[发明专利]一种基于运动学分析的多臂协同焊接机器人控制方法

权利要求书

1.一种基于运动学分析的多臂协同焊接机器人控制方法，用以实现壁板与桁条之间T型结构接头双侧焊缝的精准焊接，其特征在于，包括以下步骤：

1)建立模块化多臂协同焊接机器人运动学模型，多臂协同焊接机器人包括三自由度移动桁架以及布置在桁架左右两边的两条6自由度转动副焊接机械臂、布置在桁架中间的一条3自由度转动副按压机械臂，对于多臂协同焊接机器人拓扑结构，根据机器人各支链装配的几何条件，将其模块化，建立与多臂协同焊接机器人拓扑结构相统一的DH参数表，并确定机器人尺度参数，构建机器人运动学模型，所述的多臂协同焊接机器人满足以下条件：

(1)具有高架桥式结构、多自由度，既有移动关节又有转动关节；

(2)具有两条焊接机械臂和一条按压机械臂；

(3)两条焊接机械臂以一定角度安装于移动桁架两侧；

(4)等维输入、等维输出；

2)建立多臂协同焊接机器人机械臂末端输出位姿矩阵，进行机器人正运动学分析，验证机器人运动学参数与运动学正解的正确性，并得到机器人各个关节运动量的数据样本，多臂协同焊接机器人第i条机械臂末端输出位姿矩阵T_i为：

其中，p_i为基坐标下末端执行器位置矩阵，[n_i o_i a_i]为基坐标下末端执行器姿态矩阵；

3)构建并训练GRNN神经网络，并对多臂协同焊接机器人移动关节和转动关节运动量进行预测，最终根据预测值完成多臂协同焊接机器人的焊接控制。

2.根据权利要求1所述的一种基于运动学分析的多臂协同焊接机器人控制方法，其特征在于，所述的步骤3)中，以多臂协同焊接机器人末端位姿x作为GRNN神经网络的输入变量，以多臂协同焊接机器人移动关节和转动关节运动量y作为GRNN神经网络的输出变量，对GRNN神经网络进行训练，则有：

其中，k为数据样本的数目，为基坐标下机器人第m个末端位置的第h组数据样本值，为基坐标下机器人第m个末端姿态的第h组数据样本值，n为机器人移动关节数目，s为机器人转动关节数目，分别为机器人移动关节和转动关节的运动量。

3.根据权利要求1所述的一种基于运动学分析的多臂协同焊接机器人控制方法，其特征在于，所述的GRNN神经网络中，输入层神经元的数目与输入变量的维数对应，输入层将输入变量传递给模式层，模式层神经元的数目与样本数目k对应，其传递函数为：

其中，σ为光滑因子，x为输入变量，x_h为第h个神经元对应的学习样本，h＝1,2,…,k。

4.根据权利要求3所述的一种基于运动学分析的多臂协同焊接机器人控制方法，其特征在于，所述的GRNN神经网络中，求和层采用两种类型神经元进行求和，具体包括：

其中，y_hl为模式层第h个输出样本y_h中的第l个元素，即以这个元素当作模式层中第h个神经元与求和层中第l个神经元之间的连接权值。

5.根据权利要求4所述的一种基于运动学分析的多臂协同焊接机器人控制方法，其特征在于，所述的GRNN神经网络中，输出层神经元的数目与输出变量的维数对应，各神经元的输出为两种求和结果的相除，则有：

6.根据权利要求4所述的一种基于运动学分析的多臂协同焊接机器人控制方法，其特征在于，所述的步骤3)中，为了验证GRNN神经网络的预测准确性，输入N组测试数据，使多臂协同焊接机器人末端位于空间中不同位置，对每组轨迹点求解各个关节运动量的绝对误差，采用期望误差e_w评价指标评判预测效果，则有：

其中，q_ap为预测的关节运动量，q_as为理论关节运动量，a为不同种类关节的数目，当计算移动关节运动量误差时，N_u＝3，当计算转动关节运动量误差时，N_u＝15。