锚杆钻车钻臂定位控制方法

目前常用代数法和几何法实现锚杆钻车钻臂定位控制,存在效率低、有无解或多解情况、通用性差等问题。采用粒子群优化(PSO)算法进行机械臂定位控制具有编程简单、搜索性能强、容错性好等优势,但易陷入局部最优解。目前基于改进PSO算法的机械臂定位控制整体寻优效率较低,寻优时间过长。针对上述问题,在精英反向粒子群优化(EOPSO)算法基础上,引入混沌初始化、交叉操作、变异操作和极值扰动,设计了混沌交叉精英变异反向粒子群优化(CEMOPSO)算法。采用标准测试函数对PSO算法、EOPSO算法、交叉精英反向粒子群优化(CEOPSO)算法、CEMOPSO算法进行测试,结果表明CEMOPSO算法的稳定性、精度、收敛速度最优。建立了锚杆钻车钻臂运动模型,采用CEMOPSO算法进行钻臂定位控制,并在Matlab软件中对控制性能进行仿真研究,结果表明:在相同的迭代次数和误差精度约束条件下,采用CEMOPSO算法时钻臂位置误差和姿态误差从迭代初期即具有极快的收敛速度,且位置误差和姿态误差均小于其他3种算法,误差曲线较平稳,最大位置误差为0.005 m,最大姿态误差为0.005 rad;设定位置误差为1 mm、姿态误差为0.01 rad时,CEMOPSO算法的平均迭代次数为343,位置误差为0.1 mm、姿态误差为0.001 rad时平均迭代次数为473,在相同的定位精度条件下,CEMOPSO算法的收敛速度和稳定性优于其他3种算法,满足工程应用要求,且求解精度越高,其优越性越突出。

基于RBF神经网络的七自由度凿岩台车钻臂运动学研究

运动学研究是凿岩台车钻臂定位控制的前提,由于七自由度凿岩台车钻臂结构不满足Pieper准则,采用解析法、数值法无法获得其有效的运动学模型,针对这一问题,提出了一种基于径向基函数(RBF)神经网络的钻臂逆运动学求解方法。首先,基于凿岩台车钻臂施工运动约束条件,采用改进D-H法建立了钻臂的正运动学矩阵模型,通过正运动学矩阵采集了钻臂运动样本数据,并利用MATLAB平台构建了三层RBF神经网络逆运动学模型,并对所采集的样本进行了训练预测;其次,以63孔位隧道掌子面为例,采用RBF法和数值法对孔位进行了预测验证;最后,利用ADAMS-Simulink联合仿真的方式,对钻臂定位施工可行性进行了验证。研究结果表明:通过仿真获得钻臂的最大定位预测误差为0.62%,RBF法预测孔位位姿X、Y方向最大误差分别为2.588 mm、2.336 mm,预测精度优于数值法;所提出的控制方法能够实现钻臂末端定位的误差在钻孔施工允许范围内,可以提高凿岩台车钻孔的定位精度,避免隧道断面发生超欠挖现象。