使用人工神经网络对6DOF工业机器人操纵器的轨迹分析
Mehmet Bahadır Çetinkaya1, Kürşat Yildirim2, Şahin Yildirim1
1Faculty of Engineering, Department of Mechatronics Engineering, University of Erciyes, Kayseri 38039, Turkey.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
这项研究优化了人工神经网络 (ANN),用于织工业中的机器人操纵器轨迹控制. 快速反向传播 (QBP) 算法实现了高精度定位的最佳结果.
科学领域:
- 机器人和自动化 机器人和自动化
- 人工智能的人工智能
- 控制系统 控制系统
背景情况:
- 机器人操纵器对于工业自动化至关重要,提供速度,精度和效率.
- 它们的复杂,非线性性质需要优化轨迹控制,以实现有效的工业应用.
- 精确的定位对于机器人操纵器至关重要,特别是在像织工业这样的苛刻行业.
研究的目的:
- 使用人工神经网络 (ANN) 进行定位分析,用于织工业中的机器人操纵系统.
- 改进和确定最佳的ANN模型,以实现高精度的轨迹控制和定位.
- 评估不同的ANN学习算法的性能,用于反向动力学分析.
主要方法:
- 应用人工神经网络 (ANN) 用于对6度自由度 (DOF) 工业机器人操纵器的定位分析.
- 通过使用四种学习算法进行逆动力学分析:三角形--三角形 (DBD),在线反向传播 (OBP),快速反向传播 (QBP) 和随机反向传播 (RBP).
- 将3-10-6 ANN结构的性能与改进的3-5-6 ANN结构进行比较,评估根平均平方误差 (RMSE) 和R平方 (R2) 度量.
主要成果:
- 基于QBP的3-10-6型ANN结构证明了轨迹控制估计和建模的最佳性能.
- 改进的3-5-6 ANN结构也显示出有希望的结果,其性能指标与3-10-6结构相比.
- 该研究证实了拟议的神经预测器在准确估计和建模机器人操纵器轨迹方面的有效性.
结论:
- 在3-10-6 ANN结构中,快速回传 (QBP) 算法对于优化机器人操纵器轨迹控制非常有效.
- 开发的神经网络模型适用于实时工业应用,需要精确的机器人操纵器轨迹分析.
- 这项研究有助于提高工业自动化中的机器人系统的精度和效率.
