专利名称：一种虚拟轴机床末端刀具运动位姿的检测方法
技术领域：
本发明涉及一种虚拟轴机床，尤其涉及其末端刀具运动位姿的实时检测方法。
背景技术：
虚拟轴机床也称并联机床，是并联机器人技术与机床技术相结合的高新科技产 品。然而，虚拟轴机床末端刀具运动位姿的实时检测难题，影响着虚拟轴机床末端刀具的运 动控制精度，已成为困扰虚拟轴机床在实现产业化方面取得实质性突破的关键问题之一。虚拟轴机床刀具固联于虚拟轴机床动平台，因此，虚拟轴机床末端刀具运动位姿 的检测关键在于虚拟轴机床并联机构动平台的位姿检测，为此，人们提出了不同的方法，如 在固定平台和动平台之间增设附加测量机构以直接检测动平台位姿，又如采用图像匹配及 图像处理技术进行动平台位姿检测，以及附加中心轴测量装置以多传感器检测技术进行末 端执行器的位姿检测等。但这些方法均需附加硬件部件，不仅成本增加，而且安装困难，并 可能改变虚拟轴机床并联机构的运动特性，致使原设计控制品质降低甚至恶化。还有一种 获得虚拟轴机床末端刀具运动位姿的方法是通过求解虚拟轴机床并联机构的位置正解，一 般采用数值法或解析法，但通常计算量巨大或十分繁琐，无法实际用于虚拟轴机床末端刀 具运动位姿的实时检测，为此，本发明提出一种基于神经网络解决虚拟轴机床末端刀具运 动位姿实时检测的方法。在解决并联机器人正问题时，目前已采用神经网络，但迄今未见相关文献基于神 经网络解决虚拟轴机床末端刀具运动位姿实时检测问题。用于解决并联机器人正问题的神 经网络主要有反向传播(BP)神经网络及径向基函数(RBF)神经网络。基于RBF神经网络 的方法，较之基于BP神经网络的方法，具有任意精度的泛函逼近能力和体积小、收敛快等 特性，但在构建和训练RBF神经网络时，存在隐含层神经元数量难以确定的问题，通常的做 法是使其与输入向量的元素相等，显然，在输入矢量较多时，过多的隐含层单元数将影响虚 拟轴机床末端刀具运动位姿的实时检测速度，进而影响虚拟轴机床数控系统的控制速度和 加工速度。
发明内容
本发明的目的是克服上述现有技术的不足，提供以一种结构自适应确定、输出与 初始权值无关的RBF神经网络实现虚拟轴机床末端刀具运动位姿实时检测的方法。本发明采用的技术方案是采用如下步骤1)根据加工要求，确定虚拟轴机床加工过程末端刀具空间运动期望位姿轨迹；2)根据虚拟轴机床并联机构的运动学反解关系，计算出与末端刀具空间运动期望 位姿轨迹对应的虚拟轴机床各支路的主动副位移；3)以虚拟轴机床各支路的主动副位移为输入样本，以对应的虚拟轴机床末端刀具 期望运动位姿为输出样本构建RBF神经网络，训练并测试RBF神经网络；4)在虚拟轴机床的计算机系统中，以上位机系统编程语言，编程实现训练好的RBF神经网络；5)利用训练好的RBF神经网络，实时检测虚拟轴机床末端刀具的实际运动位姿。本发明将一种结构自适应确定、输出与初始权值无关的RBF神经网络用于实现虚拟轴机床末端刀具的运动位姿实时检测，其特点和有益效果是1、与现有检测技术相比，无需附加安装任何硬件部件，不增加任何硬件成本，不改 变虚拟轴机床并联机构动特性。2、与采用BP神经网络检测的方法相比，具有任意精度的泛函逼近能力，体积小， 收敛快。3、与采用事先确定隐含层神经元数量的RBF神经网络检测方法相比，不仅具有网 络结构自适应确定、输出与初始权值无关的优良特性，而且具有较快的实时检测速度。
以下结合附图和具体实施方式
