知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2024-10-03
(45)【発行日】2024-10-11
(54)【発明の名称】ロボット関節モジュール制御システムの最適化方法
(51)【国際特許分類】
B25J 17/00 20060101AFI20241004BHJP
G06N 3/08 20230101ALI20241004BHJP
B25J 13/00 20060101ALI20241004BHJP
【ＦＩ】
B25J17/00 Z
G06N3/08
B25J13/00 Z
【請求項の数】
5
(21)【出願番号】P 2024037972
(22)【出願日】2024-03-12
【審査請求日】2024-03-12
(31)【優先権主張番号】202311870139.7
(32)【優先日】2023-12-29
(33)【優先権主張国・地域又は機関】CN
【早期審査対象出願】
(73)【特許権者】
【識別番号】520154254
【氏名又は名称】江蘇科技大学
【氏名又は名称原語表記】ＪＩＡＮＧＳＵ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＳＣＩＥＮＣＥ ＡＮＤ ＴＥＣＨＮＯＬＯＧＹ
【住所又は居所原語表記】Ｎｏ．２ Ｍｅｎｇｘｉ Ｒｏａｄ，Ｚｈｅｎｊｉａｎｇ，Ｊｉａｎｇｓｕ ２１２００３，Ｃｈｉｎａ
(74)【代理人】
【識別番号】110000291
【氏名又は名称】弁理士法人コスモス国際特許商標事務所
(72)【発明者】
【氏名】胡 秋実
(72)【発明者】
【氏名】李 浩強
(72)【発明者】
【氏名】李 恒
(72)【発明者】
【氏名】王 国▲偉▼
(72)【発明者】
【氏名】陳 志賀
(72)【発明者】
【氏名】趙 可龍
【審査官】神山 貴行
(56)【参考文献】
【文献】特開平０５－３０１１９６（ＪＰ，Ａ）
【文献】特開２０１９－１１３９８５（ＪＰ，Ａ）
【文献】“A Novel Artificial Neural Network (ANN) Using The Mayfly Algorithm for Classification”，2021 International Conference on Digital Futures and Transformative Technologies，IEEE，2021年
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｂ２５Ｊ １／００－２１／０２
(57)【特許請求の範囲】
【請求項1】
ロボット関節モジュールの応答性能試験を行い、負荷を表す分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、関節モジュール制御システムの積分係数Ｉ、関節モジュール制御システムの微分係数Ｄを試験変数として５因子応答性能試験を設計し、前記分銅質量ｍ、前記出力速度ｖ、前記比例係数Ｐ、前記積分係数Ｉ、前記微分係数Ｄ、応答性能指標であるオーバーシュート量Ｏｓｈｏｏｔ、及び応答時間Ｒｔｉｍｅが含まれる関節モジュール応答性能データセットを取得するステップＳ１と、ロボット関節モジュールの応答性能予測を行い、予測モデルを構築し、ステップＳ１で取得した関節モジュール応答性能データセットによって前記予測モデルをトレーニングするステップＳ２と、
関節モジュール応答性能の最適化を行い、ロボット関節モジュール応答性能指標を確立し、ステップＳ１における５因子の各自の値区間内で均一にそれぞれｎ（ｎ≧５）個の値を取り、ｎ５組のパラメータ組合を形成し、パラメータ組合をそれぞれステップＳ２でトレーニングされた前記予測モデルに代入して応答性能指標の最小値を取得して、前記最小値を取得した比例係数Ｐ、積分係数Ｉ及び微分係数Ｄのパラメータ組合を最適化後の制御パラメータとするステップＳ３とを含むことを特徴とするロボット関節モジュール制御システムの最適化方法。
【請求項2】
ステップＳ１における具体的なロボット関節モジュールの応答性能試験ステップは以下の通りであり、ステップＳ１．１において、ロボット関節モジュール応答性能試験台を構築し、試験されるロボット関節モジュール１を選択して固定フランジ７によってベース２に固定し、ベース２がプレート５に固定的に取り付けられ、ロボット関節モジュール１の出力フランジ６にリンク３が備えられ、リンク３の他端に質量がｍの分銅４が配置され、分銅４の質量ｍが試験要求に応じて交換され、ロボット関節モジュール１をホストコンピュータデバッガに接続し、ホストコンピュータは試験に設計された速度と負荷によりロボット関節モジュール１を制御し、且つＰＩＤのパラメータ値を調節し、
ステップＳ１．２において、試験設計を行い、直交試験表を設計し、負荷を表す分銅質量ｍ、関節モジュールの出力速度ｖ、比例係数Ｐ、積分係数Ｉ、微分係数Ｄを試験変数として５因子のｎ（ｎ≧５）レベルの直交試験表を設計し、
ステップＳ１．３において、ステップＳ１．２の直交試験表により、ステップＳ１．１で構築したロボット関節モジュール応答性能試験台で試験を行い、異なる試験パラメータでのロボット関節モジュール速度応答曲線を取得し、且つ速度応答曲線から関節モジュールの応答性能指標であるオーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅを抽出し、記録し記憶し、関節モジュール応答性能データセットを形成することを特徴とする請求項１に記載のロボット関節モジュール制御システムの最適化方法。
【請求項3】
前記ステップＳ２における関節モジュール応答性能最適化の具体的なステップは以下の通りであり、ステップＳ２．１において、ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルを構築し、前記ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルはＭＡメイフライモデルとＢＰＮＮ逆伝播ニューラルネットワークモデルを含み、前記ＭＡメイフライモデルは前記ＢＰＮＮ逆伝播ニューラルネットワークモデルに最適化後の重みと閾値を提供し、
ステップＳ２．２において、前記ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルをトレーニングし、まず、ステップＳ１．３で取得した関節モジュール応答性能データセットを前記ＭＡメイフライモデルに導入し、メイフライ個体群の数が最初にＮであり、続いて、オスとメスメイフライの位置を更新し、オスとメスメイフライの適応度値を計算し、続いて、反復して子のメイフライを生成して子のメイフライの位置を更新し、子のメイフライの適応度値がＦｖより小さくなると、反復を終了し、そうでなければ、子のメイフライを生成し続けて反復し、
