[發明專利]一種6R機械臂3D打印逆運動學算法及系統

在審

• 申請號: 202210017869.1
• 申請日: 2022-01-07
• 公開（公告）號: CN114683278A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 韓興國;崔立秀;王斌武;裴占武;張鶯
• 申請（專利權）人: 桂林航天工業學院
• 主分類號: B25J9/16
• 分類號: B25J9/16
• 代理公司: 成都魚爪智云知識產權代理有限公司 51308
• 代理人: 張麗

1.一種6R機械臂3D打印逆運動學算法，其特征在于，包括：

通過D-H法建立6R機械臂3D打印裝置正運動學模型；

建立基于動態模糊神經網絡的預測模型，將該模型設置為六輸入六輸出系統；

選取動態模糊神經網絡預測模型的訓練樣本，采用樣本數據對該預測模型進行訓練；

獲取6R機械臂3D打印裝置打印噴頭的實際位姿，將實際位姿輸入動態模糊神經網絡預測模型的輸入層，輸出層輸出為6R機械臂3D打印裝置的關節角度，完成求解。

2.如權利要求1所述的一種6R機械臂3D打印逆運動學算法，其特征在于，所述通過D-H法建立6R機械臂3D打印裝置正運動學模型包括：

根據6R機械臂3D打印裝置的結構參數，通過D-H法建立相鄰關節的齊次變換矩陣。

3.如權利要求2所述的一種6R機械臂3D打印逆運動學算法，其特征在于，還包括：

根據所述齊次變換矩陣，建立6R機械臂3D打印裝置打印噴頭相對于基礎坐標系的位姿矩陣。

4.如權利要求1所述的一種6R機械臂3D打印逆運動學算法，其特征在于，所述建立基于動態模糊神經網絡的預測模型，將該模型設置為六輸入六輸出系統，包括：

六輸入六輸出系統由輸入層、隸屬函數層、規則層、歸一化層和輸出層構成；

輸入層接受動態模糊神經網絡的輸入變量樣本X，并設置輸入變量數為6；

隸屬函數層包含至少一個節點，其中，每個節點表示一個隸屬函數；

規則層反映系統的模糊規則數，每一節點表示一個可能的模糊規則中的IF-部分。

5.如權利要求4所述的一種6R機械臂3D打印逆運動學算法，其特征在于，還包括：

歸一化層對輸入變量進行歸一化處理以簡化計算；

輸出層的每一節點表示一個輸出變量，輸出變量是對所有輸入信號的疊加處理。

6.如權利要求1所述的一種6R機械臂3D打印逆運動學算法，其特征在于，所述選取動態模糊神經網絡預測模型的訓練樣本，采用樣本數據對該預測模型進行訓練包括：

選取N組6R機械臂3D打印裝置的關節變量樣本，然后計算出N組6R機械臂3D打印裝置打印噴頭的噴嘴位姿變量樣本。

7.如權利要求6所述的一種6R機械臂3D打印逆運動學算法，其特征在于，還包括：

將計算出的N組6R機械臂3D打印裝置打印噴頭的噴嘴位姿變量樣本作為動態模糊神經網絡的輸入變量樣本，將選取的N組6R機械臂3D打印裝置關節變量樣本作為動態模糊神經網絡的輸出變量樣本，建立基于動態模糊神經網絡的6輸入6輸出的逆運動學求解預測模型，用N個位置點的樣本對該預測模型進行訓練。

8.如權利要求7所述的一種6R機械臂3D打印逆運動學算法，其特征在于，還包括：

關節角度采用弧度表示。

9.如權利要求1所述的一種6R機械臂3D打印逆運動學算法，其特征在于，所述獲取6R機械臂3D打印裝置打印噴頭的實際位姿，將實際位姿輸入動態模糊神經網絡預測模型的輸入層，輸出層輸出為6R機械臂3D打印裝置的關節角度，完成求解包括：

設置輸出層滿足的誤差值，滿足誤差要求的動態模糊神經網絡預測模型的輸出層輸出為6R機械臂3D打印裝置的關節角度，從而完成6R機械臂3D打印裝置逆運動學求解。

10.一種6R機械臂3D打印逆運動學系統，其特征在于，包括：

用于存儲計算機指令的至少一個存儲器；

與所述存儲器通訊的至少一個處理器以及一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現如權利要求1-9中任一項所述的算法。