[发明专利]基于GA-RBF网络的机器人末端性能预测模型的构建方法

权利要求书

1.基于GA-RBF网络的机器人末端性能预测模型的构建方法，其特征在于：包括：

(1)搭建机器人末端数据采集的轴关节采集硬件平台，将EtherCAT总线和激光跟踪仪作为末端测试的辅助工具，分别作为训练GA-RBF网络的输入和输出数据获取的方式；

(2)通过EtherCAT总线实时采集各个关节的位置、速度、转矩反馈得到数据作为GA-RBF网络的输入，激光跟踪坐标测量系统采集的末端数据作为GA-RBF网络的输出，训练出基于GA-RBF网络的机器人末端性能预测模型。

2.根据权利要求1所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法，其特征在于：所述的轴关节采集硬件平台包括伺服驱动器、RC控制器、示教器和上位机，所述的伺服驱动器包括多个，各伺服驱动器一端与各关节连接，用于采集各个关节的位置、速度、转矩数据，另一端通过EtherCAT总线汇总至RC控制器，所述RC控制器还连接有示教器和上位机。

3.根据权利要求2所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法，其特征在于：所述伺服驱动器内包括EtherCAT通讯模块。

4.根据权利要求1所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法，其特征在于：所述激光跟踪坐标测量系统包括激光跟踪仪主机、跟踪摄像头、上位机和T-Mac传感器，所述激光跟踪仪主机分别通过通讯线缆与跟踪摄像头、上位机、T-Mac传感器连接，该系统用于实时采集机器人的末端位置和速度参数数据。

5.根据权利要求4所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法，其特征在于：所述T-Mac传感器安装在机器人末端法兰的端平面中心。

6.根据权利要求1所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法，其特征在于：所述机器人末端性能预测模型的形成过程包括如下步骤：

(1)样本数据的选取：根据样本数据选取分析，取至少240对数据作为RBF网络训练的样本，即将EtherCAT实时数据采集总线采集六个轴关节的位置作为输入，相对应地，激光跟踪仪采集末端位置作为输出，形成末端位置参数训练样本数据；

(2)归一化：将所有数据都转化到[0,1]区间内进行归一化处理，归一化方法是由线性转换函数实现的，如式：

式中：x′k是归一化转换后网络的输入值，xk是原始样本数据，xmax、xmin分别是原始样本数据中的最大值和最小值；

(3)GA优化RBF网络参数：包括初始化参数设置、初始种群以及染色体编码、GA优化程序；

(4)测试样本的选取：作为对所建立RBF模型的验证，在先前采集的训练数据中再选至少50组，或者另外再测试至少50组数据，作为测试数据样本；

(5)反归一化：将测试样本数据代入训练得到的基于RBF网络的末端数据预测模型，并且反归一化得到预测机器人末端数据，与实际机器人末端数据比较，以确认模型的可行性，在预测数据与实测数据偏差较大时，按照步骤(1)-(3)重新训练RBF网络。

7.根据权利要求6所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法，其特征在于：所述步骤(3)中初始化参数设置中遗传初始化参数设置包括：种群规模N为30，进化代数P为100，交叉概率Pc为0.8，变异概率Pm为0.15。

8.根据权利要求6所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法，其特征在于：所述步骤(3)中初始种群以及染色体编码具体包括：首先根据隐含层节点数的一般公式：其中m为输出层的节点数，n为输入层的节点数，对网络的结构进行确定；基于RBF网络的末端参数的预测模型建立过程中，六自由度轴关节的脉冲作为输入因此设置输入节点n＝6，而末端位置是个三维的空间的位置，因此设置输出节点m＝3、a在[1,10]范围内，为了取整设定a＝3，则h＝6；网络为6-6-3结构，则遗传RBF中心向量6×6，基函数宽度向量6×1，权值向量6×3。

9.根据权利要求6所述的基于GA-RBF网络的机器人末端性能预测模型的构建方法，其特征在于：所述步骤(3)中GA优化程序具体是采用遗传算法优化RBF网络参数，得到满足精度要求最适应的基函数宽度向量Bp，中心向量Cp，以及权值向量Wp。