メイフライが生成したグローバル最適パラメータを前記ＢＰＮＮ逆伝播ニューラルネットワークモデルの重みと閾値として、予測を行い、誤差を計算し、反復後の誤差がＥｕより小さくなると、オーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅの予測結果を出力し、前記ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルのトレーニングが完了することを特徴とする請求項２に記載のロボット関節モジュール制御システムの最適化方法。
【請求項4】
ステップＳ２．２における前記ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルに対するトレーニングステップは以下の通りであり、ステップＳ２．２．１において、前記ＭＡメイフライモデルを初期化し、ステップ１．３で取得した関節モジュール応答性能データセットを前記ＭＡメイフライモデルに導入し、前記ＭＡメイフライモデルにおけるオスとメスメイフライの数をそれぞれＮｍａｙｆｌｉｅｓ個に設定し、各メイフライの位置は１組のＢＰＮＮの重みと閾値パラメータを表し、速度はこれらのパラメータの更新過程におけるステップサイズを表し、ＢＰＮＮの重みと閾値を初期化し、メイフライの位置と速度を初期化し、
ステップＳ２．２．２において、オスメイフライ個体の速度と位置を更新し、式（１）と（２）によってｔ＋１回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での速度ｖｔ＋１ ｍｉｊと位置ｘｔ＋１ ｉｊを更新し、
【数19】
【数20】
【数21】
ただし、ｘはメイフライの位置であり、ｙａｃｔｕａｌは実際出力値であり、ｙｐｒｅｄｉｃｔｅｄは予測出力値であり、Ｎはサンプルセットの数であり、
ステップＳ２．２．３において、メスメイフライ個体の速度と位置を更新し、式（４）と（５）によってｔ＋１回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での速度ｖｔ＋１ ｆｉｊと位置ｙｔ＋１ ｉｊを更新し、
【数22】
ただし、ｙｔ ｉｊはｔ回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での位置であり、ｖｔ ｆｉｊはｔ回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での速度であり、ａ３はメスメイフライの吸引係数であり、ｒｍｆはメスメイフライとオスメイフライとの間の距離であり、ｆｌはランダム飛行係数であり、
ステップＳ２．２．４において、子のメイフライを生成し、式（６）と（７）によりメイフライ個体群を更新し、
【数23】
ステップＳ２．２．５において、適応度値を判断し、Ｆｖは目標適応度値であり、Ｆ３（ｘ）≦Ｆｖならば、反復を終了し、そうでなければ、ステップＳ２．２．２に移行して再度反復し、
ステップＳ２．２．６において、メイフライのグローバル最適位置を出力し、最適化された重みと閾値を取得し、
ステップＳ２．２．７において、ＢＰＮＮの順伝播を行い、入力ニューロンは分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、積分係数Ｉ、微分係数Ｄであり、出力ニューロンはオーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅであり、入力層のデータを最適化後の重みと閾値によって隠れ層のニューロンに伝達し、隠れ層のニューロンで励起関数Ｆ１（ｘ）＝（ｅｘ－ｅ－ｘ）／（ｅｘ＋ｅ－ｘ）を用いて式（８）により隠れ層のｇ番目のニューロンθｇを計算し、隠れ層のデータを重みと閾値によって出力層のニューロンに伝達し、出力層のニューロンで励起関数Ｆ２（ｘ）＝（ｅｘ）／（ｅｘ＋ｅ－ｘ）を用いて式（９）により出力層のｋ番目のニューロンＹｋを計算し、
【数24】
【数25】
ステップＳ２．２．８において、予測誤差Ｅｕを計算し、式（１０）によりＥｕの値を計算し、
【数26】
ステップＳ２．２．１０において、トレーニングを反復させ、ステップＳ２．２．７、Ｓ２．２．８及びＳ２．２．９を繰り返して実行することによって、Ｅｕ≦Ｅｖになるまで、重みと閾値を調整し、Ｅｖは目標予測誤差であり、ＯｓｈｏｏｔとＲｔｉｍｅの予測結果を出力し、前記ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルのトレーニングが完了することを特徴とする請求項３に記載のロボット関節モジュール制御システムの最適化方法。
【請求項5】
前記ステップＳ３における関節モジュール応答性能最適化の具体的なステップは以下の通りであり、ステップＳ３．１において、ロボット関節モジュール応答性能指標Ｋを確立し、
【数27】
ステップＳ３．２において、ロボット関節モジュールに影響を及ぼす５因子である分銅質量ｍ、関節モジュールの出力速度ｖ、比例係数Ｐ、積分係数Ｉ、微分係数Ｄを試験変数とし、各因子としては各自の値区間内で均一にそれぞれｎ（ｎ≧５）個の値を取り、ｎ５組のパラメータ組合を形成し、
ステップＳ３．３において、ステップＳ３．２のｎ５組のパラメータ組合をそれぞれステップＳ２でトレーニングされた前記予測モデルに代入し、パラメータ組合ごとに応答性能指標Ｋを計算し、最小Ｋ値を取得した比例係数Ｐ、積分係数Ｉ及び微分係数Ｄのパラメータ組合を最適化後の最適制御パラメータとすることを特徴とする請求項１乃至４のいずれか１つに記載のロボット関節モジュール制御システムの最適化方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、制御システムの最適化方法に関し、特に、ロボット関節モジュール制御システムの最適化方法に関し、ロボット関節制御の技術分野に属するものである。
【背景技術】
【0002】
人工知能とロボットの活用が人間の生活や仕事に融合することがますます多くなってくるに伴い、ロボット関節モジュールは関節型ロボットが運動を実現するために不可欠な核心的運動部材となる。従って、ロボット関節モジュールの性能はロボット本体の伝動精度や、運転速度、振動、騒音等の性能指標に直接影響を及ぼす。単一のロボット関節モジュールが採用する制御方法はＰＩＤ制御であり、比例係数Ｐ、積分係数Ｉ及び微分係数Ｄはその主な制御パラメータとなる。ロボット関節モジュールの応答性能指標としては主にオーバーシュート量と応答時間がある。ロボット関節モジュール応答性能に影響を及ぼす因子としては、負荷、出力回転速度及び制御パラメータ（比例係数Ｐ、積分係数Ｉ及び微分係数Ｄ）があり、その中、負荷と出力回転速度はロボット関節モジュールの動作状況により決められ、制御パラメータは人為的に設定され、従って、制御パラメータの良否は直接ロボット関節モジュール性能の優劣を決定する。以上をまとめると、ロボット関節モジュールの制御パラメータを最適化し、関節モジュールの応答性能を向上させることで、ロボット全体の性能のパフォーマンスを効果的に向上させることができる。
