器人已经成为许多科学家的研究兴趣。特别是,许多研究已经集中利用人工智能(AI)技术来促进经济和环境的可持续性2- - - - - -4]。

各种新颖的技术,如环概率逻辑神经网络(RPLNNs) [5)、遗传算法(GA),粒子群(PS),混合算法,并以代理人为基础的算法提出了研究人员提供一个近似解的合成机制(5,6]。2017年,Soldberg [7)调查对象检测的可能性,通过深层神经网络在农业机器人。金等。8]介绍了神经网络的特殊形式优化冗余机械手。模糊小波安方法利用了日圆et al。9]在2017年控制工业机器人机械手使用模糊小波神经网络。同样,2018年,他们采用了周期性模糊小波神经网络的方法来控制机械手(10]。

摘要安架构采用模型GA优化器的行为的过程中发现机械臂的最优参数配备了万向节驱动程序。这项研究提出了一种新颖的方法在安的训练过程,采用遗传算法(气)的数据训练提出了安,所以在训练过程结束后,提出了安作为一个函数优化器代替GA。在这个研究中,MATLAB软件被用来生成ANN模型和执行遗传算法优化过程。重要的是突出重点,其他有效算法等优化技术,蜜蜂的殖民地,和RPLNN可以采用训练提出了安,和遗传算法利用优化技术的一个例子。

2。方法

这项研究的最终目的是开发一个ANN模型作为一个函数近似者能够模型的动态行为GA优化器的过程中发现万向节传动在机械臂的最优参数。

不同于之前的工作,设计安并没有训练的一般数学模型的数据中提取机械手臂,但其参考模型的遗传算法作为参数优化器是常平架装备机械臂模型。这意味着该安应该作为一个函数优化和消除利用优化技术的需要。

达到这一目标的第一步,万向节传动的行为应该是数学建模,和下一个步骤是利用了万向节传动在3种不同的著名机械手臂和引进相关的数学模型。第三步是找到最优设计参数利用GA的著名的人工智能进化技术。最后一步是新奇的一部分研究是设计和训练一个安采取行动而不是优化算法,遗传算法。该方法已经流程图,如图所示1。

完成任务,其余的手稿已经准备以下序列:简要介绍平衡机制是在下一小节中介绍。同时,电阻率椭球制定测量机械臂的可操纵性。接下来,能够施加最大的力在所需的方向上,遗传算法(GA)作为一个著名的进化优化技术被用来优化高度非线性的适应度函数。GA是非常耗时的,人工神经网络(ANN)的新奇的研究利用学习遗传算法的输入和输出之间的关系。安是训练利用GA的优化结果在几个随机生成配置。因此,训练有素的安可以取代整个优化过程和作为一个函数的优化器。这种方式可以利用ANN模型训练获得新配置的优化结果而不是GA优化器。更好地对该方法的有效性,选择三个简单的机械手臂调查任务。

2.1。万向节驱动

在图2常规的一个自由度,万向节传动。以下是平衡机制的控制方程(11]: 在哪里θ_在是输入角(垂直轴)旋转角,θ_出是输出角度(水平轴的转动角/帧),θ_c的梯度是截断圆柱,然后呢θ_{of_out}在输出偏移的角度。它可以推导出的梯度截断圆柱,θ_c,是一个设计参数,因为它集输出角的范围。

事实是,对任何输入值(θ_在),存在两种可能的输出配置(θ_出),这是另一个优势的平衡机制。减速比的影响也应考虑。我们也应该注意到的梯度θ_c是一个设计参数,因为它将输出角的范围。

研究可操纵性形态,电阻率椭球的经典标准制定与传统转动关节机械手。是比较相同的形态相同的手臂平衡传输一些关节代替。

最大的可实现的力量在机械手尖点,经典的假设是假定关节力矩保持统一的欧式范数(11]:

工作空间的关系的力量F和关节力矩的向量是由(11] 在哪里J是整个机械手的雅可比矩阵。

用(3)(2),得到以下方程:

关系(4)变化的超球面联合部队(2)超椭圆体,称为电阻率椭球。这种方法主要是用来评估机械臂的可操纵性的品质。

指定的方向,实现更大的力量通过平衡机制是主要的目标。工作空间的力矢量表示为(11] 在哪里的大小是和方向上的单位向量沿着X,Y,Z轴,分别,为了保持简洁,替代了 。用(5)(4)收益率以下方程(11]:

