机器人柔顺装配夹具的双小脑模型神经网络控制系统

机器人柔顺装配夹具的双小脑模型神经网络控制系统 机器人柔顺装配夹具的双小脑模型神经网 络控制系统 颜波等:机器人柔顺装配夹具的双小脑模型神经网络控制系统 机器人柔顺装配夹具的双小脑模型神经网络控制系统? 颜波?张铁谢存禧 (华南理工大学机电学院广州510640) 摘要介绍了一种新型的机器人柔顺装配夹具及其装配系统.设计了由装配力信号为 输入的小脑模型神经网络CMAC1和以浮动平台位移信号为输入的小脑模型神经网络 CMAC2并行叠加构成的双CMAC神经网络控制器,前者作为前馈控制,后者当夹具刚启 动时为前馈控制,装配开始后转为反馈控制.双CMAC神经网络控制器具有存储容量 少,系统较稳定,能减少系统误差影响,装配力小等优点. 关键词小脑模型(CMAC)神经网络,机器人,柔顺装配夹具 0引言 小脑模型关联控制器(CerebellarModelArticu— lationController),简记为CMAC,能够模拟人类小 脑的学习结构,具有很强的记忆与输出泛化能力. 在使用机器人进行自动化装配的过程中,由于 工件,机器人和工装夹具等精度的影响而产生随机 性的系统误差,使得装配过程中经常出现卡阻现象. 为此,我们设计了一种具有空间5自由度的机器人 柔顺装配夹具,采取主动柔顺,运用双CMAC 神经网络控制器,以解决装配过程中的零件对准问 . 1机器人的柔顺性装配系统 1.1装配系统简介 机器人柔顺装配夹具的装配系统如图1所示 (以最具有代表性的轴孔装配为例).系统使用的机 器人是6自由度的安川机器人SK一16,末端使用六 维力/力矩传感器,以检测装配过程中装配力在, z方向上的力和力矩. 曰1.2机器人柔顺装配夹具的结构图2是机器人柔顺装配夹具的结 构示意图【1J.该夹具包括1个浮动平台,1个固定平台,8个径向电磁 铁,2个轴向电磁铁,4个径向间隙传感器和1个轴向间 隙传感器.固定平台安装在工作台上,8个径向电 磁铁分别对称地安装在固定平台内的左右两侧和前 后两侧,轴向电磁铁对称地安装在固定平台内,并置 于浮动平台浮动盘的上下两侧,浮动平台通过10个 电磁铁所形成的磁场浮动于固定平台上.径向间隙 传感器也安装在固定平台内,其中2个在左或右的 同一侧,2个在前或后的同一侧,轴向间隙传感器安 装在固定平台下部,位于浮动平台浮动盘的下侧. 1.SK一16机器人;2.力/力矩传感器;3.轴; 4.孔;5.柔顺夹具;6.装配工作台 图1机器人柔顺夹具的装配系统示意图 1.浮动平台;2.径向电磁铁;3.固定平台; 4.轴向电磁铁;5.间隙传感器 图2机器人柔顺装配夹具的结构示意图 ?中国科学院机器人学开放研究实验室基金(RL199904)和广东省 自然科学基金(000478)资助项目. ?男,1970年生,博士生;研究方向:机器人技术及自动化;联系人. (收稿日期:2001-10-09) 一 53— 高技术通讯2002.12 2机器人柔顺装配夹具的控制系统 控制系统结构图如图3所示,其控制原理将在 下文论述. 2.1柔顺夹具的静态平衡控制 当系统处于未装配作业时,如果浮动平台在初 始位置受到往一X方向的扰动力(不是装配产生的 装配力),浮动平台就会偏离初始位置向一X方向运 动.此时X轴上的径向间隙传感器检测到浮动平 台偏离其初始位置向一X方向移动,控制器将这一 位移信号进行A/D转换,经过计算机中CMAC2神 经网络算法计算处理后输出控制量”,(参见图5,此 时因无装配力,CMAC1的控制量”可视为0),并 增大所控制的侧电磁铁电流的数字信号值,减小 所控制的一X侧电磁铁电流的数字信号值,再经过 D/A转换变成电流控制信号,经过功率放大后将该 控制信号变换成控制X方向各电磁铁的线圈电流, 使得一X侧的线圈电流减小,+侧的线圈电流增 加,从而产生一平衡外力干扰的电磁吸力,使得浮动 平台重新返回原来的平衡位置.如果浮动平台受到 一 个往方向的扰动并往+方向运动,则可得出 相反的结论.同理,当浮动平台受到Y轴方向或z 轴方向的扰动时,通过间隙传感器的传感并控制Y 轴方向的径向电磁铁或z轴方向的轴向电磁铁的电 流,同样可使浮动平台回到初始位置. 