【0003】
現在、従来のデバッグ方法はロボット全体に対して試験法を用いて制御パラメータのデバッグと較正を行う場合が多いが、単一の関節モジュールの最適制御パラメータを精確に取得しにくいことに加えて、大量の試験を必要とするので、最適化効率が低い。
【0004】
中国特許ＣＮ１０８２２７４７９Ｂには、全体ゲイン、比例ゲイン、積分ゲイン、微分ゲインの総合的調節によって、システムのより速い応答及びデバイスのより速い安定化を可能とする多関節ロボットのＰＩＤ制御方法及びＰＩＤ制御システムが開示されている。しかし、この対照文献は異なる速度と負荷でＰＩＤ制御パラメータがその制御性能に及ぼす影響を考慮しておらず、パラメータ選択と異常値処理の面において欠点があり、高精度制御に対して要求を満たすことができない。
【発明の概要】
【発明が解決しようとする課題】
【0005】
本発明の目的は、従来技術に存在する問題に対して、ロボット関節モジュール制御システムの最適化方法を提供することである。この方法は、ロボット関節モジュールの応答性能試験とインテリジェントモデルを組み合わせることで、ロボット関節モジュール応答性能の予測を実現できると共に、関節モジュールの制御パラメータを最適化することができる。
【課題を解決するための手段】
【0006】
ロボット関節モジュールの応答性能試験を行い、負荷を表す分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、関節モジュール制御システムの積分係数Ｉ、関節モジュール制御システムの微分係数Ｄを試験変数として５因子応答性能試験を設計し、関節モジュール応答性能データセットを取得するステップＳ１と、
ロボット関節モジュールの応答性能予測を行い、予測モデルを構築し、ステップＳ１で取得した関節モジュール応答性能データセットによって予測モデルをトレーニングするステップＳ２と、
関節モジュール応答性能の最適化を行い、ロボット関節モジュール応答性能指標を確立し、ステップＳ１における５因子範囲内で均一に値を取ってパラメータ組合を形成し、パラメータ組合をそれぞれステップＳ２でトレーニングされた予測モデルに代入して応答性能指標の最小値を取得して最適化後の制御パラメータとするステップＳ３とを含むロボット関節モジュール制御システムの最適化方法である。
ロボット関節モジュールの応答性能予測を行い、予測モデルを構築し、ステップＳ１で取得した関節モジュール応答性能データセットによって予測モデルをトレーニングするステップＳ２と、
関節モジュール応答性能の最適化を行い、ロボット関節モジュール応答性能指標を確立し、ステップＳ１における５因子範囲内で均一に値を取ってパラメータ組合を形成し、パラメータ組合をそれぞれステップＳ２でトレーニングされた予測モデルに代入して応答性能指標の最小値を取得して最適化後の制御パラメータとするステップＳ３とを含むロボット関節モジュール制御システムの最適化方法である。
【0007】
本発明は異なる速度と負荷でＰＩＤ制御パラメータがその制御性能に及ぼす影響を考慮しながら、ロボット関節モジュールの応答性能試験とインテリジェントモデルを組み合わせることで、ロボット関節モジュール応答性能の予測を実現できると共に、関節モジュールの制御パラメータを最適化することができる。
【0008】
好ましくは、関節モジュールにおいて異なる速度と負荷でＰＩＤ制御パラメータがその制御性能に及ぼす影響を究めるために、ステップＳ１における具体的なロボット関節モジュールの応答性能試験ステップは以下の通りであり、
ステップＳ１．１において、ロボット関節モジュール応答性能試験台を構築し、試験されるロボット関節モジュール１を選択して固定フランジ７によってベース２に固定し、ベース２がプレート５に固定的に取り付けられ、ロボット関節モジュール１の出力フランジ６にリンク３が備えられ、リンク３の他端に質量がｍの分銅４が配置され、分銅４の質量ｍが試験要求に応じて交換され、ロボット関節モジュール１をホストコンピュータデバッガに接続し、ホストコンピュータは試験に設計された速度と負荷によりロボット関節モジュール１を制御し、且つＰＩＤのパラメータ値を調節し、
ステップＳ１．２において、試験設計を行い、直交試験表を設計し、負荷を表す分銅質量ｍ、関節モジュールの出力速度ｖ、比例係数Ｐ、積分係数Ｉ、微分係数Ｄを試験変数として５因子のｎ（ｎ≧５）レベルの直交試験表を設計し、
ステップＳ１．３において、関節モジュール応答性能データセットを用い、ステップＳ１．２の直交試験表により、ステップＳ１．１で構築したロボット関節モジュール応答性能試験台で試験を行い、異なる試験パラメータでのロボット関節モジュール速度応答曲線を取得し、且つ速度応答曲線から関節モジュールの応答性能指標であるオーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅを抽出し、記録し記憶し、関節モジュール応答性能データセットを形成する。
ステップＳ１．１において、ロボット関節モジュール応答性能試験台を構築し、試験されるロボット関節モジュール１を選択して固定フランジ７によってベース２に固定し、ベース２がプレート５に固定的に取り付けられ、ロボット関節モジュール１の出力フランジ６にリンク３が備えられ、リンク３の他端に質量がｍの分銅４が配置され、分銅４の質量ｍが試験要求に応じて交換され、ロボット関節モジュール１をホストコンピュータデバッガに接続し、ホストコンピュータは試験に設計された速度と負荷によりロボット関節モジュール１を制御し、且つＰＩＤのパラメータ値を調節し、
ステップＳ１．２において、試験設計を行い、直交試験表を設計し、負荷を表す分銅質量ｍ、関節モジュールの出力速度ｖ、比例係数Ｐ、積分係数Ｉ、微分係数Ｄを試験変数として５因子のｎ（ｎ≧５）レベルの直交試験表を設計し、
ステップＳ１．３において、関節モジュール応答性能データセットを用い、ステップＳ１．２の直交試験表により、ステップＳ１．１で構築したロボット関節モジュール応答性能試験台で試験を行い、異なる試験パラメータでのロボット関節モジュール速度応答曲線を取得し、且つ速度応答曲線から関節モジュールの応答性能指標であるオーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅを抽出し、記録し記憶し、関節モジュール応答性能データセットを形成する。
