基于PSO-BPNN和Newton-Raphson法融合的并联机构正运动学解法

摘要

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法求解精度的影响,具有较好的通用性。