因此,适用的力的大小在所需的方向上的特定点应该确定机械手的工作空间。比较适用的力的大小, ,为不同类型的机械手,将导致认识到有效的机器人设计和使用万向传动代替传统的转动关节是否提高了机器人的可操纵性。

2.1.1。案例研究

(1)存款准备金率的手臂。数值例子,已经进行了三次案例研究。首先,空间机器人有三个转动关节(存款准备金率或3 r)如图3研究分析万向传动的优点在机器人联合传播。为了方便起见, 相反,使用。假设l₁=l₂=l₄= 0.5米,l₃= 1 m,雅可比矩阵的3R空间机器人是由(11]

现在是想在关节2和3使用平衡传输。获得一种新的雅可比矩阵,一个替代品θ₂和θ₃的3 r空间机器人。假设θ_{of_out}= 0和θ_c= 45°,机械手的雅可比矩阵与平衡传输在关节2和3就11] 在哪里J_G万向节传动时的机械手的雅可比矩阵用于关节2和3。使用可操纵性椭球体,f简单和常平架装备3R空间机器人已经被穆罕默迪相比et al。11]。

(2)斯坦福的手臂。斯坦福大学的一个简化版本的手臂如图4已被调查。的雅可比矩阵的手臂,假设l₁= 1米,l₂= 0.5 m,如下(11]:

使用万向节驱动关节2,新获得的雅可比矩阵是用(1)θ₂在(11)。假设θ_{of_out}= 0和θ_c= 45°,下面的雅可比矩阵派生(11]: 在哪里J_G机械手的雅可比矩阵是一个万向节传动用于关节2。使用可操纵性椭球,我们比较f在简单的装备和万向节斯坦福与传统转动关节手臂和胳膊配有万向转动关节2传输。为此,d₃(手臂的关节变量仅仅移动关节)设置为1米。所需的力矢量的方向被认为是dx= dy= dz= 1 (11]。

(3)弹性分组环平面的手臂。图5显示了一个revolute-prismatic-revolute(即。弹性分组环)平面机械手。手臂的雅可比矩阵,假设l₁= 1米,l₂= 0.5 m,如下(11]:

万向节传动用于关节3代替传统的转动关节。获得一种新的雅可比矩阵,一个从(替代1)θ₃的机器人。假设θ_{of_out}= 0,机械手的雅可比矩阵与万向节传动联合3成为[11] 在哪里J_G万向节传动时的机械手的雅可比矩阵用于联合3。保持简洁的元素J_G这里没有显示。

2.2。遗传算法

遗传算法是著名的进化优化技术之一,已被许多研究人员采用优化复杂问题[12- - - - - -14]。简而言之,通过遗传算法优化过程可以分为6个步骤如下(15]:(1)创建人口可能的答案(2)适应度函数评价(3)创建下一代的可能的答案(4)应用交叉(5)应用突变(6)重复步骤2 - 5

在这个研究中,已经利用遗传算法寻找最优参数的万向接头(截断角度)。为此,上述人口生成技术已经探讨了矩阵生成新的人口的重量。这一过程持续进行直到最后选择权重矩阵或矩阵已经完成。在这个仿真,人口的重量产生矩阵随机遗传算法开始时。在每一代中,矩阵的人口已经修改通过离散的跨界车和均匀随机突变,和健身价值评估。的循环重建新的人口有更好的个人和重新启动重复搜索,直到找到更好的解决方案。

适应度函数被定义为最大化适用力大小,f,通过最小化的参数方程(6)[16]。为此,生成适应度函数的三个机器人机械手(存款准备金率、RPR和斯坦福大学),需要替换的雅可比矩阵,每一个案例研究,方程(9),(12)和(14在方程()6)[16]。然后,优化过程已经开始20个人和人口已经运行了1000次。因为它是表所示1交叉和变异的,发生的概率被假定为0.4和0.01,分别。

2.3。神经网络

人工神经网络被用于不同的工程和科学等领域控制、数据处理(17,机器人18),函数逼近(19),和模式和语音识别20.]。一个安由神经元连接已被分为三层,即输入层、隐层和输出层(21]。可能有不止一个隐层的安使它更加灵活和准确的学习在学习的时间和精力的成本。

