基于RBF-BP算法的机械臂多自由度分拣控制系统设计

孔陶茹，齐 峰，李晚春

(西安思源学院文商学院，西安 710038)

0 引言

机械臂是一个复杂的系统，具有精度高、输入输出特性灵活、非线性度高、耦合能力强等多项应用特性，然而受到未建模动态、参数摄动等外界干扰条件的影响，机械臂元件建模模型存在着明显的不确定性，所以如何在保证机械臂旋转自由度的同时，对其运动行为进行有效控制，成为了一项亟待解决的难题[1]。与人工神经算法相比，RBF-BP算法在对函数节点进行逼近处理时，要求权重值指标的排列必须满足负梯度下降原则，即在同一函数区间内，权重值指标排列必须保持从左至右依次减小的规律。单从函数性能的角度来看，RBF-BP算法可以理解为一种连续型的非线性函数，RBF指数节点、BP指数节点分别对应两个不相等的赋值指标，随着参量指标取值范围的不断扩大，两类指数节点中数据信息的累积量也会不断增大[2]。在计算机集成网络、机械设计制造等特定应用环境下，RBF-BP算法还可以直接约束主机元件对于数据信息参量的处理能力。如果将网络系统看作一个独立个体，则可将RBF-BP算法近似看作具有数据处理能力的执行语句，在这种语句命令的作用下，数据信息文件可以直接被转存至数据库主机中，且随着网络系统运行时间的延长，信息文本的累积量虽然会不断增大，但其存储状态却始终与信息参量的初始转存形式保持一致[3]。

为提升机械臂多自由度分拣控制准确性，相关领域研究学者哦对机械臂多自由度分拣控制系统做出了研究。基于稳态视觉诱发电位的控制系统根据电信号差值预测条件，建立伪密钥代码文本，再通过自适应调节的处理方式，实现对机械臂运动行为的控制[4]。然而随着抓取货物总量的增大，该系统在分拣精确性方面的能力会出现一定幅度的下降。

针对上述问题，引入RBF-BP算法应用理论，并以此为基础，设计一种新型的机械臂多自由度分拣控制系统。

1 系统硬件设计

机械臂多自由度分拣控制系统的功能模块包含总体框架、工业相机、机械臂设备、可编程逻辑控制器、变频控制器五类组成结构，其具体设计方法将在如下内容中进行深入研究。

1.1 总体框架

机械臂多自由度分拣控制系统接受RBF-BP前馈神经网络的直接调度，由相机单元、主设备单元、控制器单元、电路单元四部分共同组成。相机单元负责监控机械臂设备的实时运动轨迹，包含工业相机、轨迹传感器、转弯传感器、转向传感器、变频传感器五类组成结构，其中工业相机元件的接入数量最多，每一个机械臂连接关节处都至少配备一个工业相机元件；轨迹传感器、转弯传感器、转向传感器、变频传感器同属于行为控制型的相机结构，能够在特定运行状态下，记录机械臂设备所表现出的运动行为。主设备单元包含主机械臂、压力控制器、动力输出装置等多个连接元件，作为机械臂多自由度分拣控制系统中的核心应用结构，这些设备元件可以在RBF-BP前馈神经网络的作用下，建立数据信息互通关系[11-12]。控制器单元的连接行为受到电路单元的直接影响，一般来说，电流输出量越大，可编程逻辑控制器对于主机械臂元件的控制作用能力也就越强。完整的控制系统连接框架如图1所示。

图1 机械臂多自由度分拣控制系统框架

建立机械臂多自由度分拣控制系统时，要求逻辑电源电路输出的电量信号要平均分配给相机单元、主设备单元、控制器单元等多个下级负载结构。

1.2 工业相机

工业相机负责捕捉机械臂元件在各个方向上的运动图像，在符合多自由度原则的情况下，该设备结构可以提供多个负载接口，一方面确保系统控制主机能够准确掌握机械臂元件的实时运动行为，另一方面也可以将完整的机械臂动作分解成多个连续图像，从而使得RBF-BP前馈神经网络中能够生成准确的控制执行指令[13]。在RBF-BP算法作用下，工业相机模块的连接形式如图2所示。