【0009】
関節モジュールは集積化された機械デバイスであり、機械構造の異なる方向での回転、揺動、並進等の運動を実現して、特定の機能やタスクを完了することができる。関節モジュールは組立工業用ロボットのような各種の機械デバイスと装置に広く活用されており、ユースケースによって、異なる設計にし得る。構築された試験台を用いて設計された直交試験表により関節モジュール運転試験を行い、試験において異なる影響因子による関節モジュールの応答時間とオーバーシュート量等の関連データが取得され、データを整理することで予測モデルのトレーニングにデータセットを提供できると共に、分析することで異なる負荷と異なる運転速度でのシステムのオーバーシュート量と応答速度の関係を得ることができる。
【0010】
好ましくは、モデルが局所最適解に陥ることがあるという問題を解決するために、前記ステップＳ２における関節モジュール応答性能最適化の具体的なステップは以下の通りであり、
ステップＳ２．１において、ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルを構築し、前記予測モデルはＭＡメイフライモデルとＢＰＮＮ逆伝播ニューラルネットワークモデルを含み、ＭＡメイフライモデルはＢＰＮＮ逆伝播ニューラルネットワークモデルに最適化後の重みと閾値を提供し、
ステップＳ２．２において、ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルをトレーニングし、まず、ステップＳ１．２で取得した関節モジュール応答性能データセットをモデルに導入し、メイフライ個体群の数が最初にＮであり、続いて、オスとメスメイフライの位置を更新し、オスとメスメイフライの適応度値を計算し、続いて、反復して子のメイフライを生成して子のメイフライの位置を更新し、子のメイフライの適応度値がＦｖより小さくなると、反復を終了し、そうでなければ、子のメイフライを生成し続けて反復し、
メイフライが生成したグローバル最適パラメータをニューラルネットワークモデルの重みと閾値として、予測を行い、誤差を計算し、反復後の誤差がＥｕより小さくなると、オーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅの予測結果を出力し、ＭＡ－ＢＰＮＮ予測モデルのトレーニングが完了する。
ステップＳ２．１において、ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルを構築し、前記予測モデルはＭＡメイフライモデルとＢＰＮＮ逆伝播ニューラルネットワークモデルを含み、ＭＡメイフライモデルはＢＰＮＮ逆伝播ニューラルネットワークモデルに最適化後の重みと閾値を提供し、
ステップＳ２．２において、ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルをトレーニングし、まず、ステップＳ１．２で取得した関節モジュール応答性能データセットをモデルに導入し、メイフライ個体群の数が最初にＮであり、続いて、オスとメスメイフライの位置を更新し、オスとメスメイフライの適応度値を計算し、続いて、反復して子のメイフライを生成して子のメイフライの位置を更新し、子のメイフライの適応度値がＦｖより小さくなると、反復を終了し、そうでなければ、子のメイフライを生成し続けて反復し、
メイフライが生成したグローバル最適パラメータをニューラルネットワークモデルの重みと閾値として、予測を行い、誤差を計算し、反復後の誤差がＥｕより小さくなると、オーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅの予測結果を出力し、ＭＡ－ＢＰＮＮ予測モデルのトレーニングが完了する。
【0011】
機械関節モジュール制御パラメータの最適化は非常に複雑な非線形問題であり、負荷、運転速度及びＰＩＤ制御パラメータ等の複数の因子の影響を受ける。有効な数学関係を確立してそれらの間の関係を記述することは非常に難しい。従って、機械学習の方法でこれらの影響因子とその制御システムの応答性能との間の関係を探索することは有効な手段である。現在、各種の機械学習方法が関節モジュール運動制御の研究に盛り込まれており、その中、人工ニューラルネットワークは制御パラメータ最適化の面で良好な効果を遂げていることが証明された。しかしながら、上記モデルは局所最適解に陥る可能性があるという問題がある。この問題を解決するために、ＭＡ－ＢＰＮＮを用いた制御パラメータ最適化モデルは、ＢＰニューラルネットワークの強い非線形マッピング能力と弾性構造、及びＭＡ検索モデルのエラーとノイズに対する強い障害許容能力を総合的に利用することで、計算過程で局所最適解に陥る不都合を効果的に回避することができる。
【0012】
好ましくは、ロボット関節モジュール応答性能の予測を実現するために、ステップＳ２．２におけるＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルに対するトレーニングステップは以下の通りであり、
ステップＳ２．２．１において、モデルを初期化し、ステップ１．３で取得した関節モジュール応答性能データセットをモデルに導入し、メイフライモデルにおけるオスとメスメイフライの数をそれぞれＮｍａｙｆｌｉｅｓ個に設定し、各メイフライの位置は１組のＢＰニューラルネットワークの重みと閾値パラメータを表し、速度はこれらのパラメータの更新過程におけるステップサイズを表し、ＢＰニューラルネットワークの重みと閾値を初期化し、メイフライの位置と速度を初期化し、
ステップＳ２．２．２において、オスメイフライ個体の速度と位置を更新し、式（１）と（２）によってｔ＋１回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での速度ｖｔ＋１ ｍｉｊと位置ｘｔ＋１ ｉｊを更新し、
ただし、ｔはｔ回目の反復であり、ｘｔ
ｉｊはｔ回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での位置であり、ｖｔ
ｍｉｊはｔ回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での速度であり、
ｄａはダンス係数であり、メスメイフライを吸引する過程を記述するためのものであり、ｒｃは一つの乱数であり、ｒｃ∈［－１，１］であり、Ｆ３（ｘ）は適応度関数であり、式３に示すように、
