本發(fā)明涉及到機器人控制，具體涉及一種基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法及系統(tǒng)。

背景技術(shù)：

1、磨拋機器人通常用于自動化的磨削和拋光工序，特別是在需要精密加工的制造業(yè)中，如汽車、航空和模具制造。這些機器人需要按照預(yù)設(shè)的路徑進行操作，以確保工件的表面達到所需的精度和光潔度。傳統(tǒng)的磨拋機器人主要依靠以下方法進行路徑規(guī)劃：預(yù)編程路徑：通過編程定義機器人的運動路徑，這種方法在處理標(biāo)準(zhǔn)化和重復(fù)性高的任務(wù)時效果很好，但缺乏靈活性，難以適應(yīng)形狀復(fù)雜或尺寸變化的工件；手動設(shè)置：操作技術(shù)員根據(jù)經(jīng)驗手動設(shè)置磨拋路徑。這依賴于操作員的技能和經(jīng)驗，效率低下，且結(jié)果易受人為因素影響。

2、隨著制造業(yè)向高效率和高質(zhì)量的目標(biāo)發(fā)展，對機器人技術(shù)提出了更高的要求，尤其是在自動化和智能化方面。磨拋作業(yè)中遇到的主要問題包括：對復(fù)雜幾何形狀的適應(yīng)性：傳統(tǒng)方法難以處理不規(guī)則或復(fù)雜形狀的工件，而這類工件在航空和汽車行業(yè)中非常常見；實時調(diào)整能力：磨拋過程中材料去除的不均勻性要求機器人能夠?qū)崟r調(diào)整路徑，以保證加工質(zhì)量。

3、盡管有些現(xiàn)有技術(shù)嘗試通過更復(fù)雜的控制算法或傳感器技術(shù)來解決這些問題，但大多數(shù)仍面臨以下局限：反應(yīng)速度慢：需要時間來分析數(shù)據(jù)和調(diào)整路徑，難以滿足高效率的生產(chǎn)需求；技術(shù)復(fù)雜度和成本高：高級的控制系統(tǒng)和傳感器不僅增加了機器人系統(tǒng)的復(fù)雜度，還大大增加了成本。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種基于徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法及系統(tǒng)，通過集成rbf神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化(pso)算法，能夠?qū)崟r生成和優(yōu)化機器人的磨拋路徑，以適應(yīng)不同形狀和材質(zhì)的工件，從而提高了磨拋效率和加工質(zhì)量。

2、本發(fā)明采用的技術(shù)方案如下：

3、本發(fā)明的目的之一在于，提出一種基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法，其關(guān)鍵在于：包括如下步驟：

4、步驟1、建立徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，并輸入磨拋機器人的歷史磨拋數(shù)據(jù)進行訓(xùn)練；

5、步驟2、實時采集磨拋機器人磨拋過程的磨拋數(shù)據(jù)并進行數(shù)據(jù)預(yù)處理；

6、步驟3、將預(yù)處理后的磨拋數(shù)據(jù)輸入訓(xùn)練好的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型生成磨拋機器人的初始磨拋路徑；

7、步驟4、采用粒子群算法對所述初始磨拋路徑進行優(yōu)化，獲得磨拋機器人的最優(yōu)磨拋路徑；

8、步驟5、磨拋機器人按照獲得的最優(yōu)磨拋路徑執(zhí)行磨拋任務(wù)，并將執(zhí)行磨拋任務(wù)過程中采集的磨拋數(shù)據(jù)反饋至徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型以實時調(diào)整磨拋路徑。

9、進一步的，步驟1中所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱藏層與輸出層，其中，所述輸入層用于輸入采集的磨拋數(shù)據(jù)；所述隱藏層用于利用徑向基函數(shù)對輸入的磨拋數(shù)據(jù)進行計算，獲得路徑調(diào)整參數(shù)；所述輸出層用于根據(jù)隱藏層輸出的路徑調(diào)整參數(shù)生成優(yōu)化后的磨拋路徑。

