將神經網絡技術運用到仿生機械臂控制系統中的分析

李順治

(大慶廣播電視大學 黑龍江大慶 163000)

當前的眾多工業生產控制領域，都已經開始廣泛應用仿生機械臂。它能夠替代傳統的人工工作模式，提高工作效率，降低成本。神經網絡技術經過幾十年的發展，如今已經日趨成熟，可以在仿生機械臂控制系統中發揮作用。

一、仿生機械臂的空間運動分析

(一)建立仿生機械臂的D-H坐標系

仿生機械臂在運行時，可以將機械手的空間位置看作是具體的坐標軸，在當前坐標點和目標運動坐標點之間進行連接，就得到了向量參數。為了滿足多電機的并聯控制，我們可以將機械爪絕對坐標系轉換為齊次坐標系。機械師可以利用D-H坐標系對仿生臂的坐標系進行設立，將其他非緊要因素對坐標系的影響忽略不計。這樣可以得到最終仿生機械臂的D-H坐標系。

(二)確定各個機械臂之間的D-H參數

應用仿生機械臂在開展工作時，要能夠在空間內實現任何角度的變化，并且以不同的姿勢來應對不同的工作任務。目前，該領域應用四自由度的機械臂比較多，因為這種機械臂能夠滿足各種實踐場合的性能需求。仿生機械臂的結構在設計中，會裝設不同的機械手指，模仿人體手部來進行抓握。[1]我們通過上述D-H坐標系方法，可以得到各個機械臂之間的D-H參數。

二、仿生機械臂的控制原理

從當前機械臂研究成果來看，目前應用步進電機作為動力來源是比較合理的，因為步進電機內部裝設有脈沖計數器。這樣就很容易對旋轉的角度進行精確控制。相對于傳統的伺服電機來說，步進電機的制造成本相對比較低。從綜合成本因素以及后期維護拓展需求來看，我們可以優先選用兩相四線步進電機。在對步進電機進行控制時，我們選用雙H橋電路作為驅動電路，然后根據不同的控制需求來對三極管的開通和關斷以及相應的占空比進行調整即可。[2]這樣，操作人員可以通過程序編程以及開關控制來控制電機的正反轉以及預期的旋轉角度。仿生機械臂控制系統，要能夠對一些數據信號進行精確、及時的傳遞。目前，應用比較多的無線通信方式主要有藍牙通信以及WIFI通信這兩種。考慮到仿生機械臂的實際物理結構，我們可以直接選用性能穩定的直接接線控制；對于機械手臂則可以使用藍牙控制模式。[3]

三、仿生機械臂的信號傳輸方式

在仿生機械臂控制系統中，最核心的區域應當是電機控制模塊。步進電機的輸出結果將會直接影響到仿生機械臂的旋轉以及抓握功能。這就需要將神經網絡技術應用到該過程中去，建立起步進電機控制系統的傳遞函數。我們可以通過神經網絡技術來進行逆建模，盡量消除步進電機控制中存在的非線性因素。比較合理的方法是首先針對神經網絡逆辨識建模，進行仿真分析，對神經元權值閾值初始化，然后輸入相對應的信號，設置好仿真步長以及步數。其中，機器學習次數將影響到算法學習的時間，操作人員需要結合控制時間來進行合理選擇。

四、仿生機械臂中的神經網絡

神經網絡技術本身就是為了模擬人腦神經系統，從而在處理信息時能夠依據人類智能來完成相關工作的。神經網絡算法能夠應用在各種非線性系統中，進行精確的建模和預測。這種算法具有一定的自學習、自適應能力，在經過長期的經驗積累之后，就能夠通過這些數據來進行訓練，最終使得輸入和輸出之間的關系更加精確。神經網絡技術，不可避免地會接觸到學習算法。它主要是依據輸入、輸出數據樣本來實現的，最終完成權值的調整。神經網絡技術中包含了系統建模與辨識，特別是對于復雜的仿生機械臂控制系統來說，涉及到的各種控制信號比較多。我們就很難通過傳統的模式來進行建模，而通過應用神經網絡技術就能夠在短時間內建立起系統等價的模式。仿生機械臂控制系統在應用神經網絡技術時，需要做好拓撲結構的選擇。比如說RBP神經網絡能夠采用基于線性優化的學習算法，就提高了響應的實時性。在應用神經網絡算法進行訓練時，系統期望輸出是已知的，我們就需要通過這個已知的結果來做好相應的控制量設定，確保辨識精度，縮短響應時間。[4]

五、結束語

總體來說，我們將神經網絡技術應用在仿生機械臂控制系統中具有較強的現實意義。它能夠結合復雜的機械臂運行得到的數據進行自學習，依靠自適應能力來得到合理的控制參數，最終使得仿生機械臂的控制效果更好，達到高精度的控制標準。但是，在未來的發展中，神經網絡控制技術要盡量縮短算法學習需要花費的時間，以滿足實踐中的應用。