本发明涉及智能机器人机械臂控制调节，尤其涉及一种液压机械臂自适应神经网络控制方法。
背景技术：
1、液压机械臂主要由液压缸、液压泵、液压阀、控制系统和执行机构（即机械臂本身）等部分组成。液压机械臂其工作原理是通过液压泵提供动力，驱动液压缸内的活塞运动，从而带动机械臂进行各种动作。液压机械臂的控制系统则负责根据预设的程序或实时传感器数据，精确地控制液压缸的运动，以实现机械臂的精确操作。自适应神经网络是一种能够自我调整以适应不同环境和任务的神经网络。这种网络的特点在于其能够根据输入数据的特性和任务需求，自动调整其结构、参数或学习策略，以提高性能和效率。
2、机械臂的运动是一个高度非线性的过程，传统的控制方法往往难以精确地描述其动态特性。自适应神经网络能够利用其非线性逼近能力来模拟机械臂的动力学模型。通过大量的训练数据，神经网络可以学习到机械臂的运动规律，从而准确预测机械臂在不同状态下的动态响应。由于机械臂的状态难以直接测量，自适应神经网络可以结合高增益观测器来估计系统的状态。这种方法通过比较观测误差与神经网络的输出，实现对机械臂状态的准确估计，进而进行精确控制。
3、自适应神经网络在智能机器人机械臂上应用时，存在如下技术痛点，机器人的液压机械臂需要面对不同工作环境和任务，液压机械臂的运动是一个高度非线性的过程，且其状态难以直接测量，虽然自适应神经网络可以结合高增益观测器来估计系统的状态，但在面对不同工作环境和任务处理具有高度不确定性的控制问题时，神经网络的调整过程会导致一定的延迟，延迟将会影响到液压机械臂的实时操作准确度。
技术实现思路
1、针对现有技术不足，本发明提供一种液压机械臂自适应神经网络控制方法，解决机器人的液压机械臂需要面对不同工作环境和任务，在面对不同工作环境和任务处理具有高度不确定性的控制问题时，神经网络的调整过程会导致一定的延迟，延迟将会影响到液压机械臂的实时操作准确度的问题。
2、为解决上述技术问题，本发明的具体技术方案如下：
3、本发明提供一种液压机械臂自适应神经网络控制方法：包括：
4、步骤s101，获取液压机械臂运行数据以及液压机械臂任务数据，液压机械臂运行数据包括液压机械臂状态数据，液压机械臂位置、液压机械臂速度以及液压机械臂加速度，液压机械臂任务数据包括目标位置、目标姿态、被抓取物体位置、液压机械臂轨迹规划参数、液压机械臂目标力矩、任务约束时间以及传感器数据需求；
5、步骤s102，对液压机械臂运行数据以及液压机械臂任务数据进行预处理，将预处理后的液压机械臂运行数据以及液压机械臂任务数据利用自适应神经网络模拟机械臂动力学模型，并预测机械臂在不同状态下的动态响应数据，得到机械臂在不同状态下的动作预测数据；
6、步骤s103，调取液压机械臂历史运行数据以及液压机械臂历史任务数据，根据液压机械臂历史运行数据以及液压机械臂历史任务数据构建液压机械臂运行状态评估模型，获取实时液压机械臂运行数据以及实时液压机械臂任务数据，将实时液压机械臂任务数据代入至液压机械臂运行状态评估模型，得到液压机械臂运行状态评估结果，将液压机械臂运行状态评估结果以及机械臂在不同状态下的动作预测数据与实时液压机械臂运行数据进行对比，得到实时液压机械臂运行误差数据；
7、步骤s104，将实时液压机械臂运行误差数据根据任务类型进行数据拆分，得到每个任务对应的误差数据，依次将每个任务对应的误差数据与液压机械臂历史运行数据以及液压机械臂历史任务数据进行组合，得到待优化数据组，依次使用待优化数据组内的数据组合对自适应神经网络模拟机械臂动力学模型以及液压机械臂运行状态评估模型进行优化，得到优化后的自适应神经网络模拟机械臂动力学模型组合以及优化后的液压机械臂运行状态评估模型组合；