ただし、ｘはメイフライの位置であり、ｙａｃｔｕａｌは実際出力値であり、ｙｐｒｅｄｉｃｔｅｄは予測出力値であり、Ｎはサンプルセットの数であり、
ステップＳ２．２．３において、メスメイフライ個体の速度と位置を更新し、式（４）と（５）によってｔ＋１回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での速度ｖｔ＋１ ｆｉｊと位置ｙｔ＋１ ｉｊを更新し、
ただし、ｙｔ
ｉｊはｔ回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での位置であり、ｖｔ
ｆｉｊはｔ回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での速度であり、ａ３はメスメイフライの吸引係数であり、ｒｍｆはメスメイフライとオスメイフライとの間の距離であり、ｆｌはランダム飛行係数であり、
ステップＳ２．２．４において、子のメイフライを生成し、式（６）と（７）によりメイフライ個体群を更新し、
ただし、ｏｆｆｓｐｒｉｎｇ１とｏｆｆｓｐｒｉｎｇ２は二つの子のメイフライを表し、ｒｌは乱数であり、ｒｌ∈［－１，１］であり、ｍａｌｅとｆｅｍａｌｅはそれぞれオスメイフライとメスメイフライを表し、
ステップＳ２．２．５において、適応度値を判断し、Ｆｖは目標適応度値であり、Ｆ３（ｘ）≦Ｆｖならば、反復を終了し、そうでなければ、ステップＳ２．２．２に移行して再度反復し、
ステップＳ２．２．６において、メイフライのグローバル最適位置を出力し、最適化された重みと閾値を取得し、
ステップＳ２．２．７において、ＢＰＮＮの順伝播を行い、入力ニューロンは分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、積分係数Ｉ、微分係数Ｄであり、出力ニューロンはオーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅであり、入力層のデータを最適化後の重みと閾値によって隠れ層のニューロンに伝達し、隠れ層のニューロンで励起関数Ｆ１（ｘ）＝（ｅｘ－ｅ－ｘ）／（ｅｘ＋ｅ－ｘ）を用いて式（８）により隠れ層のｇ番目のニューロンθｇを計算し、隠れ層のデータを重みと閾値によって出力層のニューロンに伝達し、出力層のニューロンで励起関数Ｆ２（ｘ）＝（ｅｘ）／（ｅｘ＋ｅ－ｘ）を用いて式（９）により出力層のｋ番目のニューロンＹｋを計算し、
ただし、Ｘｈは入力層のｈ番目のニューロンを表し、Ｗｈｇは入力層のｈ番目のニューロンと隠れ層のｇ番目のニューロンとの間の重みであり、Ｔｇは隠れ層のｇ番目のニューロンの閾値であり、ｎｈｉｄｅは隠れ層のノード数であり、
ただし、Ｔｋは出力層のｋ番目のニューロンの閾値であり、Ｗｇｋは隠れ層のｇ番目のニューロンと出力層のｋ番目のニューロンとの間の重みであり、ｎｏｕｔは出力層のノード数であり、
ステップＳ２．２．８において、予測誤差Ｅｕを計算し、式（１０）によりＥｕの値を計算し、
ステップＳ２．２．９において、誤差逆伝播を行い、逆伝播モデルを用いて重みと閾値を調整してＥｕを低下させ、
ステップＳ２．２．１０において、トレーニングを反復させ、ステップＳ２．２．７、Ｓ２．２．８及びＳ２．２．９を繰り返して実行することによって、Ｅｕ≦Ｅｖになるまで、重みと閾値を調整し、Ｅｖは目標予測誤差であり、ＯｓｈｏｏｔとＲｔｉｍｅの予測結果を出力し、ＭＡ－ＢＰＮＮ予測モデルのトレーニングが完了する。
ステップＳ２．２．１において、モデルを初期化し、ステップ１．３で取得した関節モジュール応答性能データセットをモデルに導入し、メイフライモデルにおけるオスとメスメイフライの数をそれぞれＮｍａｙｆｌｉｅｓ個に設定し、各メイフライの位置は１組のＢＰニューラルネットワークの重みと閾値パラメータを表し、速度はこれらのパラメータの更新過程におけるステップサイズを表し、ＢＰニューラルネットワークの重みと閾値を初期化し、メイフライの位置と速度を初期化し、
ステップＳ２．２．２において、オスメイフライ個体の速度と位置を更新し、式（１）と（２）によってｔ＋１回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での速度ｖｔ＋１ ｍｉｊと位置ｘｔ＋１ ｉｊを更新し、
【数1】
【数2】
【数3】
ステップＳ２．２．３において、メスメイフライ個体の速度と位置を更新し、式（４）と（５）によってｔ＋１回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での速度ｖｔ＋１ ｆｉｊと位置ｙｔ＋１ ｉｊを更新し、
【数4】
ステップＳ２．２．４において、子のメイフライを生成し、式（６）と（７）によりメイフライ個体群を更新し、
【数5】
ステップＳ２．２．５において、適応度値を判断し、Ｆｖは目標適応度値であり、Ｆ３（ｘ）≦Ｆｖならば、反復を終了し、そうでなければ、ステップＳ２．２．２に移行して再度反復し、
ステップＳ２．２．６において、メイフライのグローバル最適位置を出力し、最適化された重みと閾値を取得し、
ステップＳ２．２．７において、ＢＰＮＮの順伝播を行い、入力ニューロンは分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、積分係数Ｉ、微分係数Ｄであり、出力ニューロンはオーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅであり、入力層のデータを最適化後の重みと閾値によって隠れ層のニューロンに伝達し、隠れ層のニューロンで励起関数Ｆ１（ｘ）＝（ｅｘ－ｅ－ｘ）／（ｅｘ＋ｅ－ｘ）を用いて式（８）により隠れ層のｇ番目のニューロンθｇを計算し、隠れ層のデータを重みと閾値によって出力層のニューロンに伝達し、出力層のニューロンで励起関数Ｆ２（ｘ）＝（ｅｘ）／（ｅｘ＋ｅ－ｘ）を用いて式（９）により出力層のｋ番目のニューロンＹｋを計算し、
【数6】
【数7】
ステップＳ２．２．８において、予測誤差Ｅｕを計算し、式（１０）によりＥｕの値を計算し、
【数8】
ステップＳ２．２．１０において、トレーニングを反復させ、ステップＳ２．２．７、Ｓ２．２．８及びＳ２．２．９を繰り返して実行することによって、Ｅｕ≦Ｅｖになるまで、重みと閾値を調整し、Ｅｖは目標予測誤差であり、ＯｓｈｏｏｔとＲｔｉｍｅの予測結果を出力し、ＭＡ－ＢＰＮＮ予測モデルのトレーニングが完了する。
【0013】