图2 工业相机内部结构示意图

总线单元、图像处理单元、显示器单元共同组成了工业相机模块。其中，总线单元负载了FZ-SC2M芯片与CMOS摄像元件，可以在Camera Link、HDMI两类接口组织的作用下，将一幅完整的机械臂分拣运动图像分解成多个完全独立的像素节点[14]。显示器单元负载了FH-L550芯片与PNP极性设备，可以将PLC接口与IO交互接口关联起来，从而使得系统控制主机能够准确记录机械臂设备的多自由度分拣运动行为。显示器单元负载了RS232-9芯片与Ethernet触发器，能够分析出机械臂元件在当前分拣行为过程中的运动自由度水平。

1.3 机械臂

为满足RBF-BP算法在多自由度分拣控制方面的需求，在选择机械臂元件时，要求同一连接臂装置上应同时负载两个或两个以上旋调螺母[15]。在机械臂运动轨迹模型中，节点坐标平移条件、旋转条件都具有较强的自由性，所以整个机械臂元件也必须适应多种不同的分拣行为指令。机械臂模型如图3所示。

图3 机械臂模型

在图3所示机械臂模型中，前者设备直接与分拣抓手相连，其外侧装有一圈螺旋设备，可以跟随分拣行为指令的变化而呈现出自由旋转状态。活动关节元件将带有螺旋杆的过渡连杆与前置设备连接起来，在机械臂运动过程中，关节元件的行为状态与分拣抓手的运动形式保持一致[16]。助推器设备接收控制系统应用电机的直接调度，可以根据电信号累积情况，推动过渡连杆不断向下运动，从而使得活动关节结构能够具有足量的运动空间。

1.4 可编程逻辑控制器

可编程逻辑控制器负责协调主机械臂元件与工业相机模块之间的连接关系，可以根据自由度指标的数值水平，更改系统主机中控制指令的实时输出强度，在避免机械臂分拣抓手出现过度偏转行为的同时，实现对控制指令的编码与处理[17-18]。在RBF-BP算法作用下，可编程逻辑控制器对于控制指令的编码遵循按需筛选的原则，即主机械臂元件的分拣运动行为趋向越明显，可编程逻辑控制器设备所承载的数据信息编码任务量也就越大。

1.5 变频控制器

变频控制器具备较强的频率调节能力，在机械臂多自由度分拣控制系统中，能够按照RBF-BP算法应用原则，更改系统主机对于分拣运动行为指令的编码频率，从而使主机械臂设备与分拣抓手元件的运动行为能力保持一致[19-20]。在执行多自由度分拣运动行为时，主机械臂设备所表现出来的运动特征总是呈现出阶段性变化的形式，所以变频控制器G120X主板在执行变频调节指令时，需要参考主机械臂设备、分拣抓手元件之间的运动行为关系。

2 基于RBF-BP算法的机械臂多自由度分拣控制系统软件设计

2.1 基于RBF-BP算法的机械臂运动轨迹模型

机械臂运动轨迹模型的构建，需要在RBF-BP算法前馈神经网络的基础上，分析坐标平移与坐标旋转路径的变化形式，本章节将针对上述内容展开研究。

2.1.1 RBF-BP前馈神经网络

随着机械臂元件加工精度的不断升高，在其执行分拣行为作业的过程中，不仅仅要考虑到控制指令的运行误差，还要掌握各级关联模块之间的摩擦与扰动关系。RBF-BP前馈神经网络是一个开放型的互联网环境，可以根据输入信息的分离程度，将这些数据文本整合成多个完全独立的块状存储结构，在同一运动周期内，机械臂设备基本不会出现完全相同的行为状态，所以各个块状信息存储结构之间的关联性相对较小[5-6]。一个完整的RBF-BP前馈神经网络由a、b、c、d四个层级结构共同组成，如图4所示。其中，a级结构包含n个连接节点，负责对数据信息文本进行分离处理，且每个节点组织对于已输入数据信息参量的提取能力完全相同；b级结构中连接节点个数是a级结构的n倍，负责对已分离数据信息文本进行再次整理；c级结构包含2个连接节点，能够根据RBF-BP前馈神经网络布局形式，实施对已输入信息的重排列处理；d级结构只包含一个连接节点，可以显示出数据信息文本的当前排列形式。