对本发明作进一步详细说明。
图1是利用本发明提供的检测技术构建的虚拟轴机床末端刀具运动位姿闭环控 制系统。图2是RBF神经网络结构。图3是X轴方向的位置误差曲线。图4是Y轴方向的位置误差曲线。
图5是Z轴方向的位置误差曲线。
具体实施例方式本发明所公开的基于一种RBF神经网络的虚拟轴机床末端刀具运动位姿的实时 检测方法，利用了虚拟轴机床并联机构正解分析复杂而反解分析简单的特点，可用来构建 虚拟轴机床末端刀具运动位姿的直接闭环控制系统，如图1所示，从而突破虚拟轴机床只 能在各支路电机轴上闭环的现状，有利于进一步实现虚拟轴机床的高精度控制和加工。图 1中，虚拟轴机床的“控制器”功能和基于“RBF神经网络”的检测功能由“计算机系统”实 现；“控制器”的输出为驱动虚拟轴机床各支路电机的驱动指令；“光电编码器”用以检测各 支路电机的运动状态，可据此计算出各支路主动副位移，作为“RBF神经网络”的输入；“RBF 神经网络”的输出即所检测的虚拟轴机床末端刀具实际运动位姿；虚拟轴机床的“控制器” 依据所规划的刀具期望运动位姿和所检测的刀具实际运动位姿之偏差进行控制，可发出更 为精准的电机驱动指令，从而使虚拟轴机床动平台和末端刀具更为准确地实现期望运动。本发明所公开的基于一种RBF神经网络的虚拟轴机床末端刀具运动位姿的实时 检测方法，具体采用如下步骤1、规划虚拟轴机床加工过程末端刀具及并联机构动平台的空间运动期望位姿轨 迹首先根据加工要求，并保证在虚拟轴机床工作空间内，确定虚拟轴机床末端刀具 及并联机构动平台的起始位置和最终位置，然后规划虚拟轴机床末端刀具及动平台的空间 运动期望位姿变化轨迹，最后结合末端刀具和动平台的起始位置以及二者间的空间位置关 系，确定虚拟轴机床末端刀具及动平台的空间运动期望位姿轨迹。
2、计算与末端刀具空间运动期望位姿轨迹对应的各支路主动副位移计算与虚拟轴机床动平台空间运动期望位姿轨迹对应的各支路主动副位移，称为 虚拟轴机床并联机构的位置反解问题，根据虚拟轴机床并联机构的运动学反解关系计算。 当给定并联机构的各个结构尺寸后，一般利用几何关系，以及通过坐标变换的方法，即可列 出并联机构的位置反解计算方程，从而计算出与动平台空间运动期望位姿轨迹对应的各支 路主动副位移，也即与末端刀具空间运动期望位姿轨迹对应的各支路主动副位移。 3、构建结构自适应确定、输出与初始权值无关的RBF神经网络。以虚拟轴机床各 支路的主动副位移为输入样本，以对应的虚拟轴机床末端刀具期望运动位姿为输出样本， 训练并测试神经网络构建RBF神经网络结构如图2所示，其输入矢量X = (X1, x2，. . .，X1)τ为虚拟轴机 床并联机构各支路的主动副位移(当主动副为直线位移时，单位为mm ；当主动副为角位移 时，单位为rad)，1对应虚拟轴机床并联机构支路数，对6自由度并联机构，一般1 = 6 ；其 输出矢量Y= (71，72，...，7 /虚拟轴机床并联机构动平台位姿，即111 = 6，￥= (xp，yp，zp， α, β, υ)τ，其中(yi，y2，y3) = (xp，yp，zp)为动平台在虚拟轴机床静坐标系中的位置(单 位为mm)，(y4，y5, y6) = (α , β , y)为动平台的姿态(单位为rad)，α、β、Y分别称为 动平台的偏航角、俯仰角和滚转角；其隐含层选取高斯函数为径向基函数。隐含层的输入kji = 1，. . .