图3控制系统结构图 2.2柔顺夹具的动态装配控制 当进行装配作业时(比如插轴入孔),机器人末 端的6维力/力矩传感器将检测到的装配力和力矩 信号,经A/D转换和计算机中CMAC1神经网络算 法计算处理后输出”,并与用于静态平衡控制的 cMAC2神经网络回想输出”,叠加,其和为”(参 见图5),共同控制电磁铁线圈电流,从而达到调整 浮动平台(其上固定有孔类零件)的位置,使装配力 和力矩尽可能小. 3双CMAC神经网络控制器 3.1CMAC神经网络 小脑模型神经网络(CMAC)的结构如图4所 示_2J,它由网络输入,概念映射,物理映射和网络输 出四个基本部分组成. 现以下文中将间隙传感器位移信号作为输入的 CMAC’2神经网络为例略加.其输入状态空间s 是一个5维空间,CMAC2网络将接收到的输入向量 s(含5个间隙传感器测得的位移变量)映射到虚拟 存储器A中的c个单元(c为泛化参数,可取10, 一 54一 图4小脑模型(CMAC)的拓扑结构 100).在输入空间邻近的两个位移向量在A中有 部分的重叠单元,距离越近重叠越多,远离的向量在 A中不重叠.设5维输入空间中的每个位移变量 可取个不同离散值(为间隙允许的位移变化范 围内的量化级数,若均匀量化就是等分),假如 取100,则A的存储量需要至少100=10加个单元. 为了减少实际存储空间,因多数学习问题并不包含 输入空间的所有值,故可将A通过散列编码技术, 映射到一个小得多的物理可实现存储器A. CMAC2神经网络的输出是将A中的c个存储单 C 元的内容通过加权求和得到,F(si)=,.其学 颜波等:机器人柔顺装配夹具的双小脑模型神经网络控制系统 习方法是采用简单学习率.CMAC是一种 局部逼近的神经网络,学习速度快,适于实时控制. 3.2双CMAC神经网络控制器 机器人柔顺装配夹具的神经网络控制器将两个 CMAC结合起来,采用双CMAC结构,两者的叠加 作为输出.采用这种结构的主要原因是: (1)若维输入向量的每一分量有z个量化等 级,则输入Js的可能状态有个,它们都要映射到 A中并有其对应的(权)值.可见存储器占用量随 输入向量维数增加呈指数剧烈增长,因此应避免输 入维数过高.力/力矩传感器传感6维变量,5个间 隙传感器传感5个变量,若将它们合在一起组成含 1l维变量的向量输入CMAC网络训练,计算机难 以提供足够的内存空间满足需要.若分为两个 CMAC则可大量减少存储容量. (2)间隙传感器与力/力矩传感器工作性质不 同.间隙传感器自始至终检测位移信号,用于浮动 平台静态平衡控制,相对稳定.力/力矩传感器只在 插轴入孔时检测装配力,用于浮动平台动态装配控 制,冲击载荷大.若共用一个CMAC输入,因装配 力/力矩间歇性加入和退出,使映射到A中的C个 1_ 单元的权值突变,则控制器输出F(Js1)=:?,, J:1 反复变化较大,动荡起伏,稳定性差,训练困难.若 将它们分成两个CMAC并行叠加,则因含间隙传感 器的CMAC2的输入向量都是变化较小的位移量, 权值变化小,输出较稳定,可增加系统稳定性. 双CMAC神经网络的学习控制系统如图5所 示.每个CMAC神经网络都可分为控制周期和学 习周期. CMAC1存储r一一__-]CMAC1训练 羹发}__...r生器l卜u.魁 CMAC2存储CMAC2训练 机器人 柔顺装 夹具 )3I)3憩 间隙传感器 图5双CMAC神经网络的学习控制系统 3.3CMAC1前馈控制 以力/力矩传感器检测到的装配力信号为输入 的网络构成CMAC1,属前馈控制Isj.因为我们希 望装配力越小越好,理想状态为零,所以在控制周 期,将设定值发生器1输送到CMAC1回想的6维 力/力矩期望值均设定为0,作为CMAC1神经网络 的输入.网络相应的响应值即为神经网络控制量 “1,它与CMAC2控制量”2之和构成机器人柔顺装 配夹具的控制量”.在学习周期,将系统力/力矩传 感信号的实际输出作为CMAC1的输入,与之相对 应的控制量”用作CMAC1的理想响应值,按 CMAC的学习算法来训练神经网络修正权值. 