图4 RBF-BP前馈神经网络连接模式

为避免机械臂运动数据出现传输损失，在RBF-BP前馈神经网络中，a级结构可以直接收录已输入的数据信息参量，d级结构则可以将重排后的数据信息参量直接反馈给运动主机。

2.2 轨迹路线

在RBF-BP算法原则作用下，对于机械臂运动轨迹路线的分析由坐标平移、坐标旋转两个处理环节共同组成。

2.2.1 坐标平移

坐标平移表达式决定了机械臂运动模型输入量的数值水平，在机械臂运动过程中，由于轨迹建模误差与机械系统滑动摩擦的存在，其运动坐标变化形式很难具有明显规律性，而在RBF-BP算法的认知中，为准确把握这种运动轨迹变化规律，人为规定了坐标平移这一概念[7-8]。一般来说，在多自由度分拣控制系统的作用范围内，位于同一条轨迹路线内的机械臂运动节点都满足统一的坐标平移变化规律。设X1(x1,y1,z1)、X2(x2,y2,z2)表示同一条轨迹路线内两个不重合的机械臂运动节点，x1、x2表示两个横轴坐标，y1、y2表示两个纵轴坐标，z1、z2表示两个空间轴坐标。Δz表示空间轴坐标变化率，求解表达式为：

(1)

在公式(1)的基础上，设β表示机械臂运动向量的平移系数，f表示机械臂运动节点的平移摩擦系数，联立上述物理量，可将基于RBF-BP算法的机械臂坐标平移表达式定义为：

(2)

由于RBF-BP前馈神经网络可以同时承载多种类型的数据信息参量，所以在建立机械臂运动轨迹模型时，运动节点的坐标平移与坐标旋转可以同时存在。

2.2.2 坐标旋转

(3)

式中，α表示横轴方向上的运动夹角，χ表示纵轴方向上的运动夹角，φ表示空间轴方向上的运动夹角，δx表示横轴方向上的机械臂运动法向量，δy表示纵轴方向上的运动法向量，δz表示空间轴方向上的运动法向量。在分拣运动行为过程中，机械臂元件的最大开合角度只能得到180°，所以夹角α、χ、φ的取值都属于[-π,π]的数值区间。

由于RBF-BP算法对于机械臂多自由度分拣控制系统的约束作用能力相对较为局限，所以为保证主机械臂设备的自主运动能力，还需根据Sorting分拣指令、ToolControl控制指令的执行特性，调节相关运行程序的协调作用能力。

2.3 Sorting分拣指令

(4)

在机械臂多自由度分拣控制系统中，Sorting分拣指令可以在编码目标包裹信息的同时，调节工业相机元件对于机械臂运动图像的处理能力，一方面避免错误分拣行为的出现，另一方面也可以使机械臂元件的分拣运动行为处于绝对自由的表现状态。

2.4 ToolControl控制指令

ToolControl控制指令的编码遵循RBF-BP算法原则，可以在机械臂运动轨迹模型的基础上，促使可编程逻辑控制器模块、变频控制器模块快速运行，从而使得主机械臂结构能够适应分拣抓手的行为模式，最大化保障系统主机的自由执行能力[23-24]。规定l1、l2、…、ln表示n个随机选取的机械臂分拣抓手行为向量，且l1≠l2…≠ln的不等式条件恒成立，λ表示分拣行为过程中机械臂运动轨迹节点标记系数，φ表示基于RBF-BP算法的控制指令编码系数，j表示主机械臂元件的行为自由度定义条件。

ToolControl控制指令的执行表达式为：

(5)

为使主机械臂元件在执行分拣运动时的自由度行为需求得到保障，Sorting分拣指令、ToolControl控制指令的编码必须同时满足RBF-BP算法原则。此外，由于分拣抓手设备的行为模式并不能始终保持稳定，所以在完善执行指令定义表达式时，还要参考可编程逻辑控制器元件、变频控制器元件对于主机械臂设备的控制能力。综上所述，基于RBF-BP算法的机械臂多自由度分拣控制流程如图5所示。

图5 RBF-BP算法流程图

3 实例分析

3.1 实验环境

针对所选分拣控制系统的分拣性能进行实验，选择RBF-BP算法作用的控制系统作为实验组测试方法，稳态视觉诱发电位控制系统对照组测试方法。分别采用实验组、对照组系统控制主机械臂元件的分拣运动行为，具体配置参数见表1。