，h)为隐含层每个神经元与输入层各个神经元相连的 权值向量Wl = {wljj和输入矢量&之间的距离乘上阈值b，即^~xj)2 xb⑴式(1)中，Wlji为隐含层第i个神经元与输入层第j个神经元之间的连接权系数， 径向基函数的阈值b用以调节函数的灵敏度，但在实际工作中，常用另一参数即扩展常数 C，b和C的关系为b = 0. 8326/C。C的大小反映了输出对输入的响应宽度，C值越大，隐含 层神经元对输入矢量的响应范围越大，神经元间的平滑度越高。隐含层的输出(^为φ. ^ ek'(2)式(2)中，i= 1，· · ·，h。RBF神经网络的输出yk为各隐含层神经元输出Φ i的加权求和，即(3)<formula>formula see original document page 5</formula>
式(3)中，k= 1，...，m，w2ik为隐含层第i个神经元与输出层第k个神经元之间 的连接权系数，{w2ik}构成权值向量W2。在进行RBF神经网络训练之前，需要提供输入矢量及对应的目标矢量。径向基函 数的扩展常数C可在训练、测试过程中视检测精度要求进行调整确定。本发明以通过上述 的步骤2获得的虚拟轴机床各支路的主动副位移为输入样本，构成RBF神经网络的输入矢 量，以对应的虚拟轴机床末端刀具期望运动位姿为输出样本，构成RBF神经网络的目标矢量。在RBF神经网络训练中，隐含层神经元数量的确定是一个关键问题，传统的做法 是使其与输入向量的元素相等，一般会造成隐含层单元数过多，为此，本发明提出了改进方法，即从O个神经元开始训练，通过检查输出误差使网络自动增加神经元。每次循环使用， 使网络产生的最大误差所对应的输入向量作为权值向量Wlji,产生一个新的隐含层神经元， 然后检查新网络的误差，重复此过程直到达到误差要求为止。由此可见，本发明所提出的径 向基函数神经网络具有结构自适应确定、输出与初始权值无关的特性。在由步骤2获得的输入输出样本集中，将预留部分样本对，作为神经网络测试样 本集。以测试样本集的样本输入作为训练好的RBF神经网络的输入，观察其输出与样本期 望值的误差是否满足要求，以完成测试过程。4、在虚拟轴机床的计算机系统中编程实现训练好的RBF神经网络通过训练、测试，已获取输入层与隐含层间的权值W1、隐含层与输出层间的权值W2以及扩展常数C。在虚拟轴机床计算机系统中，以上位机编程语言进行软件编程，实现 RBF神经网络所拟合的输入输出关系。5、利用训练好的RBF神经网络实时检测虚拟轴机床末端刀具的实际运动位姿在虚拟轴机床加工运行过程中，通过光电编码器实时测得各驱动电机的实际运动 状态，依据减速机构减速比或丝杠螺距，获得各支路主动副实际位移。然后，以实时测得的 各支路主动副实际位移作为RBF神经网络的输入，则此时RBF神经网络的输出即所测得的 虚拟轴机床末端刀具的实际运动位姿。以下提供本发明的一个实施例实施例设虚拟轴机床由6-PTRT型并联机构构成，即每条运动支链为平动副_虎克铰_转 动副-虎克铰结构，由交流伺服电动机驱动，并采用滚动螺旋传动(滚珠丝杠)，其刀架固联 于动平台。该检测方法的具体实施方式