基于这些神经元之间的连接的类型,人工神经网络可以分为两个不同的组:加权人工神经网络和轻便人工神经网络22]。本研究着重于利用加权神经网络作为优化器函数。

见图6,应该调整网络参数,以使网络作为植物(参考模型)。这意味着通过给安和植物相同的输入,网络的输出应该类似的输出。训练前馈网络的第一步是创建网络对象。它需要三个参数和返回网络对象。第一个参数是一个示例R-element输入向量的矩阵。第二个参数是一个矩阵的样本S-element目标向量。样例输入和输出是用于设置网络的输入和输出尺寸和参数。第三个参数是一个数组,其中包含每个隐层的大小(目标)的输出层的大小决定。在这个研究中,提到了未知函数的遗传算法优化器。拟议的安由乙状结肠隐藏层和一个线性输出层。

安已经调整参数使安充当GA优化器(参考模型),优化平衡装备机械臂的性能指标。这意味着相同的输入给安和遗传算法,网络的输出应该像的输出GA适应度函数计算。这意味着该安有一个单输入单输出(输出)架构。Levenberg-Marquardt算法采用这里训练提出了ANN模型的动态行为GA优化器的万向机械手臂。安是一个雅可比矩阵的输入的维数33,其输出是矩阵计算的最大力量的降级11。

Levenberg-Marquardt算法计算近似海赛矩阵的维度n——- - - - - -n。梯度下降的过程更改重量和偏见,变化成正比的网络错误的衍生品对重量和偏见。这样做是为了减少网络错误。当性能函数平方和的形式(如培训是典型的前馈网络),海赛矩阵可以近似为 在哪里J是网络的雅可比矩阵,包含一阶导数对重量和偏见和错误吗e是一个向量的网络错误。梯度计算

3所示。结果

如前所述,找到最大的价值f在每一个案例研究,介绍遗传算法优化技术已经采用在这个研究。人口的过程已经开始20个人,已经运行了1000次,交叉和变异的发生的概率被假定为0.4和0.01,分别。结果规范化的适应度函数值的每一个机械手臂的每个迭代遗传算法优化过程如图7。它可以观察到,所有的三个案例的优化过程正常工作和规范化的健身价值一直在增加在每个迭代中。

表2展示了四个不同的成果通过运行遗传算法联合基于适应度函数值和方向的存款准备金率臂用于评估和优化的最大值f,也比较的最大力量平衡装备存款准备金率与转动关节机器人与机器人。结果表明,在这些点,力的大小由万向节装配机器人大于相同数量的机器人使用转动关节。因此,可以推断,万向节驱动改善了机器人的可操纵性。在这里,的值θ_c2和θ_c3限制在10到85度,这样设计变得可行。

表3展示了四个不同的成果通过运行遗传算法联合的适应度函数值和方向基于弹性分组环臂用于评估和优化的最大值f。它可以推断出从结果实现的万向节驱动关节2增加了尖点的最大实现力的操纵者。这里,截断角的值绑定,确保设计的可行性49和85度之间。

表4展示了四个不同的成果通过运行遗传算法联合基于适应度函数值和方向斯坦福手臂的用于评估和优化的最大值f。装备的最大力量平衡机器人与传统相比,机器人转动关节和显示,在这些点,万向节装配机器人的力量大于相同数量的机器人使用传统的转动关节。因此,它可以推断万向节驱动已大大改进机器人的可操纵性。这里,截断角的值绑定,确保设计的可行性10至85度。

现在,通过遗传算法的优化结果,提出的培训可以执行安。基本上,GA以来利用优化三个不同的案例研究而有不同的雅可比矩阵,三种不同的人工神经网络训练了每一个机械手臂。以来,重要的是要知道,隐层神经元的数量应该选择任意的,在这个研究的影响增加隐层神经元已经调查了15日20日和25个神经元,而且训练均方误差极限定义为0.9。图8显示了安训练的结果与假设15,存款准备金率的手臂20和25个隐层神经元。

从图8,它可以观察到,通过增加神经元的数量从15到20,培训少安已经完成的步骤,但训练均方误差增加,使仿真结果更糟。另一方面,通过增加神经元的数量从20到25,少安已经完成的训练步骤,而训练均方误差已经降低了甚至还不到15个神经元的情况,它使得仿真结果更好。

