基于主成分分析法的串联机器人综合性能评价.docxVIP

基于主成分分析法的串联机器人综合性能评价 机器人机构是实现各种运动并完成各种指定任务的主体。机器人机构分析是机器人创新和发展的中心主题。包括机器人组织分析、动态分析、运动控制、路径规划、智能设计和工程应用。机器人组织的综合是探索机械零件的新形式。另一方面，由于机器人系统的复杂性和多样性，缺乏考虑结构的综合能力决策的理论，因此无法建立结构分析和后续结构方法之间的内在联系。另一方面，在组织整合过程中，为了选择组织类型和规模，有必要澄清组织类型、规模和综合能力之间的关系。1）如何阐明机器人系统的综合能力、组织类型和规模的分布规律，以及建立一种通用于工程应用的机器人系统分析和综合方法是国际组织研究的重点和难点。 多元统计方法能在多个对象和多个指标互相关联的情况下得出它们之间的规律,机器人机构单一性能指标的相关性和多样性决定了可将其引入机器人机构分析和综合中,用以揭示多种单一性能指标与机器人机构类型和尺寸之间的映射规律. 目前,国内外在农业、生物、气象学、人口统计学、经济学等多个领域已将多元统计方法———主成分分析( principal component analysis,PCA) 和核主成分分析法( kernel principal component analysis,KPCA) 应用于研究多个变量之间的相互关系,并进行综合评价［2］. 但是,尚未将相关方法引入对机器人机构分析和综合的研究领域中. PCA方法可有效地处理变量间的线性关系,解决基于多种单一性能指标的机器人机构的分析和综合. 但由于指标间的关系往往是非线性的,线性PCA评价方法中可能出现各指标的贡献率过于分散的情况,无法全面地评价机构的综合性能［3］. KPCA作为PCA方法在处理非线性问题时的扩展,近年来得到了快速发展［4］. KPCA将原变量空间通过一个非线性变换映射到高维特征空间,再进行线性主成分分析,通过选取适当的核函数,使第一主成分的贡献率达到80%,从而通过第一主成分即可对机器人机构的综合性能进行较为全面的分析,进而得出综合性能最优的机器人的构型和尺度. 由于串联机器人结构相对简单、运动空间大、易于控制,已在机床、装配车间等很多领域成功应用.因此,本文以串联机器人为研究对象,基于PCA方法和KPCA方法对其各项运动学和动力学的单一性能指标的数据进行数学分析,得出综合评价指标,通过比较PCA方法和KPCA方法的降维效果,选择更适合于串联机器人的机构分析的方法,进而通过选择综合性能最优的机构构型和尺度,为机器人构型和尺度同步综合研究提供科学的参考依据. 1 基于pca和kpca的联合机器人分析和综合方法 1.1 原指标计算步骤 PCA是在保证样本数据信息损失最小的前提下,经线性变换( 正交) 和舍弃小部分信息,将多个指标问题转换为较少的新的指标问题,并且这些新的指标既是互不相关、又能综合反映原指标的一种分析方法［5-8］. 具体计算步骤见文献. 1.2 kpca方法的核函数 基于核函数的PCA法是利用线性代数、支持向量机等有关理论来实现非线性空间的降维,在解决信息冗余的同时,保证了原始信息的完整性. 其主要思想是通过某种事先选择的非线性映射 Φ 将输入矢量x映射到一个高维线性特征空间F中,然后在空间F中使用PCA方法计算得到的线性主成分,实质上是原始输入空间的非线性主元［10-11］. 设xi∈Rk( i =1,2,…,p) 为输入空间的k维样本点. 通过非线性映射 Φ 将Rk映射到特征空间F: F中的样本点记作 φ( xi) . 非线性映射 Φ 往往不易求得,KPCA方法通过核函数从输入空间到特征空间进行非线性映射. 核函数是满足Mercer条件的任意对称函数( 实正定函数) ,常用的核函数如下: 1) 高斯核函数 2) 多项式核函数 3) 感知器核函数 式中a、b、c、d为选定的参数. 1.3 kpca方法下的第二主成分分析 基于串联机器人的综合性能进行机构分析和综合是一个基于串联机器人的各项单一性能指标进行PCA计算的过程. 选择贡献率大于80% 的第一主成分以构成具有机构学意义的综合性能评价指标,从而利用统计数据进行定量分析,揭示指标之间的内在联系,进而选择具有最优综合性能的串联机器人的构型和尺度. 基于PCA方法进行串联机器人机构的分析和综合提取主成分时,存在数据压缩不充分,引起主成分个数增多,而主成分个数的取舍可能导致计算结果不准确,同时串联机器人性能指标的非线性特征难以提取. 此时应引入KPCA方法应用于串联机器人机构的分析和综合中,通过非线性变换,将运动学或动力学的单一性能指标由原变量空间映射到高维特征空间,并在高维特征空间中进行主成分分析,不仅能实现了数据降维,而且还有效地处理了各指标的非线性影响,计算结果更客观,如图1 所示. 根据设定的