10、進一步的，所述隱藏層對輸入的磨拋數(shù)據(jù)進行計算獲得路徑調(diào)整參數(shù)的公式為：

11、

12、其中，hi(x)為路徑調(diào)整參數(shù)，x為輸入的磨拋數(shù)據(jù)，ci為第i個隱含層節(jié)點的中心，σi為第i個隱含層節(jié)點的寬度參數(shù)。

13、進一步的，所述輸出層根據(jù)路徑調(diào)整參數(shù)生成優(yōu)化后的磨拋路徑的公式為：

14、

15、其中，y(x)為優(yōu)化后的磨拋路徑，wi為第i個隱含層節(jié)點的權(quán)重，hi(x)為路徑調(diào)整參數(shù)。

16、進一步的，所述磨拋數(shù)據(jù)包括待磨拋工件的幾何形狀、位置，以及機器人的位姿、速度、加速度、力矩。

17、進一步的，所述數(shù)據(jù)預(yù)處理包括坐標(biāo)轉(zhuǎn)換處理、歸一化處理和位姿計算處理。

18、進一步的，步驟4中采用粒子群算法對所述初始磨拋路徑進行優(yōu)化的具體過程如下：

19、步驟4.1、初始化粒子群；

20、步驟4.2、對每個粒子，基于當(dāng)前的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型的參數(shù)生成路徑，計算適應(yīng)性函數(shù)值；

21、步驟4.3、根據(jù)適應(yīng)性函數(shù)值，更新粒子的速度和位置；

22、步驟4.4、返回步驟4.2，直到適應(yīng)性函數(shù)值收斂，得到最優(yōu)磨拋路徑。

23、進一步的，所述粒子的速度和位置的更新方式如下：

24、vi(t+1)＝ωvi(t)+c1r1(pi-xi(t))+c2r2(g-xi(t))

25、xi(t+1)＝xi(t)+vi(t+1)

26、其中，vi為粒子速度，xi為粒子位置，ω為慣性權(quán)重，c1和c2為加速常數(shù)，r1和r2為隨機數(shù)，pi為粒子歷史最佳位置，g為全局最佳位置，t為迭代次數(shù)。

27、進一步的，所述適應(yīng)性函數(shù)的數(shù)學(xué)表達式為：

28、f(x)＝α·l(x)+β·s(x)+γ·o(x)

29、其中，l(x)為路徑長度，s(x)為路徑平滑性，o(x)為避障性，α、β、γ為權(quán)重系數(shù)。

30、本發(fā)明的目的之二在于，提出一種基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃系統(tǒng)，以用于目的之一所述的方法，包括：

31、rbf神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊，用于建立徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型，并利用磨拋機器人的歷史磨拋數(shù)據(jù)進行訓(xùn)練；

32、數(shù)據(jù)采集與預(yù)處理模塊，用于實時采集磨拋機器人磨拋過程的磨拋數(shù)據(jù)并進行數(shù)據(jù)預(yù)處理；

33、初始磨拋路徑生成模塊，用于根據(jù)預(yù)處理后的磨拋數(shù)據(jù)，利用訓(xùn)練好的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型生成磨拋機器人的初始磨拋路徑；

34、pso優(yōu)化模塊，用于采用粒子群算法對所述初始磨拋路徑進行優(yōu)化，獲得磨拋機器人的最優(yōu)磨拋路徑；

35、執(zhí)行與反饋模塊，用于控制磨拋機器人按照獲得的最優(yōu)磨拋路徑執(zhí)行磨拋任務(wù)，并將執(zhí)行磨拋任務(wù)過程中采集的磨拋數(shù)據(jù)反饋至徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型以實時調(diào)整磨拋路徑。

36、本發(fā)明的顯著效果是：

37、1、本發(fā)明通過引入徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)，在機器人路徑規(guī)劃中，rbf神經(jīng)網(wǎng)絡(luò)可以基于實時收集的數(shù)據(jù)快速生成或調(diào)整路徑，從而提高了磨拋作業(yè)的靈活性和效率。

38、2、本發(fā)明通過集成rbf神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化(pso)算法，能夠?qū)崟r生成和優(yōu)化機器人的磨拋路徑，并可以適應(yīng)不同形狀和材質(zhì)的工件，實現(xiàn)了在各種磨拋條件下的高效、自動化路徑規(guī)劃，從而提高了磨拋效率和加工質(zhì)量。