ロボット関節モジュール応答性能の予測を実現し、従来の方法においてロボット関節モジュールの最適制御パラメータの最適化の効率が低いという問題を解決した。また、応答性能指標中の重み係数の調節によって、異なる応答性能要求に応える最適制御パラメータを得ることができ、ロボット関節モジュール制御パラメータの最適化効率と精度を効果的に向上させ、ロボットの性能の最適化に効果的な理論的基礎を提供する。
【0014】
好ましくは、最適化モデルに基づいて制御を最適化するために、前記ステップＳ３における関節モジュール応答性能最適化の具体的なステップは以下の通りであり、
ステップＳ３．１において、ロボット関節モジュール応答性能指標Ｋを確立し、
ただし、α１はオーバーシュート量重み係数であり、α２は応答時間重み係数であり、α１＋α２＝１であり、
ステップＳ３．２において、ロボット関節モジュールに影響を及ぼす５因子である分銅質量ｍ、関節モジュールの出力速度ｖ、比例係数Ｐ、積分係数Ｉ、微分係数Ｄを試験変数とし、各因子としては各自の値区間内で均一にそれぞれｎ（ｎ≧５）個の値を取り、ｎ５組のパラメータ組合を形成し、
ステップＳ３．３において、ステップＳ３．２のｎ５組のパラメータ組合をそれぞれステップＳ２でトレーニングされたＭＡ－ＢＰＮＮモデルに代入し、パラメータ組合ごとに応答性能指標Ｋを計算し、最小Ｋ値を取得した比例係数Ｐ、積分係数Ｉ及び微分係数Ｄのパラメータ組合を最適化後の最適制御パラメータとする。
ステップＳ３．１において、ロボット関節モジュール応答性能指標Ｋを確立し、
【数9】
ステップＳ３．２において、ロボット関節モジュールに影響を及ぼす５因子である分銅質量ｍ、関節モジュールの出力速度ｖ、比例係数Ｐ、積分係数Ｉ、微分係数Ｄを試験変数とし、各因子としては各自の値区間内で均一にそれぞれｎ（ｎ≧５）個の値を取り、ｎ５組のパラメータ組合を形成し、
ステップＳ３．３において、ステップＳ３．２のｎ５組のパラメータ組合をそれぞれステップＳ２でトレーニングされたＭＡ－ＢＰＮＮモデルに代入し、パラメータ組合ごとに応答性能指標Ｋを計算し、最小Ｋ値を取得した比例係数Ｐ、積分係数Ｉ及び微分係数Ｄのパラメータ組合を最適化後の最適制御パラメータとする。
【0015】
関節モジュールの制御パラメータの最適化によって、異なる速度と負荷での制御パラメータの最適値を得ることで、関節モジュール制御パラメータの最適化問題を解決することができる。
【発明の効果】
【0016】
本発明で提案されたロボット関節モジュール制御パラメータの最適化方法は、ロボット関節モジュール応答性能の直交試験とインテリジェントモデル（ＭＡ－ＢＰＮＮモデル）を組み合わせることで、ロボット関節モジュール応答性能の予測を実現し、従来の方法におけるロボット関節モジュールの最適制御パラメータの最適化の効率が低いという問題を解決した。また、応答性能指標中の重み係数の調節によって、異なる応答性能要求に応える最適制御パラメータを得ることができ、ロボット関節モジュール制御パラメータの最適化効率と精度を効果的に向上させ、ロボットの性能の最適化に効果的な理論的基礎を提供した。
【図面の簡単な説明】
【0017】
【図1】本発明の全体的なフローチャートである。
【図2】本発明のロボット関節モジュール応答性能試験台の構成の模式図である。
【図3】本発明のロボット関節モジュールの構成の模式図である。
【図4】本発明のロボット関節モジュールの速度応答曲線図である。
【図5】本発明のＭＡ－ＢＰＮＮ予測モデルのフローチャートである。
【図6】本発明のＭＡ－ＢＰＮＮ予測モデルと従来のＢＰニューラルネットワークモデルの予測結果の対照である。
【発明を実施するための形態】
【0018】
以下において、本発明の実施例における図面を参照しながら、本発明の実施例における技術的解決手段を明確に、完全に説明し、当然ながら、説明される実施例は本発明の実施例の一部に過ぎず、全ての実施例ではない。本発明における実施例に基づき、当業者が創造的な労力を要することなく得た他の全ての実施例は、いずれも本発明の保護範囲に属するものとする。
【0019】
図１に示すように、本発明の具体的な実施手順は、ロボット関節モジュールの応答性能試験を行うステップＳ１と、ロボット関節モジュールの応答性能予測を行うステップＳ２と、関節モジュール応答性能の最適化を行うステップＳ３とを含む。
【0020】
前記Ｓ１は具体的には、以下のステップＳ１．１、ステップＳ１．２及びステップ１．３を含む。
ステップＳ１．１において、ロボット関節モジュール応答性能試験台を構築する。図２と図３に示すように、ロボット関節モジュール１を固定フランジ７によってベース２に固定し、ベース２をボルトによってプレート５に取り付け、ロボット関節モジュールの出力フランジ６にリンク３が取り付けられ、リンク３の他端に重量がｍの分銅４が配置され、分銅４の重量ｍが試験条件に応じて交換可能である。
ステップＳ１．２において、直交試験表を設計する。分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、関節モジュール制御システムの積分係数Ｉ、関節モジュール制御システムの微分係数Ｄを試験変数として５因子の５レベルの直交試験表を合計２５組設計する。
ステップ１．３において、ステップＳ１．２の直交試験表により、ステップ１．１で構築したロボット関節モジュール応答性能試験台で２５組の試験を行う。異なる試験パラメータでのロボット関節モジュール速度応答曲線を取得し、且つ速度応答曲線から関節モジュールの応答性能指標であるオーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅを抽出し、図４に示す通りである。２５組のｍ、ｖ、Ｐ、Ｉ、Ｏｓｈｏｏｔ、Ｒｔｉｍｅの値を記録し記憶し、関節モジュール応答性能データセットを形成する。
ステップＳ１．１において、ロボット関節モジュール応答性能試験台を構築する。図２と図３に示すように、ロボット関節モジュール１を固定フランジ７によってベース２に固定し、ベース２をボルトによってプレート５に取り付け、ロボット関節モジュールの出力フランジ６にリンク３が取り付けられ、リンク３の他端に重量がｍの分銅４が配置され、分銅４の重量ｍが試験条件に応じて交換可能である。
ステップＳ１．２において、直交試験表を設計する。分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、関節モジュール制御システムの積分係数Ｉ、関節モジュール制御システムの微分係数Ｄを試験変数として５因子の５レベルの直交試験表を合計２５組設計する。
