[发明专利]机器人作业轨迹优化分析的方法

权利要求书

1.一种机器人作业轨迹优化分析的方法，其特征在于，包括如下步骤：

S1：利用工业机器人系统所记录的数据，采集工业机器人作业轨迹参数，采集工业机器人各关节的作业轨迹参数包括各关节的速度、加速度、角速度及角加速度，构成影响因素矩阵X，将其作为神经网络建模的输入参数，其中决策变量为机器人各关节的速度和加速度；

S2：采用影响因素矩阵X作为输入参数，综合产品生产要求和专家经验，确定加工工件的质量、效率、能耗的样本为指标矩阵Y，利用BP神经网络进行训练、检验，建立机器人轨迹规划模型；

S3:利用MBFO算法对机器人作业轨迹模型进行优化，得到各决策变量的一组最优解以及该最优解对应的机器人生产的产品质量、效率、能耗指数；

S4：利用S3中模型对根据机器人系统内部存储的实时数据进行预测得到推荐决策变量X^*，并将X^*下发至机器人操作系统，在操作界面显示推荐最优的机器人末端执行器的速度、加速度、角速度。

2.根据权利要求1所述的一种机器人作业轨迹优化分析的方法，其特征在于，S2中用BP神经网络建模，采用X_k＝[x_k1,x_k2,…,x_kM](k＝1,2,…,S)为输入矢量，其中，S为训练样本个数，为第g次迭代时输入层M与隐层I之间的权值矢量，W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Y_k(g)＝[y_k1(g),y_k2(g),…,y_kP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，d_k＝[d_k1,d_k2,…,d_kP](k＝1,2,…,S)为期望输出；

建立工业机器人轨迹优化模型包括如下步骤：

S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)W_JC(0)一个(0,1)区间的随机值；

S22：随机输入样本X_k；

S23：对输入样本X_k，前向计算神经网络每层神经元的输入信号和输出信号；

S24：根据期望输出d_k和实际输出Y_k(g)，计算误差E(g)；

S25：判断误差E(g)是否满足要求，如不满足，则进入S26，如满足，则进入S29；

S26：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入S29，否则，进入S27；

S27：对输入样本X_k反向计算每层神经元的局部梯度δ；

S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至S23；

S29：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至S22。

3.根据权利要求1所述的一种机器人作业轨迹优化分析的方法，其特征在于，S3中利用MBFO算法对机器人作业轨迹模型进行优化的方法包括以下步骤：

S31：将S1中选取的决策变量的值看做细菌位置，根据决策变量X中各个参数的范围随机生成L个细菌构成菌群初始位置；

S32：初始化系统参数，包括趋向次数N_C，趋向行为中前进次数N_s，繁殖次数N_re，驱散次数N_ed，驱散概率p_ed，外部档案规模K；

S33：执行趋向操作；

假设第i(i＝1,2,...,L)只细菌在第j次趋向操作第K次复制操作和第l次驱散操作之后的位置为θⁱ(j,k,1)，则θⁱ(j,k,1)＝θⁱ(j,k,1)+C(i)*dct_i

式中，dct_i是第i只细菌最近一次翻转时所选择的随机矢量方向，C(i)是其沿dct_i方向前进步长，且Δ_i为各分量均为[-1,1]内随机数的向量，向量的维数与决策变量X的维数相同；

S34：根据个体间的信息素浓度J_cc执行聚群操作；

S35：计算菌群的健康函数，并将其进行降序排列，将健康函数值小的一半细菌淘汰掉，保留大的一半细菌进行繁殖，且子细菌觅食能力保持与父代一致；

S36：将S35中产生的菌群与上一次迭代计算产生的菌群合并，并计算此时新菌群的个体Pareto熵，按照个体Pareto熵进行排序，选择前L个优势个体构成下一代菌群；

S37：驱散：细菌经历几代复制后，以驱散概率Ped被驱散到搜索空间中的任意位置；

S38：判断优化算法是否满足结束条件，如满足，则输出Pareto前沿即最优决策变量X_best及其对应的植物Y_best，如不满足，则返回执行S33。