表1 实验参数配置

在连接实验装置时，主机械臂元件与分拣抓手之间的连接借助M3型旋调螺母，活动关节与主机械臂元件之间的连接借助M4型旋调螺母，助推器与活动关节之间的连接借助M5型旋调螺母。机械臂分拣过程实物图如图6所示。

图6 机械臂分拣过程实物图

3.2 数据处理与实验步骤

本次实验将对抓取成功率、分拣成功率两个指标进行评估。其中，抓取成功率是指机械臂抓手是否抓取到了正确的运输工件，分拣成功率是指机械臂抓手是否将工件分拣到了正确的位置。成功抓取不代表一定会分拣成功，但是分拣成功则代表一定抓取成功，故而分拣成功率是比抓取成功率更加严格的实验评估指标。两者的具体计算方法如下：

(6)

式中，ω1为抓取成功率，M1为机械臂成功抓取工件的样本数量，M为工件样本总数量，M2为成功抓取到正确位置的工件样本数量，ω2为分拣成功率。

在实验过程中，首先按照顺序将主机械臂元件、分拣抓手、助推器、活动关节等多个实验设备连接起来；其次利用实验组控制系统对机械臂元件的分拣运动行为进行监测；然后将运输工件、实验元件连接形式全部恢复至初始状态；接着利用对照组控制系统对机械臂元件的分拣运动行为进行监测；最后对比实验组、对照组实验数据，总结实验规律。

3.3 数据分析

规定工件样本总数量等于20，在所选控制系统作用下，若机械臂元件成功抓取工件或成功将元件抓取到正确位置，则记录本次实验结果为“1”；若机械臂元件未能成功抓取工件或没有成功将元件抓取到正确位置，则记录本次实验结果为“0”。

表2记录了实验组、对照组机械臂成功抓取工件的样本数量。

表2 机械臂成功抓取工件的样本

分析表2可知，在实验过程中，实验组、对照组机械臂成功抓取工件的样本数量均为20件，与工件样本总数量完全相等。根据公式(6)可知，若M=20、M1=20，则ω1的计算结果等于100%，即本次实验过程中，实验组、对照组机械臂均能够正确抓取运输工件。

在抓取成功率等于100%的情况下，进行机械臂分拣实验。机械臂分拣轨迹准确度如图7所示。实验组、对照组机械臂成功抓取到正确位置的工件样本数量如表3所示。

图7 机械臂分拣轨迹准确度

如图7所示，实验组机械臂分拣轨迹控制结果与实际轨迹十分接近，体现了该方法的有效性。分析表3可知，实验组机械臂成功抓取到正确位置的工件样本数量为19件，根据公式(6)可知，若M=20、M2=17，实验组ω2的计算结果等于95%。对照组机械臂成功抓取到正确位置的工件样本数量为15件，根据公式(6)可知，若M=20、M2=15，对照组ω2的计算结果等于75%，低于实验组数值水平。

表3 成功抓取到正确位置的工件样本

综上可知，本次实验结论为：(1)应用稳态视觉诱发电位控制系统虽然能够成功抓取工件样本，但在将这些工件样本抓取到正确位置方面的准确性能力则相对较弱；(2)基于RBF-BP算法的多自由度分拣控制系统不但可以确保机械臂元件对工件样本的成功抓取，还可以使其将工件样本准确抓取到正确的运输位置处，对于提升机械臂的准确分拣能力可以起到一定的促进性影响作用。

4 结束语

在确保机械臂设备可以成功抓取工件样本的基础上，针对应用稳态视觉诱发电位控制系统分拣成功率较低的问题，提出基于RBF-BP算法的多自由度分拣控制系统。联合工业相机、可编程逻辑控制器、变频控制器等多个硬件应用模块，建立完整机械臂运动轨迹模型条件的同时，求解Sorting分拣指令、ToolControl控制指令的执行表达式。随着多自由度分拣控制系统的应用，RBF-BP前馈神经网络可以直接作用于工业相机结构，使其对待运输工件样本进行准确分辨，不但可以使分拣成功率指标保持在较高的数值水平，也可以避免工件错误分拣行为的出现，因此RBF-BP算法控制系统确实能够较好地满足提升机械臂准确分拣能力的设计初衷。