如下1、规划虚拟轴机床加工过程末端刀具及并联机构动平台的空间运动期望位姿轨 迹首先在虚拟轴机床固定平台中心、动平台中心分别建立静坐标系和动坐标系， 动、静坐标系方向保持一致。设根据加工要求，需要末端刀具和动平台在工作空间内相对 于静坐标系，从起始期望位姿(0mm，0mm，0mm，0rad，0rad，0rad)直线运动到最终期望位姿 (70mm, 70mm, -70mm, Orad, Orad, Orad)。在末端刀具和动平台的起始期望位姿和最终期望位 姿间，间隔选取260个位姿点进行直线插补，即可得末端刀具和动平台的空间运动期望位 姿变化轨迹。由于虚拟轴机床刀架固联于动平台，因此当虚拟轴机床运动时其末端刀具的 空间运动期望位姿变化与动平台的空间运动期望位姿变化相同。当要求虚拟轴机床从其初 始状态原点开始运动时，动平台相对于静坐标系的期望位姿变化量即为动平台的期望运动 位姿，而末端刀具的期望运动位姿只要基于动平台的期望运动位姿以及末端刀具与动平台 的固定位置关系即可获得。2、计算与末端刀具空间运动期望位姿轨迹对应的各支路主动副位移根据虚拟轴机床并联机构的结构尺寸，首先列出虚拟轴机床处于初始状态时固定 平台上各铰点在动坐标系中的坐标B”在静坐标系中的坐标Bitl以及动平台上各铰点在动 坐标系中的坐标Pi, IBtP-I即为各驱动杆长度。当动坐标系沿静坐标系X、Y、Z分别平移Xp、yP、zP,再在新的坐标系下绕X轴旋转 α，绕Y轴旋转β，绕Z轴旋转γ之后，则坐标矩阵T为<formula>formula see original document page 7</formula>其中 c α = COS α , s α = sin α。根据坐标矩阵Τ，可分别直接列出对应上述动平台260个运动位姿时动平台上各 铰点在静坐标系中的坐标P' i = TPitj对于6-PTRT型虚拟轴机床来说，固定平台上各铰点Bi只能上下垂直移动，即在虚 拟轴机床运动过程中，各Bi点的X和Y坐标不变，仅Z坐标变化(Bi点的Z坐标变化，即驱 动丝杠应运动的距离，也就是需计算的各主动副位移)，据此，以各支路的主动副位移为未 知数，可以很容易地分别给出对应上述动平台260个运动位姿时固定平台上各铰点在静坐 标系中的坐标Bic/。根据6-PTRT型虚拟轴机床驱动杆长度不变的特点，有IBiP-I = ι B1O^T ~ I (4)式(4)即为虚拟轴机床并联机构的位置反解方程，其中，i = 1，. . .，6，它只各含各 主动副位移一个未知数，因此可方便地直接求出对应所规划260个末端刀具和动平台期望 运动位姿时的各主动副位移。3、构建、训练并测试RBF神经网络对6-PTRT型虚拟轴机床来说，因为支路数为6，因此，RBF神经网络的输入矢量X =(X1, x2, ... , x6)T，其中(Xl，x2, ... , x6)分别是与末端刀具和动平台期望运动位姿相对 应的6个支路主动副位移，单位为mm，RBF神经网络的输出矢量Y = (xp, yp,zp, α , β , y) τ，在对RBF神经网络进行训练时，该输出矢量对应目标矢量，即所规划的末端刀具期望运动 位姿。在通过步骤1和步骤2获得的260个样本对中，200个样本对进行归一化处理后 用于训练RBF神经网络，60个样本对用于测试RBF神经网络。经测试满足精度要求后，RBF 神经网络即成为训练好的神经网络。4、在虚拟轴机床的计算机系统中编程实现训练好的RBF神经网络已训练好的RBF神经网络，以较高的精度拟合了虚拟轴机床各主动副位移与末端 刀具运动位姿间的输入输出关系。在虚拟轴机床计算机系统中，以上位机编程语言编制软 件程序，实现已训练好的RBF神经网络。