3.4CMAC2前馈反馈控制 以间隙传感器检测到的浮动平台位移信号为输 入的网络构成CMAC2.当夹具的控制电路刚接通 电源启动尚未开始装配时,浮动平台在电磁铁所形 成的磁场的作用下应处于悬浮的平衡位置(中间位 置),这个位置即为初始位置. 软开关k连通设定值发生器2,将浮动平台初 始平衡位置(中间位置)参数作为期望值输送到 CMAC2回想进行前馈控制,训练浮动平台在装配 流水作业开始前处于初始平衡位置.当装配流水作 业开始后,软开关k断开设定值发生器2,接通间隙 传感器传感的位移信号进行反馈控制,对轴孔成功 装配时(即机器人末端夹持器插轴入孔至最低位,夹 持器即将松开轴类零件时)的浮动平台位置信号采 样并锁存.将此位置作为浮动平台新的平衡位置 (通常不再是初始中间位置),训练CMAC2保持这 一 55— 高技术通讯2002.12 个新的平衡位置直至下一次轴孔成功装配时再采样 更新浮动平台位置信号并锁存.这样做可以使本次 作业刚开始装配时浮动平台位置保持在上次经控制 器调整后成功装配的位置,能尽量消除同类零件连 续装配作业时的系统误差的影响,减小装配力.在 学习周期,将间隙传感器检测到的浮动平台位移信 号的实际输出作为CMAC2的输入,用控制量U作 为CMAC2的理想响应值. 4结语 本研究根据柔顺夹具控制系统的特点,分别以 力/力矩传感器和间隙传感器构成了双CMAC结 构.该结构能大量减少存储占用,并可增加系统稳 定性.双CMAC神经网络控制器能部分消除同类 零件连续装配作业时的系统误差,减小装配力.基 于本论文的双CMAC神经网络控制器,作者所在课 题组研制了机器人装配的柔顺性夹具,并进行了装 配实验,有关实验结果请参阅文献[1]. 参考文献: [1]张铁,谢存禧,邵明.机械科学与技术,2001,20(3): 410 [2]AlbusJS.TransASMEJournalofDynamicSs,tem MeasurementandControl,1975,97:220 [3]MillerWT,HenesRP,GlanzFH,eta1.IEEETrans RoboticsandAutomation,1990,6(1):1 DualCMACNeuralNetworkControlSystemof CompliantFixtureforRoboticAssembly Yan]30,ZhangTie,XieCunxi (CollegeofMechanicalEngineering,SouthChinaUniversityofTechnology,Guangzhou510640) Abstract Anewtypeofcompliantfixtureforroboticassemblyanditsassemblysystemareintroduced.DualCMAC neuralnetworkcontrollerisdesigned,whichiscomposedofcerebellarmodelarticulationcontrollerCMAC1that receivestheassemblyforcesignalsandcerebellarmodelarticulationcontrollerCMAC2thatreceivesfloatingplat— formdisplacementsignals.Theformerisfeed—forwardcontrol,whilethelatt erisfeed—forwardcontrolwhenthe fixturejuststartandthenconvertstofeedbackcontrolafterassemblybegins.DualCMACneuralnetworkcon— trollerhaveadvantagessuchaslessmemoryvolume,higherstability,lessinfluencesfromsystemerrorsandless assemblyforce. Keywords:CMACneuralnetwork,Robot,Compliantassemblyfixture 一 56—