以并联机构为研究对象,针对求解正运动学时神经网络法易陷入局部最优及Newton-Raphson法对迭代初值敏感的问题,提出了一种融合PSO-BPNN(Back propagation neural network,BPNN)和Newton-Raphson法的正运动学通用求解算法。建立了并联机构逆运动学方程,得到驱动杆值,以此为训练样本,利用粒子群算法(Particle swarm optimization,PSO)优化BPNN(PSO-BPNN)模型获得位置正解,再以PSO-BPNN的正解值作为Newton-Raphson法的迭代初值对并联机构正运动学问题进行求解。为验证算法的有效性和通用性,给出了3-PCR、3-PPR两种并联机构的算例仿真。结果表明,由于迭代初值选取与目标值相差较大,导致Newton-Raphson法无法收敛;相比于PSO-BPNN算法,PSO-BPNN和Newton-Raphson法相结合得到的绝对误差最少降低了99.68%和99.96%,迭代次数更少;该方法既克服了神经网络法局部收敛性差的缺点,又避免了初值选取对Newton-Raphson法...

Stewart平台的运动学解算是指对驱动杆杆长与动平台位姿的对应关系的求解。其运动学逆解只需根据空间坐标变换求得,而运动学正解需要对12个非线性方程进行解算。普通的数值解算方法迭代步数多,求解精度低。为解决Stewart平台运动学正解的解算问题,将pareto最优化理论引入遗传算法,提出一种基于多目标遗传算法(NSGA-Ⅱ)和最小二乘理论结合的算法。利用算法生成上平台姿态,利用反解解算出姿态对应的杆长,与已知杆长进行最小二乘拟合分析,当拟合度极高时认为此时的位姿即为运动学正解结果。此算法将上平台姿态的6个参数求解转化成多目标最优化问题,其只需迭代102次左右便能输出最优解,单次结果输出用时在1 min以内,且求解的均方根值误差不超过0. 1。是一种求解速度快、精度高的可行的运动学正解解算方法。