【技術實現步驟摘要】
本專利技術涉及液壓機械臂控制，具體的說是一種基于優化bp神經網絡的液壓機械臂控制方法及系統。
技術介紹
1、隧道工程建設的快速增長對大型液壓機械臂的需求急劇增加，但由于液壓機械臂巨大的承載力引起的撓度誤差，導致末端控制精度難以保證。機械臂逆運動學直接制約機械臂的控制速度與精度。人工神經網絡因其強大的映射能力，避免復雜的計算過程，滿足實時控制要求，所以廣泛應用于復雜機械臂的逆解，常用的神經網絡主要是bp神經網絡。但是，bp神經網絡在處理多峰高維度問題時，易陷入局部最優，難以找到全局最優解，導致真正用于對液壓機械臂進行控制時，精確度還是有限。
2、元啟發式算法在解決復雜非線性問題時效率較高，因此，可以克服bp神經網絡易陷入局部最優的缺點。現有技術中的此類方法也在逐漸發展，例如，(1)文獻“bai,yonghuaetal.“an?algorithm?for?solving?robot?inverse?kinematics?based?on?foaoptimized?bp?neural?network.”applied?sciences(2021):n.pag.”利用果蠅優化算法(foa)優化bp神經網絡初始權值偏置，以避免bp神經網絡陷入局部極值的方法；(2)文獻“rokbani?n,casals?a,alimiam.ik-fa,a?new?heuristic?inverse?kinematics?solverusing?firefly?algorithm.comput?intellappl?model?control.2
3、但是，現有的元啟發式算法在應對多峰高維度問題時，往往受制于預設的固定算法參數，導致算法缺乏適應性，無法有效調整探索策略以適應優化的不同階段，導致對bp神經網絡的優化效果有限。
技術實現思路
1、為了解決現有技術中的不足，本專利技術提供基于一種優化bp神經網絡的液壓機械臂控制方法及系統，基于aswo優化算法對bp神經網絡進行優化，并且利用優化后的bp神經網絡對液壓機械臂進行逆解和控制，有效提高了對液壓機械臂的控制精度。
2、為了實現上述目的，本專利技術采用的具體方案為：基于優化bp神經網絡的液壓機械臂控制方法，包括如下步驟：
3、將獲取到的末端目標位姿輸入到已預先訓練完成的優化bp神經網絡中，利用優化bp神經網絡進行逆解得到關節動作數據；
4、基于關節動作數據生成控制指令，并且基于控制指令對液壓機械臂的關節進行控制；
5、其中，優化bp神經網絡的生成方法包括：
6、構建aswo(adaptive?spider?wasp?optimizer，自適應蜘蛛蜂優化器)優化模型，并確定aswo優化模型中的初始關鍵參數，初始關鍵參數包括種群規模n、權衡率tr和交叉率cr；
7、基于液壓機械臂的機械結構和逆解需求確定bp神經網絡拓撲結構，以及所需要的權值參數和偏置參數的個數，并且利用aswo優化模型對蜘蛛蜂個體的位置進行迭代；
8、計算aswo優化模型迭代過程中的平均適應度變化率，并且基于平均適應度變化率動態調整初始關鍵參數；
9、當達到預設的終止條件時終止aswo模型的迭代，并且輸出優化后的權值參數和偏置參數；將優化后的權值參數和偏置參數作為bp神經網絡的基礎權值參數和基礎偏置參數，并且根據逆解數據集對bp神經網絡進行訓練得到優化bp神經網絡。
10、作為上述基于優化bp神經網絡的液壓機械臂控制方法的進一步優化：對蜘蛛蜂個體的位置進行迭代的具體方法為：
11、依次使蜘蛛蜂個體經過搜索階段、跟隨階段、筑巢階段和交配階段完成位置的迭代；
12、搜索階段的位置更新方法為：
13、
14、跟隨階段的位置更新方法為：
15、
16、筑巢階段的位置更新方法為：
17、
18、交配階段的位置更新方法為：
19、
20、作為上述基于優化bp神經網絡的液壓機械臂控制方法的進一步優化：平均適應度變化率的計算方法為：
21、δf_avg(t)＝-(f_avg(t)-f_avg(t-1))/f_avg(t-1)；
22、其中，f_avg(t)是第t代的平均適應度，f_avg(t-1)是第t-1代的平均適應度。