39、3、本發(fā)明具有自適應(yīng)能力：通過實時數(shù)據(jù)驅(qū)動的rbf神經(jīng)網(wǎng)絡(luò)，系統(tǒng)能夠自適應(yīng)不同的加工條件和變化的任務(wù)需求。

40、4、本發(fā)明可以實時優(yōu)化：結(jié)合pso算法，系統(tǒng)能在運行過程中不斷優(yōu)化路徑，提高了操作效率和加工質(zhì)量。

41、5、本發(fā)明實現(xiàn)了閉環(huán)反饋：執(zhí)行與反饋模塊的設(shè)計使得整個系統(tǒng)具有學(xué)習(xí)和自我優(yōu)化的能力，隨著使用時間的增長，其性能可以持續(xù)提升。

技術(shù)特征：

1.一種基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法，其特征在于：步驟1中所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱藏層與輸出層，其中，所述輸入層用于輸入采集的磨拋數(shù)據(jù)；所述隱藏層用于利用徑向基函數(shù)對輸入的磨拋數(shù)據(jù)進行計算，獲得路徑調(diào)整參數(shù)；所述輸出層用于根據(jù)隱藏層輸出的路徑調(diào)整參數(shù)生成優(yōu)化后的磨拋路徑。

3.根據(jù)權(quán)利要求2所述的基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法，其特征在于：所述隱藏層對輸入的磨拋數(shù)據(jù)進行計算獲得路徑調(diào)整參數(shù)的公式為：

4.根據(jù)權(quán)利要求2所述的基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法，其特征在于：所述輸出層根據(jù)路徑調(diào)整參數(shù)生成優(yōu)化后的磨拋路徑的公式為：

5.根據(jù)權(quán)利要求1所述的基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法，其特征在于：所述磨拋數(shù)據(jù)包括待磨拋工件的幾何形狀、位置，以及機器人的位姿、速度、加速度、力矩。

6.根據(jù)權(quán)利要求1所述的基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法，其特征在于：所述數(shù)據(jù)預(yù)處理包括坐標(biāo)轉(zhuǎn)換處理、歸一化處理和位姿計算處理。

7.根據(jù)權(quán)利要求1所述的基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法，其特征在于：步驟4中采用粒子群算法對所述初始磨拋路徑進行優(yōu)化的具體過程如下：

8.根據(jù)權(quán)利要求7所述的基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法，其特征在于：所述粒子的速度和位置的更新方式如下：

9.根據(jù)權(quán)利要求7所述的基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法，其特征在于：所述適應(yīng)性函數(shù)的數(shù)學(xué)表達式為：

10.一種基于rbf神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃系統(tǒng)，用于實現(xiàn)權(quán)利要求1-9任一項所述的方法，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明公開了一種基于RBF神經(jīng)網(wǎng)絡(luò)的磨拋機器人自適應(yīng)路徑規(guī)劃方法及系統(tǒng)，其中方法包括步驟：建立徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型并訓(xùn)練；實時采集磨拋數(shù)據(jù)并預(yù)處理；將預(yù)處理后的磨拋數(shù)據(jù)輸入訓(xùn)練好的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型生成磨拋機器人的初始磨拋路徑；采用粒子群算法對所述初始磨拋路徑進行優(yōu)化，獲得磨拋機器人的最優(yōu)磨拋路徑；按照最優(yōu)磨拋路徑執(zhí)行磨拋任務(wù)，并將執(zhí)行磨拋任務(wù)過程中采集的磨拋數(shù)據(jù)反饋至徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型。其顯著效果是：能夠?qū)崟r生成和優(yōu)化機器人的磨拋路徑，并可以適應(yīng)不同形狀和材質(zhì)的工件，實現(xiàn)了在各種磨拋條件下的高效、自動化路徑規(guī)劃，從而提高磨拋效率和加工質(zhì)量。

技術(shù)研發(fā)人員：劉超,唐品格,徐向陽,楊寶軍,陳才,任君坪,王賢福
受保護的技術(shù)使用者：重慶交通大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9