六自由度并联升降车平台位置准闭环控制   广州升降车租赁, 广州升降车, 广州升降车多少钱   结合六自由度平台的结构与工作原理，对六自由度的运动学、动力学以及单估液压伺服系统模型进行了详细的分析，为后续平台控制策略的设计和研究奠定了理论基础.  六自由度平台是一个存在复杂精合关系、非线性、多输入多输出的时变系统。准确的建立六自由度运动平台的运动学模型是实现精确控制、机构学分析、智能控制策略研究、动力学分析的基础。本节重点对六自由度平台机械系统动力学及液压系统动力学进行建模与分析。本节首先根据六自由度平台的结构特点建立相应的坐标系，然后在此基础上为后续平台的仿真、控制分析建立了六自由度平台的位置反解、位置正解以及单位液压伺服系统模型。 我们提到，六自由度平合的运动学可分成两个子问题：位姿逆解问题和位姿正解问题。平台位姿逆解问题即给定六自由度平台上平台的位姿米解各缸的位置参数；平台位正解问题即给定平台各缸长度求解运动平台的位姿。建立平台的正解及逆解横型是平台进行单缸位置控制的关键。

     当上平台由中位运动到目标位姿，即进行平移及旋转运动后，旋转矩阵，则相应各液缸的伸长量为：当上平台进行平移和旋转运动后，平台位姿发生变化，给定平台初始位姿及目标位姿，则可求出相应的各个缸的伸长量。我们导出了由平台位姿求解各支腿长度的反解公式，本节我们将对己知六个支腿长度如何求解平台位姿即六自由度平台的位姿正解进行研究。六自由度平台的数学模型分析位置正解在平台尺寸优化、奇异位置分析、输出误差分析以及基于工作空间的控制等方面都有重要的应用。仿真实验时，需要对平台位姿进行反馈；在平台控制软件中，需要编码实现平台的正解模块为后续的位姿大闭环控制试验奠定基础。因此需要研究一种满足求解速度和精度要求的正解方法。平台出现故障时的恢复是位姿正解的另一个重要应用场景。当并联平台由于非支腿驱动器故障原因失控时，则根据各位置传感器的返回值通过位姿正解得出当前的运动平台位姿，从而可以通过当前位姿协调各支腿进行恢复。否则容湯使油缸超出运动极限，对设备造成损害。本文为了得到一种实时性和准确度兼备的正解法，综合分析各平台正解法的利弊，考虑到迭代法易编码实现，因此在实际的控制试验中使用Ｎｅｗｔｏｎ－Ｒａｐｈｓｏｎ迭代法进行正解解算，而在仿真实验中，因为无实时控制要求而对精度要求较高，在Ｓｉｍｕｌｉｎｋ中建立反解棋块得到位姿范围内的大量反解数据作为六自由度并联平台正解神经网络的数据集，从而训练得到平台的正解模块。下面将分别对基于琳经网络和基于Ｎｅｗｔｏｎ－Ｒａｐｈｓｏｎ迭代法进行介绍。

      广州升降车租赁, 广州升降车, 广州升降车多少钱

    （１）基于Ｎｅｗｔｏｎ－Ｒａｐｈｓｏｎ迭代法的正解从位姿逆解的推导过程中；平台各支腿的长度和上平台的位姿间为非线性的关系，因此必须用求解非线性方程的解法来获得平台的正解。Ｎｅｗｔｏｎ－Ｒａｐｈｓｏｎ迭代法则是常用的解法之一。

    （２）神经网络法神经网络法求解位姿正解一般采用ＢＰ神经网络传播网。其基本原理是通过输入层、隐藏层和输出层组成的神经网络模拟人脑神经元结构对外界剌激的学习机制来调节各神经元间的联系和强度。输入层相当于外界对人神经元的刺激，是系统的输入；隐藏层中的节点模拟了人脑中互相传递剌激的神经元；输出层则樸拟了神经元对外界刺激的输出。ＢＰ神经网络通过误差的反向传播来修正各节点的权值。通过设定ＢＰ神经网络的输出误差或学习次数来终止神经网洛的学习过程。ＢＰ神经网络结构神经网络法是６个支腿的位移作为神经网络的输入，平台的姿态为输出。为了得到一定量的＃本训练神经网络，利用平台的逆解关系，在平台的运动空间内选择不同的位姿向量，根据逆解求出相应的长向量，这样便得到一组训练样本，利用神经网络对样本的输入输出进行快速拟合，即得到平台运动学正解。正解神经网络拟合的精度与数据量的大小、中间层节点数量、样本密集度的选择具有很大的关系。数据量方面，一般来说，训绿集的数据量增大，正解神经网络的误差越小，拟合度越高，但是过大的训练数据将会导致训练时间过长；当训练集数据量数目相同时，集合样本密集度越高，正解神经网洛精度表现越好。但是样本密集度过大将会使正解神经网络陷入欠拟合状态，有时甚至导致神经网络无法收敛。通过在上平台中、选取特定位置进行位姿逆解得到４０％个训练样本。此种方法训练出来的正解神经网络误差值的数量级在级，这样的神经网络是无法满足我们的精度要求的。为了得到综合比较全面的数据，满足正解神经网络对于训练数据量和样本密集度的需求，在Ｓｉｍｕｌｉｎｋ中，在位姿范围内以随机数作为逆解的输入，采样时间０．０００１ｓ，共仿真１００ｓ得到Ｉ百万组数据。

        训练样本在Ｗｏｒｋｓｐａｃｅ中得到反解数据后，对数据进行处理。去除奇异点以及无法达到的缸长（超出缸的运动范围）后，得到我们所需要的训练数据共５４４４０５组数提，取其中的７０％用于训练模型，１５％用于验证模型，余下的１５％用于测试棋型，训练后得到我们所需要的正解神经网络。经过训练集训练后的神经网络的误差分布直方图，从图中可以看出，测试集经过神经网络后的输出误差集中在１０？＂？１０—５数量级上。正解神经网络实际值和期望值得拟合曲线，实际输出和期望输出的回归系数这到了，就是说实际输出和期望输出的误差基本可以忽略不计。此模型在大数据量训练下的正解神经网络摸块己经达到了非常高的拟合度。为了对此神经网络进行进一步的测试，在Ｐｏｓｊｎｐｕｔ子模块中将广义位姿的各输入设为幅值范围内的正弦信号，经过逆解后进行数据清洗后得到新的训练集，将此训练集作为神经网络的输入并与反解模块对应输入的位姿即实际位姿进行比较。

     广州升降车租赁, 广州升降车, 广州升降车多少钱