摘要：机械手是一个动作灵活、运动惯性小的时变系统，具有简单、高效、低成本等特点，其在各个领域被越来越广泛的运用。神经网络在解决非线性、不确定性问题上有重要作用，通过对机械手未知方位的逼近学习，实现建模和补偿的效果，进而对机械手进行控制在神经网络学习中，权值的变化是训练的重要特征之一，正常情况下学习速率较慢，所以用PSO粒子群算法来加速对权值的计算，进而提升整个网络的学习速度。粒子群算法通过各个粒子的合作竞争学习，优化神经网络的连接权值，来提高神经网络的学习性能。

关键词：机械手；神经网络；粒子群算法；权值

中图分类号：TP241 文献标识码：A 文章编号：1672-1578（2018）04-0256-01

近年来，机械臂在工业装配、定点爆破等工程上被高效使用，对机械臂的运动控制运用越来越娴熟，在机械臂使用过程中，通过控制机械臂平移、旋转和对速度、加速度的调整，使机械臂稳定、快速且精确的到达指定位置并进行目标操作。多自由度机械手通过软件模拟其运动模型状态，将得到的数据进行深度学习，运用神经网络系统学习得到预测数据与仿真数据进行误差对比，从而能够实现自学习的过程。鉴于学习过程中大量数据可能导致学习速度较慢，误差较大的影响，我们加入了PSO粒子群算法来优化神经网络中的全值阈值的变化，提高系统的学习优化过程，改善简单神经网络早熟收敛和易陷入局部最优的问题，改善机械手的控制效果。

1.机械手运动学方程

改变机械手状态的方法是调整关节坐标值（转角变换值）。具体来说，机械手主体结构是一个把转动和移动连接起来的连杆系统，其关节的个数即为自由度的个数。在机器人运动学中主要研究两方面问题：一是在确定各关节角度的情况下，计算机械手的位置和姿态，即正解问题；另一个则是逆解问题，即得到了机械手的空间位姿，反求各关节的位移变化值。

机械手运动学的研究，首先要明白机械手如何建模，在完成对机械手建模后才能去研究各参数对机械手运动的影响。在建模过程中，要知道机械手的结构并模拟出一个机械手的大体结构，通过建立坐标系，将各参数与运动学方程相结合，从而完成对模型的构建过程。

2.神经网络系统模型的建立

神经网络是模拟思想的高等方式，其特征是进行分布式并行信息处理的数学模型算法。虽然单个神经元较为单一，但大量的神经元构成的神经网络却可以完成各式各样的任务要求。从数学上看，神经网络是一种高度的映射，来逼近非线性系统。理论上我们可以得到一个结论：在满足一定条件的情况下，神经网络可以对任意函数逼近到目标精度。

PSO算法就是将一群没有质量和体积的粒子随机初始化，将每个粒子看做一个优化问题的可行解，通过设定适应度函数来调整粒子的好坏，给定粒子初始位置和速度让粒子在空间中运动，通过追踪最优粒子来逐步找到最优解。

基于PSO算法提出了全新的BP神经网络学习的算法，此算法的关键是将网络中需要调整的权值与偏差组成的矢量看作为一个粒子，通过各粒子间的相互学习和竞争来完成整个训练的过程。

基于PSO的神经网络体现为将神经网络的权值和阈值映射为PSO中的粒子，通过粒子的速度、位置不断改变完善来加速参数达到要求，实现网络训练。我们把这种网络定义为PSONN。下面将介绍网络的训练过程：

PSONN网络结构和参数的确定。根据输入、输出样本的矢量长度确定输入的神经元数I和输出层的神经元数0，同时设定初始隐含层数H，进而确定粒子的群规模N，设置初始惯性权重ωstart和最终惯性权重ωend，还有学习因子c1，c2，网络最大迭代次数Gmax，初始化网络中的参数ωij，vjk，θj，Ψk为（0，1）的随机数。

建立PSO粒子与优化参数的映射。以一个三层的BP神经网络为例，通过一个一维的矩阵来表示需要优化的参数：因为i=1，2，…，I，j=1，2，…，H，k=1，2，…，O。

计算适应度函数。除了要建立一个映射关系外，我们还需要建立一个适应值函数来评判种群中粒子的个体质量。一般我们可以用网络实际输出与期望输出之间的误差平方和（SSE）或均方差平方和（MSE）来表示，对个体极值和全局极值进行更新。通过对比个体粒子当代适应度值与上一代适应度值，若当代适应值优于上一代则进行个体更新；同时比较群体当前的最优适应度值与上一代最优适应度值，若当代优于上一代则进行全局极值更新。

对粒子位置和速度进行更新。根据公式对粒子进行速度和位置更新，还可以对速度进行限制处理。

终止算法并输出最优网络。根据结束条件，若最大迭代次数达到目标数或误差小于给定值则算法终止，同时输出最优解。

3.仿真结果分析

给定一组机械手个关节角度随机数，利用机械手的正运动学模型求出关节的位姿，通过与目标物体位置进行对比得到的误差值作为输入，由神经网络训练学习，最后输出5个关节的角度，并与机械手运动学反解得到的角度对比，验证神经网络的正确性。在网络训练过程中，加入PSO算法来加速网络的寻优过程，通过每次迭代的适应度值来反映整个网络的寻优情况，直至达到训练次数或误差精度，完成网络的训练。

4.结语

基于PSO一神经网络的多自由度机械手运动控制系统的设计是以机械手运动学正、逆解为基础，通过matlab软件进行仿真设计，将数据通过神经网络模型训练学习，使输出的预测数据与真实数据在误差范围之内，再加入算法来优化网络的参数，使网络的性能达到最优。在整个设计过程中，大体分为神经网络模型建立、PSO粒子群算法优化和机械手模拟仿真三部分，以神经网络模型训练为主体，加以粒子群算法优化权值，将最终的学习输出数据与机械手模型数据进行比对验证网络的可行性。