8、步骤s105，对液压机械臂历史运行数据以及液压机械臂历史任务数据进行识别，得到历史液压机械臂使用场景类型，根据历史液压机械臂使用场景类型对实时液压机械臂运行数据进行数据处理，得到修正后的液压机械臂任务数据，根据修正后的液压机械臂任务数据，生成液压机械臂自适应控制命令。
9、进一步地，本发明提供的液压机械臂自适应神经网络控制方法，所述步骤s101，包括：
10、根据历史液压机械臂运行数据以及历史液压机械臂任务数据，建立液压机械臂数据类目，液压机械臂数据类目包括液压机械臂任务类别以及每个液压机械臂任务类别对应的液压机械臂运行数据。
11、进一步地，本发明提供的液压机械臂自适应神经网络控制方法，所述步骤s102，包括：
12、使用历史液压机械臂运行数据和任务数据对自适应神经网络模型进行训练，将预处理后的实时液压机械臂运行数据和任务数据输入到训练好的自适应神经网络模拟机械臂动力学模型中，自适应神经网络模拟机械臂动力学模型根据输入数据预测机械臂在不同状态下的动态响应数据，不同状态下的动态响应数据包括液压机械臂位置度预测数据、液压机械臂速度预测数据以及液压机械臂加速度预测数据；
13、从自适应神经网络模拟机械臂动力学模型的输出层获取机械臂在不同状态下的动作预测数据，机械臂在不同状态下的动作预测数据用于液压机械臂运行状态评估和任务数据的修正。
14、进一步地，本发明提供的液压机械臂自适应神经网络控制方法，所述步骤s103，包括：
15、液压机械臂历史运行数据包括机械臂的液压机械臂历史位置、液压机械臂历史速度、液压机械臂历史力量、液压机械臂历史加速度以及液压机械臂历史环境参数，液压机械臂历史任务数据包括液压机械臂每次任务的详细信息；
16、对液压机械臂历史运行数据和液压机械臂历史任务数据根据时间戳进行标准化处理，得到时间一致的液压机械臂历史运行数据和液压机械臂历史任务数据；
17、从液压机械臂历史运行数据中平均运行时间特征、最大负载特征、平均故障间隔特征；
18、使用液压机械臂历史运行数据和液压机械臂历史任务数据作为训练集，使用训练集数据训练循环神经网络模型，得到液压机械臂运行状态评估模型。
19、进一步地，本发明提供的液压机械臂自适应神经网络控制方法，所述步骤s104，包括：
20、通过分析任务数据中的标识符、参数，得到实时液压机械臂运行数据所对应的任务类型；
21、将实时液压机械臂运行误差数据按照任务类型进行分类，对于每种任务类型，从分类后的误差数据集中提取出任务误差数据，输出每个任务对应的误差数据集，每个任务对应的误差数据集还包括液压机械臂历史运行数据和任务数据进行组合。
22、进一步地，本发明提供的液压机械臂自适应神经网络控制方法，所述步骤s104，包括：
23、对于每个任务类型，将每个任务类型对应的实时误差数据与液压机械臂的历史运行数据和历史任务数据进行组合；
24、将组合后的数据按照固定的数据格式和结构进行数据整理，形成待优化数据组；
25、每个待优化数据组都包含了特定任务类型下的液压机械臂运行数据、任务数据以及对应的误差数据；
26、使用待优化数据组内的数据组合对自适应神经网络模拟机械臂动力学模型进行训练，得到待优化数据组内的数据组合训练结果，根据待优化数据组内的数据组合训练结果调整神经网络的参数，得到每个任务对应的优化后的自适应神经网络模拟机械臂动力学模型以及优化后的液压机械臂运行状态评估模型；
27、将优化后的自适应神经网络模拟机械臂动力学模型和液压机械臂运行状态评估模型进行组合，形成优化后的模型组合。
28、进一步地，本发明提供的液压机械臂自适应神经网络控制方法，所述步骤s105，包括：
