[发明专利]一种利用基于学习遗传进化算法的机器人双轴孔装配方法

摘要

本发明涉及一种利用基于学习遗传进化算法的机器人双轴孔装配方法，属于机器人自动化装配技术领域。本发明方法利用回归预测模型，对实际的机器人装配过程的适应度值，进行预测，每次仅对少量的最优的基因进行实际实验的测试，因此本发明方法能够基于少量的实验就对实际环境中的装配控制算法进行优化，从而改善装配过程。本方法利用支持向量机的回归模型，对于复杂的包含噪声的非线性系统具有很强拟合能力，并且可以理论上收敛到最优，避免局部极小的问题，其计算复杂性取决于支持向量机的数目而不是样本空间的维数，一定程度上可以避免了维数灾难问题。

主权项

1.一种利用基于学习遗传进化算法的机器人双轴孔装配方法，其特征在于该方法包括以下步骤：(1)在待装配双轴孔上建立三维坐标系X‑Y‑Z，其坐标原点O位于待装配轴上表面两轴圆心连线的中点，Z轴正向沿轴的轴线向下，X轴正向为沿左侧轴的圆心指向右侧轴圆心，利用右手螺旋定则得到Y轴正向；(2)将双轴孔的装配过程分为自由状态、接触状态和配对状态，在装配过程中的接触状态和配对状态，利用从待装配双轴上安装的传感器，获得t时刻的轴孔接触力Fx(t),Fy(t),Fz(t)和力矩Mx(t),My(t),Mz(t)，t时刻的接触力和力矩构成一个六维力F(t)＝[Fx(t),Fy(t),Fz(t),Mx(t),My(t),Mz(t)]；根据模糊力控制方法，利用下式计算出t时刻待装配双轴沿X，Y，Z三个方向的平移量X(t)，Y(t)和Z(t)：忽略X和Y方向的速度，利用式计算Z方向的平移速度其中，F0代表轴孔装配过程中设定的安全预警力，ef(t)＝F(t)‑F0，Kv代表待装配双轴在Z方向平移速度的控制参数，Kpz和Kdz代表待装配双轴在Z方向平移量的控制参数；Kpxy和Kdxy代表待装配双轴在X和Y方向平移量的控制参数；利用公式得到出t时刻待装配双轴在绕X，Y，Z三个方向的旋转动作量R_x(t)，R_y(t)和R_z(t)；(3)利用基于学习的遗传进化方法，对五个控制参数[Kpz,Kpxy,Kdz,Kdxy,Kv]，根据模糊力控制方法进行优化，以获得最优的控制参数，包括以下步骤：(3‑1)将模糊力控制方法中的五个控制参数作为遗传进化算法中的基因，将与每次装配过程完成时间的相反数作为适应度值；(3‑2)设定基因控制范围参数，在基因控制范围参数内，随机生成多个初始基因，在一个实际装配过程中，利用上述步骤(2)中模糊力控制方法实现机器人双轴孔装配，将与完成装配的时间的相反数作为该初始基因的适应度值；(3‑3)将上述步骤(3‑2)产生的基因和与该基因相对应的适应度值添加到一个知识数据集中，利用数学计算软件MATLAB中已有的库函数，建立一个支持向量机回归模型SVM_Reg：其中，svm_x代表输入的基因，svm_y代表与基因对应的适应度值，rbf代表所选择的核函数类型是径向基核函数，利用该知识数据集中的数据，训练该支持向量机回归预测模型；(3‑4)设定初始基因的来源选择比例，根据设定的来源选择比例，从知识数据集中选择多个初始基因作为父代基因；(3‑5)分别设定基因结合率和基因变异率，根据基因结合率和基因变异率，对上述步骤(3‑4)的多个父代基因进行结合和变异操作，产生多个子代基因；(3‑6)调用MATLAB中的库函数fitness＝predict(SVM_Reg,gene)，利用训练过的支持向量机回归预测模型SVM_Reg，对上述步骤(3‑5)的子代基因适应度进行预测估计，其中gene为输入的待预测子代基因，fitness为输出的与该子代基因对应适应度值；(3‑7)遍历上述步骤(3‑5)中的所有子代基因，重复步骤(3‑6)，得到多个与各子代基因相对应的适应度值，按照适应度值的大小进行降序排序，选出适应度值最高的前n个子代基因，在真实的装配过程中，利用上述步骤(3‑2)中模糊力控制方法，分别对选出的n个子代基因的真实适应度进行测试；(3‑8)将上述步骤(3‑7)产生的n个子代基因以及与n个子代基因相对应的适应度值添加到上述步骤(3‑3)的知识数据集中；(3‑9)设定迭代次数阈值和适应度阈值，对迭代次数和适应度值进行判断，若迭代次数小于或等于迭代次数阈值，且适应度值大于或等于适应度阈值，则结束迭代计算，并将与该次迭代中的适应度值相对应的子代基因所代表的控制参数作为机器人控制参数，实现机器人的双轴孔装配，若迭代次数和适应度值均不满足上述条件，则返回上述步骤(3‑2)。