5、利用训练好的RBF神经网络实时检测虚拟轴机床末端刀具的实际运动位姿在6-PTRT型虚拟轴机床加工运行过程中，通过光电编码器实时测得各驱动电机 的实际运动状态，依据丝杠螺距，获得各支路主动副实际位移，如对于丝杠螺距为5mm的虚 拟轴机床，电机旋转一周，相应支路上的主动副产生5mm的位移。在实时测得各支路主动副 实际位移后，以此作为已训练好的RBF神经网络的输入，则此时RBF神经网络的输出即为需 检测的虚拟轴机床末端刀具的实际运动位姿。图3、图4、图5分别为扩展常数取5时由本发明所提供的检测方法实时测得的末端刀具分别在X、Y、Z三个方向上的位置误差曲线，此时，末端刀具的姿态误差曲线始终保 持为0，图形略。分析各误差曲线可知，本发明所提供的基于一种RBF神经网络进行虚拟轴 机床末端刀具运动位姿的实时检测方法，不仅运算、检测速度较快，而且具有良好的检测精度。
权利要求
一种虚拟轴机床末端刀具运动位姿的检测方法，其特征是采用如下步骤1)根据加工要求，确定虚拟轴机床加工过程末端刀具空间运动期望位姿轨迹；2)根据虚拟轴机床并联机构的运动学反解关系，计算出与末端刀具空间运动期望位姿轨迹对应的虚拟轴机床各支路的主动副位移；3)以虚拟轴机床各支路的主动副位移为输入样本，以对应的虚拟轴机床末端刀具期望运动位姿为输出样本构建RBF神经网络，训练并测试RBF神经网络；4)在虚拟轴机床的计算机系统中，以上位机系统编程语言，编程实现训练好的RBF神经网络；5)利用训练好的RBF神经网络，实时检测虚拟轴机床末端刀具的实际运动位姿。
2.根据权利要求1所述的一种虚拟轴机床末端刀具运动位姿的检测方法，其特征是 步骤3)所述的训练RBF神经网络的方法是从O个神经元开始训练RBF神经网络，通过检查输出误差使RBF神经网络自动增加神经元，每次循环使用使RBF神经网络产生的最 大误差所对应的输入向量作为权值向量，产生一个新的隐含层神经元，然后检查新的RBF 神经网络的误差，重复此过程直到达到误差要求为止。
3.根据权利要求1所述的一种虚拟轴机床末端刀具运动位姿的检测方法，其特征是 步骤1)中，首先确定虚拟轴机床末端刀具及并联机构动平台的起始位置和最终位置，然后规划虚拟轴机床末端刀具及并联机构动平台的空间运动期望位姿变化轨迹，最后结合 末端刀具和并联机构动平台的起始位置以及二者间的空间位置关系，确定虚拟轴机床末端 刀具空间运动期望位姿轨迹。
全文摘要
本发明公开了一种虚拟轴机床末端刀具运动位姿的检测方法，先确定虚拟轴机床加工过程末端刀具空间运动期望位姿轨迹；计算出与末端刀具空间运动期望位姿轨迹对应的虚拟轴机床各支路的主动副位移；再以虚拟轴机床各支路的主动副位移为输入样本，以对应的虚拟轴机床末端刀具期望运动位姿为输出样本构建RBF神经网络，训练并测试RBF神经网络；最后利用训练好的RBF神经网络实时检测虚拟轴机床末端刀具的实际运动位姿。本发明将结构自适应确定、输出与初始权值无关的RBF神经网络用于实现虚拟轴机床末端刀具的运动位姿实时检测，无需附加任何硬件部件，不改变虚拟轴机床并联机构动特性，具有任意精度的泛函逼近能力，体积小且收敛快。
文档编号B23Q17/22GK101804586SQ20101011640
公开日2010年8月18日 申请日期2010年3月2日 优先权日2010年3月2日
发明者刘辛军, 张义贞, 王新成, 王长勇, 薛娌, 高国琴 申请人:江苏大学