培训结果与假设弹性分组环臂15、20、25个隐层神经元见图9。

在图9,但结果表明,训练成功,他们不遵循前面的路径作为存款准备金率的描述。区别在于准确的模拟结果表明,通过增加隐层神经元,训练时间和迭代将减少,但安的均方误差与15个神经元是最低的,所以相关的安相比有更高的性能和其他两个。

培训结果与假设15,斯坦福的手臂20和25个隐层神经元见图10。

结果如图10从存款准备金率的结果是完全不同的,弹性分组环;此外,安设计显示了不同的行为。像前面的两种情况下,它可以观察到,通过增加隐层神经元的数目,训练迭代增加。这里,不同的结果RPR和存款准备金率,训练均方误差已经减少了增加隐层神经元的数量。这意味着安25隐层神经元具有最佳的性能比其他两个。

所有这些观察的总结表所示5- - - - - -7。结果表明,提出的行为安无法预测的隐层神经元的数量,但有一点是显而易见的,事实上提出了安正常工作。

一般来说,后点的培训过程提出了三个机器人手臂安和三个不同数量的隐层神经元为每个案例研究可以观察到表5- - - - - -7。

1000个随机点(输入和输出)生成一个提要安。他们根据正态分布在允许的区域生成的每一个关节空间的机器人。此外,验证和测试数据样本都设置为原始样本的15%(见表5- - - - - -7)。所以,300个随机样本用于验证和测试,和700个样本去训练。虽然是正确的,通过改变这个安排或使用较大的数据样本和培训网络,面对不同的结果,但值得注意的是,它将会给一些边际改善。为了实现可靠的结果,初始条件对三例病例是固定的(斯坦福,存款准备金率和弹性分组环)。

一组训练样本提出了网络在训练和网络调整根据其错误。此外,一组验证数据是用来衡量网络泛化和停止训练当泛化停止改善。此外,一组测试样本没有影响培训并提供一个独立的网络性能测量期间和之后的训练。

均方误差平均平方输出和目标之间的区别也更好,降低值,0表示没有错误(见表5- - - - - -7)。

回归R值测量输出和目标之间的关系。一个R值为1时表示亲密关系和0意味着随机关系。作为数据输入神经网络可能的散射类型,谨慎和相关的数据值是这些数据的好措施。这种方式的回归值帮助决定亲密的数据用于训练和ANN预测未知结果的方式。

它可以从表解释5- - - - - -7通过增加神经元的数量从15到25岁,在这个特殊的案例研究中,迭代次数减少这意味着均方误差降低为零。重要的是要知道这个结果不能作为模式用于所有情况下,并不能保证更好的结果通过增加神经元的数量,有可能变得更糟的结果通过增加神经元的数量。

结果表明,神经元数量的增加导致减少迭代次数这意味着均方误差已经接近于零,而回归数据已经接近一个案例研究的研究。因此,可以得出这样的结论:通过增加神经元的数量,提出神经网络性能研究一直增加。

4所示。结论和未来的工作

本文合成的三个机械手臂如存款准备金率、弹性分组环,斯坦福万向节传动可实现最大的力进行了分析。遗传算法被用来找到最优参数的万向接头(截断角度),然后它被用作参考提出的神经网络模型。成千上万的随机生成的点被用作输入的平衡动态模型GA优化过程。这些点被喂食神经网络寻找输入和输出之间的关系探讨如何安提出的算法可以代替的GA优化器配有万向传动的参数机制。

结果证实该安优化器的万向节传动是一种新型的、有效的技术,可以利用作为一种有效的优化改善机器人基于他们的应用程序的性能。因为机器人做出定性的贡献生产力,改善他们的表现有助于可持续发展通过减少能源消耗和浪费在制造过程。

未来的一个有价值的主题可以被定义为测量工作能耗和减少材料浪费率利用安在现实工业实现提出了一种可以给一个更好的观点理解该安有利于可持续发展。另一个未来的工作,等著名的优化技术混合优化技术,蜜蜂的殖民地,可以用作参考模型和粒子群训练提出了神经网络。也不同的神经网络模型,如环概率逻辑神经网络(RPLNN)和基于ram的神经网络可以利用,而不是提出安。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。