29、对液压机械臂历史运行数据以及液压机械臂历史任务数据进行识别，得到历史液压机械臂使用场景类型，将历史液压机械臂使用场景类型对应的液压机械臂运行数据以及优化后的自适应神经网络模拟机械臂动力学模型以及优化后的液压机械臂运行状态评估模型建立匹配关系，得到液压机械臂使用场景数据组，将实时液压机械臂运行数据以及实时液压机械臂任务数据与液压机械臂使用场景数据组进行匹配，得到实时液压机械臂各场景待数据组，将实时液压机械臂各场景待数据组内数据使用对应的自适应神经网络模拟机械臂动力学模型以及液压机械臂运行状态评估模型进行数据分析，得到实时液压机械臂各场景动作预测数据以及实时液压机械臂各场景运行状态预测数据，将实时液压机械臂各场景动作预测数据以及实时液压机械臂各场景运行状态预测数据与实时液压机械臂运行数据进行对比，若对比结果误差大于预设误差范围，则使用实时液压机械臂各场景动作预测数据以及实时液压机械臂各场景运行状态预测数据对液压机械臂任务数据进行修正，得到修正后的液压机械臂任务数据，根据修正后的液压机械臂任务数据，生成液压机械臂自适应控制命令。
30、进一步地，本发明提供的液压机械臂自适应神经网络控制方法，所述步骤s105，包括：
31、对比实时液压机械臂各场景动作预测数据、实时液压机械臂各场景运行状态预测数据与实时液压机械臂运行数据，计算实时液压机械臂各场景动作预测数据与实时液压机械臂运行数据的误差值，得到第一误差值，计算实时液压机械臂各场景运行状态预测数据与实时液压机械臂运行数据的误差值，得到第二误差值；
32、判断第一误差值以及第二误差值是否大于预设的误差范围，如果误差值大于预设范围，使用实时液压机械臂各场景动作预测数据和实时液压机械臂各场景运行状态预测数据作为参考数据，对液压机械臂任务数据中的目标位置参数、目标姿态参数以及被抓取物体位置参数进行修正，得到修正后的液压机械臂任务数据，根据修正后的液压机械臂任务数据，重新计算液压机械臂的控制参数，得到修正后的控制参数，使用修正后的控制参数，生成液压机械臂的自适应控制命令。
33、本发明的有益效果主要体现在以下几个方面：
34、本发明通过自适应神经网络模拟机械臂动力学模型，能够更准确地预测机械臂在不同状态下的动态响应，从而提高了机械臂的控制精度，使机械臂能够更精确地执行预定任务。
35、本发明利用历史运行数据和任务数据对自适应神经网络进行训练和优化，使其能够根据不同环境和任务自动调整控制策略，增强了机械臂对不同工作环境和任务的适应性。
36、通过实时运行误差数据的分析和处理，本发明能够及时发现并修正机械臂在运行过程中的偏差，从而减少了因操作不准确而导致的任务中断或失败，提升了任务执行的效率和成功率。
37、本发明结合历史数据和实时数据，通过自适应神经网络和状态评估模型，实现了对液压机械臂的智能化控制。这种控制方式能够根据机械臂的实时状态和任务需求动态调整控制参数，提高了控制的灵活性和智能化水平。
38、综上所述，本发明的液压机械臂自适应神经网络控制方法在提高控制精度、增强环境适应性、提升任务执行效率、实现智能化控制、降低维护成本以及提升安全性等方面均表现出显著的有益效果。
1.一种液压机械臂自适应神经网络控制方法，其特征在于，包括：
2.如权利要求1所述的液压机械臂自适应神经网络控制方法，其特征在于，所述步骤s101，包括：
3.如权利要求1所述的液压机械臂自适应神经网络控制方法，其特征在于，所述步骤s102，包括：
4.如权利要求2所述的液压机械臂自适应神经网络控制方法，其特征在于，所述步骤s103，包括：
5.如权利要求4所述的液压机械臂自适应神经网络控制方法，其特征在于，所述步骤s104，包括：
6.如权利要求5所述的液压机械臂自适应神经网络控制方法，其特征在于，所述步骤s104，包括：
7.如权利要求1所述的液压机械臂自适应神经网络控制方法，其特征在于，所述步骤s105，包括：
8.如权利要求1所述的液压机械臂自适应神经网络控制方法，其特征在于，所述步骤s105，包括：
