基于仿生算法的機器人腕力傳感器動態(tài)特性及相關技術研究.pdf

1、本文以新型機器人多維腕力傳感器系統(tǒng)為研究對象，圍繞傳感器輸出力信號預處理方法、標定方法、動態(tài)建模方法、動態(tài)補償方法、與操作環(huán)境相互作用時動態(tài)性能變化情況及動態(tài)補償器的設計方法等問題開展研究工作，并將仿生算法用于所進行的研究中，主要內容有： 1.對目前機器人多維腕力傳感器的研究現(xiàn)狀和存在的一些問題進行了總結概括，介紹了幾種仿生算法的基本原理，指出采用新的算法提高建模的準確性，采用新原理、新方法與新型器件實現(xiàn)補償器的實時性與實用性等

2、仍是多維腕力傳感器動態(tài)特性研究中需進一步深入研究的關鍵問題。 2.對研制的一種用于MotomamV3X機器人的新型多維腕力傳感器進行了分析，詳細給出了其結構、工藝、工作原理及信號獲取方式，對這種傳感器彈性體進行了有限元分析。分析結果證實了設計的正確性與合理性。 3.維間耦合是制約多維腕力傳感器測量精度的主要因素，為了克服傳統(tǒng)線性標定方法的局限性，文章介紹了利用徑向基函數(shù)(RBF)神經網絡強非線性逼近能力進行多維腕力傳感器

3、靜態(tài)標定的方法，以研制的新型多維腕力傳感器為對象進行了實驗，并將其與最小二乘法和BP神經網絡標定法進行了比較。結果表明，采用RBF神經網絡對多維腕力傳感器標定比用最小二乘有更高的標定精度，網絡訓練速度大大快于BP神經網絡。這種新方法具有一定的實用價值。 4.機器人多維腕力傳感器工作在工業(yè)現(xiàn)場時，不可避免的受到各種噪聲的干擾，從而影響了測量和控制精度的提高。為了克服傳統(tǒng)去噪方法的局限性，將多重小波變換應用到機器人多維腕力傳感器輸出

4、信號預處理中，采用浮動閾值法消除噪聲，并將傳統(tǒng)的低通濾波和FFT/IFFT方法與本文介紹的方法進行比較。結果表明，多重小波浮動閾值去噪方法在機器人多維腕力傳感器輸出信號去噪的效果優(yōu)于傳統(tǒng)的方法。 5.對遺傳算法的交叉和變異操進行了改進，提出了融合改進遺傳算法(IGA)的函數(shù)連接型人工神經網絡(FLANN)，并將其用于新型多維腕力傳感器動態(tài)模型與動態(tài)補償模型的建立上，介紹了動態(tài)建模、補償原理與算法。該方法利用多維腕力傳感器的動態(tài)標

5、定數(shù)據(jù)，采用遺傳神經網絡搜索來優(yōu)化動態(tài)模型和補償模型參數(shù)。這樣，既保留了遺傳算法的全局搜索能力，又具有FLANN的結構簡單、魯棒性好和自學習能力強的特點，同時，補償模型的建立不依賴動態(tài)模型。結果表明：提出的動態(tài)建模與補償方法能克服FALNN容易陷入局部極小與網絡訓練速度慢的缺點，具有網絡訓練速度快、實時性好、精度高及動態(tài)補償器設計簡單等優(yōu)點。 6.由于目前對多維腕力傳感器安裝在機器人上與環(huán)境相互作用時的動態(tài)性能變化情況研究的不多

6、，故對此問題進行了探討，研究了固有頻率與環(huán)境質量、環(huán)境剛度及阻尼的關系。這對動態(tài)補償實用化研究有重要意義。為了解環(huán)境特性，需對操作環(huán)境進行建模。因此進一步研究了環(huán)境的動力學模型。(1)提出了用RBF神經網絡建立機器人系統(tǒng)中環(huán)境非線性動力學模型的新方法，闡述了其建模機理和建模算法。(2)提出了一種新的基于小波神經網絡(WNN)的環(huán)境非線性動力學模型的建立方法，分析網絡的拓撲結構，給出網絡參數(shù)訓練和初始化方法。采用引入動量項的最速下降法訓練

7、網絡權值、尺度因子和平移因子，將小波網絡參數(shù)的初始化與小波類型、小波時頻參數(shù)和學習樣本等聯(lián)系起來。結果表明，采用RBF神經網絡和小波神經網絡的機器人系統(tǒng)中操作環(huán)境模型優(yōu)于同等規(guī)模的BP網絡，具有網絡訓練速度大大快于BP神經網絡、非線性逼近能力更強及建模精度更高等優(yōu)點，此研究對機器人系統(tǒng)控制結構和控制算法的設計具有重要意義。 7.把電荷轉移器件(CTD)用于機器人多維腕力傳感器動態(tài)補償器的設計中，設計出具有頻率特性可調節(jié)的動態(tài)補償