ステップ１．３において、ステップＳ１．２の直交試験表により、ステップ１．１で構築したロボット関節モジュール応答性能試験台で２５組の試験を行う。異なる試験パラメータでのロボット関節モジュール速度応答曲線を取得し、且つ速度応答曲線から関節モジュールの応答性能指標であるオーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅを抽出し、図４に示す通りである。２５組のｍ、ｖ、Ｐ、Ｉ、Ｏｓｈｏｏｔ、Ｒｔｉｍｅの値を記録し記憶し、関節モジュール応答性能データセットを形成する。
【0021】
前記ステップＳ２は具体的には、以下のステップＳ２．１及びステップＳ２．２を含む。
ステップＳ２．１において、ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルを構築する。このモデルは主にＭＡメイフライモデルとＢＰＮＮ逆伝播ニューラルネットワークモデルを含み、ＭＡメイフライモデルはＢＰＮＮ逆伝播ニューラルネットワークモデルに最適化後の重みと閾値を提供する。
ステップＳ２．２において、ＭＡ－ＢＰＮＮ予測モデルをトレーニングする。図５に示すように、トレーニングステップは以下の通りである。
ステップＳ２．１において、ＭＡ－ＢＰＮＮメイフライ－ニューラルネットワーク予測モデルを構築する。このモデルは主にＭＡメイフライモデルとＢＰＮＮ逆伝播ニューラルネットワークモデルを含み、ＭＡメイフライモデルはＢＰＮＮ逆伝播ニューラルネットワークモデルに最適化後の重みと閾値を提供する。
ステップＳ２．２において、ＭＡ－ＢＰＮＮ予測モデルをトレーニングする。図５に示すように、トレーニングステップは以下の通りである。
【0022】
ステップＳ２．２．１において、モデルを初期化する。ステップＳ１．３で取得した関節モジュール応答性能データセットをモデルに導入する。メイフライモデルにおけるオスとメスメイフライの数をそれぞれＮｍａｙｆｌｉｅｓ＝２５個に設定する。各メイフライの位置は１組のＢＰニューラルネットワークの重みと閾値パラメータを表し、速度はこれらのパラメータの更新過程におけるステップサイズを表す。ＢＰニューラルネットワークの重みと閾値を初期化する。メイフライの位置と速度を初期化する。
ステップＳ２．２．２において、オスメイフライ個体の速度と位置を更新する。式（１）と（２）によってｔ＋１回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での速度ｖｔ＋１ ｍｉｊと位置ｘｔ＋１ ｉｊを更新する。
ただし、ｔはｔ回目の反復であり、ｘｔ
ｉｊはｔ回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での位置であり、ｖｔ
ｍｉｊはｔ回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での速度であり、
ｄａはダンス係数であり、メスメイフライを吸引する過程を記述するためのものであり、ｒｃは一つの乱数であり、ｒｃ∈［－１，１］であり、Ｆ３（ｘ）は適応度関数であり、式３に示す通りである。
ただし、ｘはメイフライの位置であり、ｙａｃｔｕａｌは実際出力値であり、ｙｐｒｅｄｉｃｔｅは予測出力値であり、Ｎはサンプルセットの数である。
ステップＳ２．２．３において、メスメイフライ個体の速度と位置を更新する。式（４）と（５）によってｔ＋１回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での速度ｖｔ＋１ ｆｉｊと位置ｙｔ＋１ ｉｊを更新する。
ただし、ｙｔ
ｉｊはｔ回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での位置であり、ｖｔ
ｆｉｊはｔ回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での速度であり、ａ３はメスメイフライの吸引係数であり、ａ３＝０．２であり、ｒｍｆはメスメイフライとオスメイフライとの間の距離であり、ｆｌはランダム飛行係数である。
ステップＳ２．２．４において、子のメイフライを生成する。式（６）と（７）によりメイフライ個体群を更新する。
ただし、ｏｆｆｓｐｒｉｎｇ１とｏｆｆｓｐｒｉｎｇ２は二つの子のメイフライを表し、ｒｌは乱数であり、ｒｌ∈［－１，１］であり、ｍａｌｅとｆｅｍａｌｅはそれぞれオスメイフライとメスメイフライを表す。
ステップＳ２．２．５において、適応度値を判断する。Ｆｖは目標適応度値であり、Ｆｖ＝０．００１であり、Ｆ３（ｘ）≦Ｆｖならば、反復を終了し、そうでなければ、ステップ２．２．２に移行して再度反復する。
ステップＳ２．２．６において、メイフライのグローバル最適位置を出力し、最適化された重みと閾値を取得する。
ステップＳ２．２．７において、ＢＰＮＮの順伝播を行う。入力ニューロンは分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、積分係数Ｉ、微分係数Ｄであり、出力ニューロンはオーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅである。入力層のデータを最適化後の重みと閾値によって隠れ層のニューロンに伝達する。隠れ層のニューロンで励起関数Ｆ１（ｘ）＝（ｅｘ－ｅ－ｘ）／（ｅｘ＋ｅ－ｘ）を用いて式（８）により隠れ層のｇ番目のニューロンθｇを計算する。隠れ層のデータを重みと閾値によって出力層のニューロンに伝達し、出力層のニューロンで励起関数Ｆ２（ｘ）＝（ｅｘ）／（ｅｘ＋ｅ－ｘ）を用いて式（９）により出力層のｋ番目のニューロンＹｋを計算する。
ただし、Ｘｈは入力層のｈ番目のニューロンを表し、Ｗｈｇは入力層のｈ番目のニューロンと隠れ層のｇ番目のニューロンとの間の重みであり、Ｔｇは隠れ層のｇ番目のニューロンの閾値であり、ｎｈｉｄｅは隠れ層のノード数である。
ただし、Ｔｋは出力層のｋ番目のニューロンの閾値であり、Ｗｇｋは隠れ層のｇ番目のニューロンと出力層のｋ番目のニューロンとの間の重みであり、ｎｏｕｔは出力層のノード数である。
ステップＳ２．２．８において、予測誤差Ｅｕを計算する。式（１０）によりＥｕの値を計算する。
ステップＳ２．２．９において、誤差逆伝播を行う。逆伝播モデルを用いて重みと閾値を調整してＥｕを低下させる。
ステップＳ２．２．１０において、トレーニングを反復させる。ステップ２．２．７、２．２．８及び２．２．９を繰り返して実行することによって、Ｅｕ≦Ｅｖになるまで、重みと閾値を調整し、Ｅｖは目標予測誤差であり、Ｅｖ＝０．０００１である。ＯｓｈｏｏｔとＲｔｉｍｅの予測結果を出力し、ＭＡ－ＢＰＮＮ予測モデルのトレーニングが完了する。
ステップＳ２．２．２において、オスメイフライ個体の速度と位置を更新する。式（１）と（２）によってｔ＋１回目反復後のｉ番目のオスメイフライの第ｊ次元探索空間での速度ｖｔ＋１ ｍｉｊと位置ｘｔ＋１ ｉｊを更新する。