23、作為上述基于優化bp神經網絡的液壓機械臂控制方法的進一步優化：基于平均適應度變化率動態調整關鍵參數的具體方法包括：
24、當平均適應度變化率δf_avg(t)在連續的m代中均高于第一閾值thu時，加速減少種群規模n；當平均適應度變化率δf_avg(t)在連續的m代中均低于第二閾值thl時，減速減少種群規模n。
25、作為上述基于優化bp神經網絡的液壓機械臂控制方法的進一步優化：調整種群規模n的減少速度的具體方法為：
26、
27、其中αfastαslowαnormal為預設的速率參數。
28、作為上述基于優化bp神經網絡的液壓機械臂控制方法的進一步優化：基于平均適應度變化率動態調整關鍵參數的具體方法包括：
29、當平均適應度變化率δf_avg(t)在連續的m代中均高于第一閾值thu時，降低權衡率tr和交叉率cr；
30、當平均適應度變化率δf_avg(t)在連續的m代中均低于第二閾值thl時，提高權衡率tr和交叉率cr。
31、作為上述基于優化bp神經網絡的液壓機械臂控制方法的進一步優化：調整權衡率tr的具體方法為：
32、
33、其中，αtr為權衡率提高權重，βtr為權衡率降低權重。
34、作為上述基于優化bp神經網絡的液壓機械臂控制方法的進一步優化：調整交叉率cr的具體方法為：
35、
36、其中，αcr為交叉率提高權重，βcr為交叉率減小權重。
37、作為上述基于優化bp神經網絡的液壓機械臂控制方法的進一步優化：基于平均適應度變化率動態調整關鍵參數的過程中，權衡率tr和交叉率cr的取值范圍均為[0,1]。
38、作為上述基于優化bp神經網絡的液壓機械臂控制方法的進一步優化：基于平均適應度變化率動態調整關鍵參數的過程中，對權衡率tr和交叉率cr進行邊界檢查，具體本文檔來自技高網...
【技術保護點】
1.基于優化BP神經網絡的液壓機械臂控制方法，其特征在于，包括如下步驟：
2.如權利要求1所述的基于優化BP神經網絡的液壓機械臂控制方法，其特征在于，對蜘蛛蜂個體的位置進行迭代的具體方法為：
3.如權利要求1所述的基于優化BP神經網絡的液壓機械臂控制方法，其特征在于，平均適應度變化率的計算方法為：
4.如權利要求1所述的基于優化BP神經網絡的液壓機械臂控制方法，其特征在于，基于平均適應度變化率動態調整初始關鍵參數的具體方法包括：
5.如權利要求4所述的基于優化BP神經網絡的液壓機械臂控制方法，其特征在于，調整種群規模N的減少速度的具體方法為：
6.如權利要求1所述的基于優化BP神經網絡的液壓機械臂控制方法，其特征在于，基于平均適應度變化率動態調整初始關鍵參數的具體方法包括：
7.如權利要求6所述的基于優化BP神經網絡的液壓機械臂控制方法，其特征在于，調整權衡率TR的具體方法為：
8.如權利要求6所述的基于優化BP神經網絡的液壓機械臂控制方法，其特征在于，調整交叉率CR的具體方法為：
9
10.如權利要求9所述的基于優化BP神經網絡的液壓機械臂控制方法，其特征在于，基于平均適應度變化率動態調整初始關鍵參數的過程中，對權衡率TR和交叉率CR進行邊界檢查，具體方法為：
...【技術特征摘要】
1.基于優化bp神經網絡的液壓機械臂控制方法，其特征在于，包括如下步驟：
2.如權利要求1所述的基于優化bp神經網絡的液壓機械臂控制方法，其特征在于，對蜘蛛蜂個體的位置進行迭代的具體方法為：
3.如權利要求1所述的基于優化bp神經網絡的液壓機械臂控制方法，其特征在于，平均適應度變化率的計算方法為：
4.如權利要求1所述的基于優化bp神經網絡的液壓機械臂控制方法，其特征在于，基于平均適應度變化率動態調整初始關鍵參數的具體方法包括：
5.如權利要求4所述的基于優化bp神經網絡的液壓機械臂控制方法，其特征在于，調整種群規模n的減少速度的具體方法為：
6.如權利要求1所述的基于優化bp神經網絡的液壓機械臂控制方法，其特征...
【專利技術屬性】
技術研發人員：徐巧玉，藺巖松，張正，琚文浩，王軍委，
申請(專利權)人：洛陽銀杏科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。