【数10】
【数11】
【数12】
ステップＳ２．２．３において、メスメイフライ個体の速度と位置を更新する。式（４）と（５）によってｔ＋１回目反復後のｉ番目のメスメイフライの第ｊ次元探索空間での速度ｖｔ＋１ ｆｉｊと位置ｙｔ＋１ ｉｊを更新する。
【数13】
ステップＳ２．２．４において、子のメイフライを生成する。式（６）と（７）によりメイフライ個体群を更新する。
【数14】
ステップＳ２．２．５において、適応度値を判断する。Ｆｖは目標適応度値であり、Ｆｖ＝０．００１であり、Ｆ３（ｘ）≦Ｆｖならば、反復を終了し、そうでなければ、ステップ２．２．２に移行して再度反復する。
ステップＳ２．２．６において、メイフライのグローバル最適位置を出力し、最適化された重みと閾値を取得する。
ステップＳ２．２．７において、ＢＰＮＮの順伝播を行う。入力ニューロンは分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、積分係数Ｉ、微分係数Ｄであり、出力ニューロンはオーバーシュート量Ｏｓｈｏｏｔと応答時間Ｒｔｉｍｅである。入力層のデータを最適化後の重みと閾値によって隠れ層のニューロンに伝達する。隠れ層のニューロンで励起関数Ｆ１（ｘ）＝（ｅｘ－ｅ－ｘ）／（ｅｘ＋ｅ－ｘ）を用いて式（８）により隠れ層のｇ番目のニューロンθｇを計算する。隠れ層のデータを重みと閾値によって出力層のニューロンに伝達し、出力層のニューロンで励起関数Ｆ２（ｘ）＝（ｅｘ）／（ｅｘ＋ｅ－ｘ）を用いて式（９）により出力層のｋ番目のニューロンＹｋを計算する。
【数15】
【数16】
ステップＳ２．２．８において、予測誤差Ｅｕを計算する。式（１０）によりＥｕの値を計算する。
【数17】
ステップＳ２．２．１０において、トレーニングを反復させる。ステップ２．２．７、２．２．８及び２．２．９を繰り返して実行することによって、Ｅｕ≦Ｅｖになるまで、重みと閾値を調整し、Ｅｖは目標予測誤差であり、Ｅｖ＝０．０００１である。ＯｓｈｏｏｔとＲｔｉｍｅの予測結果を出力し、ＭＡ－ＢＰＮＮ予測モデルのトレーニングが完了する。
【0023】
トレーニングされたＭＡ－ＢＰＮＮ予測モデルと従来のＢＰニューラルネットワークモデルの予測結果の対照は図６に示す通りである。従来のＢＰニューラルネットワークモデルに比べると、ＭＡ－ＢＰＮＮ予測モデルの結果の決定係数は２．０６％向上し、Ｏｓｈｏｏｔの平均二乗誤差は４６．９２％低下し、Ｒｔｉｍｅの平均二乗誤差は４３．７５％低下し、運転時間は０．３３ｓ減少した。本発明で提案されたＭＡ－ＢＰＮＮ予測モデルは、予測結果の誤差と運転効率のいずれも従来のＢＰニューラルネットワークモデルより優れている。
【0024】
前記Ｓ３は具体的には、以下のステップＳ３．１、ステップＳ３．２及びステップＳ３．３を含む。
ステップＳ３．１において、ロボット関節モジュール応答性能指標Ｋを確立する。
ただし、α１はオーバーシュート量重み係数であり、α１＝０．６であり、α２は応答時間重み係数であり、α２＝０．４である。
ステップＳ３．２において、ロボット関節モジュールに影響を及ぼす５因子である分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、関節モジュール制御システムの積分係数Ｉ、関節モジュール制御システムの微分係数Ｄを試験変数とし、各因子としては各自の値区間で均一にそれぞれ５個の値を取り、３１２５組のパラメータ組合を形成する。
ステップＳ３．３において、ステップ３．２の３１２５組のパラメータ組合を順にステップＳ２でトレーニングされたＭＡ－ＢＰＮＮモデルに代入し、パラメータ組合ごとに応答性能指標Ｋを計算し、最小Ｋ値を取得した比例係数Ｐ、積分係数Ｉ及び微分係数Ｄのパラメータ組合を最適化後の最適制御パラメータとする。
ステップＳ３．１において、ロボット関節モジュール応答性能指標Ｋを確立する。
【数18】
ステップＳ３．２において、ロボット関節モジュールに影響を及ぼす５因子である分銅質量ｍ、関節モジュールの出力速度ｖ、関節モジュール制御システムの比例係数Ｐ、関節モジュール制御システムの積分係数Ｉ、関節モジュール制御システムの微分係数Ｄを試験変数とし、各因子としては各自の値区間で均一にそれぞれ５個の値を取り、３１２５組のパラメータ組合を形成する。
ステップＳ３．３において、ステップ３．２の３１２５組のパラメータ組合を順にステップＳ２でトレーニングされたＭＡ－ＢＰＮＮモデルに代入し、パラメータ組合ごとに応答性能指標Ｋを計算し、最小Ｋ値を取得した比例係数Ｐ、積分係数Ｉ及び微分係数Ｄのパラメータ組合を最適化後の最適制御パラメータとする。
【0025】
開示される実施例についての上記説明によって、当業者は本発明を実現したり、使用したりすることができる。これらの実施例に対する多種の修正は当業者にとって明らかであり、本明細書において定義された一般的な原理は本発明の主旨又は範囲を逸脱しない限り、他の実施例で実現することができる。従って、本発明は本明細書に示されているこれらの実施例に限定されることがなく、本明細書で開示された原理と新たな特徴に一致する最も広い範囲に合致するものである。
【要約】 （修正有）
【課題】ロボット関節モジュール制御パラメータの最適化効率と精度を効果的に向上させ、性能最適化に効果的な理論的基礎を提供する。
【解決手段】ロボット関節モジュールの応答性能試験を行い、負荷を表す質量ｍ、関節モジュールの出力速度ｖ、比例係数Ｐ、積分係数Ｉ、微分係数Ｄを試験変数として性能試験を設計し、関節モジュール応答性能データセットを取得するステップと、ロボット関節モジュールの応答性能予測を行い、予測モデルを構築し、応答性能データセットによって予測モデルをトレーニングするステップと、関節モジュール応答性能の最適化を行い、トレーニングされた予測モデルで最適化後の制御パラメータを取得するステップとを含むロボット関節モジュール制御システムの最適化方法。
【選択図】図１
【解決手段】ロボット関節モジュールの応答性能試験を行い、負荷を表す質量ｍ、関節モジュールの出力速度ｖ、比例係数Ｐ、積分係数Ｉ、微分係数Ｄを試験変数として性能試験を設計し、関節モジュール応答性能データセットを取得するステップと、ロボット関節モジュールの応答性能予測を行い、予測モデルを構築し、応答性能データセットによって予測モデルをトレーニングするステップと、関節モジュール応答性能の最適化を行い、トレーニングされた予測モデルで最適化後の制御パラメータを取得するステップとを含むロボット関節モジュール制御システムの最適化方法。
【選択図】図１
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】