微型机器人眼镜诊疗系统的研制

微型机器人眼镜诊疗系统的研制

1基于bp神经网络的pid控制机器人系统机器人是世界上快速发展的领域。机器人在医疗诊断和治疗方面的应用是其主要发展趋势之一。它可以显著提高手术质量，减轻患者的痛苦，缩短康复时间，降低手术费用。这是国际上的一个热点。本文根据体育动力的机理，开发了一种基于三部分柔性柔性泡沫橡胶控制器的动态机器人诊断和治疗系统，建立了机器人系统的动态模型。由经典控制理论可知,传统的PID控制方法面对非线性被控对象时,很难设置其最佳PID参数,而将BP神经网络应用于PID控制已成为一大研究热点.因为BP网络具有很好的逼近非线性映射的能力,而且具有自适应学习、并行分布处理和鲁棒性与容错性较强等特点,因此适于对复杂非线性系统进行建模和控制.本研究正是在此基础上使用一种基于BP神经网络的PID控制器来控制机器人,取得了令人满意的效果.2机器人系统结构结构2.1橡胶管芯内通气管内腔成岩模式.设计加工的空气压橡胶微驱动器是伸长型三自由度驱动器,如图1所示.其主要部分为硅橡胶制成的橡胶管,橡胶管芯部均匀分布3个互成120°的扇形气室,橡胶管外壁内缠绕一层细铜线起加强作用,两端用胶封住,由通气管从一端分别使橡胶管内部的3个气室与外界相通.驱动器外径为6mm,内径为4mm,长20mm,内腔扇形橡胶与外壳均厚1mm.2.2前后支撑单元机器人的机体结构如图2所示.机器人基于蠕动的移动原理,气动机器人柔性移动机构的基本结构由3个部分组成:驱动器单元、前后支撑单元、固定于前支撑单元内的可伸缩的诊查单元.前后支撑单元通过将双侧气囊压紧在管壁上实现钳位功能,驱动单元用来改变前后支撑单元的位置,实现直线运动,以及改变前支撑单元的弯曲方向实现弯曲运动,在一个移动周期内对前后支撑单元和驱动器的气室进行充气、放气的控制时序如图3所示.诊查单元由传感器及诊疗装置构成,固定于可伸缩机构前端,通过可伸缩的执行机构可伸出前支撑单元进入腔道,实现参数的测量及疾病的诊疗(如喷药).3机器人系统的非线性建模非线性映射3.1直线运动系统的运动方程向驱动器3个气室加相同的压力时,机器人进行直线运动.驱动器橡胶壁产生的应力σ表达式为:σ=EΔLL+ΔL(1)σ=EΔLL+ΔL(1)由式(1),直线变形时的弹性回复力G为:G=EΔLL+ΔL⋅2π⋅D2⋅tkLL+ΔL=πDtkELΔL(L+ΔL)2(2)G=EΔLL+ΔL⋅2π⋅D2⋅tkLL+ΔL=πDtkELΔL(L+ΔL)2(2)驱动器张力表达式为:F=Ρ′S0(3)Ρ′=Ρ1-Ρ0(4)S0=14π(D-2tk)2-32(D-tk)tf(5)F=P′S0(3)P′=P1−P0(4)S0=14π(D−2tk)2−32(D−tk)tf(5)由式(5)得到驱动器体积为:V=[14π(D-2tk)2-32(D-tk)tf]L(6)V=[14π(D−2tk)2−32(D−tk)tf]L(6)直线运动时系统运动方程为:F=G+f+vdΔLdt+Μd2ΔLdt2(7)F=G+f+vdΔLdt+Md2ΔLdt2(7)由式(3)、(7)得到直线运动动态特性方程:ΔLΡ′=1πDtkEL⋅ω2ns2+2ζωns+ω2n(8)ΔLP′=1πDtkEL⋅ω2ns2+2ζωns+ω2n(8)式中,ωn=√πDtkELΜ,ζ=ν2√πDtkELΜ‚Eωn=πDtkELM−−−−−−√,ζ=ν2πDtkELM√‚E为橡胶弹性模量;ΔL为直线变形量;L为驱动器原长;D为驱动器外径;tk为外壳厚度;tf为气室内壁厚度;f为气室内摩擦力;ν为粘性阻尼系数;M为机器人质量;P′为气室绝对压力;P1为气室1压力;P0为大气压力;S0为驱动器截面积.3.2微生物结构特征只向驱动器的一个气室加压或者三个气室压力不同时,机器人进行弯曲运动.由分析示意图4,得出橡胶壁产生的应力σ表达式为:σ=ED2sinβD2+L2sinλ2(9)σ=ED2sinβD2+L2sinλ2(9)由式(9),弯曲变形时驱动器外壳弹性回复力以钳位气囊为支点的扭转力矩I为:Ι=2∫π2-π2σD2tkLD2sinβdβ(10)I=2∫π2−π2σD2tkLD2sinβdβ(10)弯曲变形时气体膨胀力产生的以钳位气囊为支点的扭转力矩N为:Ν=∫π3-π3∫D2-tk0r(Ρ1-Ρ0)(D2-tk+rsinβ)drdβ+∫ππ3∫D2-tk0r(Ρ2-Ρ0)(D2-tk+rsinβ)drdβ+∫53ππ∫D2-tk0r(Ρ3-Ρ0)(D2-tk+rsinβ)drdβ(11)N=∫π3−π3∫D2−tk0r(P1−P0)(D2−tk+rsinβ)drdβ+∫ππ3∫D2−tk0r(P2−P0)(D2−tk+rsinβ)drdβ+∫53ππ∫D2−tk0r(P3−P0)(D2−tk+rsinβ)drdβ(11)得到弯曲运动时系统运动方程为:Ν=Ι+Νc+vdλdt+Jd2λdt2(12)N=I+Nc+vdλdt+Jd2λdt2(12)变形后驱动器体积为:V=S0[L2sin(λ/2)+D2]λ(13)V=S0[L2sin(λ/2)+D2]λ(13)根据悬臂梁模型得出系统固有频率为:ω=√3EΙ(Ν+0.236Μ)L3(14)ω=3EI(N+0.236M)L3−−−−−−−−−−√(14)由式(11)、(14)得到弯曲运动动态特性方程:λΡ′=S0DL6EΙ⋅ω2s2+2bωs+ω2(15)λP′=S0DL6EI⋅ω2s2+2bωs+ω2(15)式中,λ为弯曲角度;β为驱动器壁单元所受应力方向与横截面水平方向的夹角;P2与P3为气室2、3压力;Nc为摩擦力矩;J为负载转动惯量;b为系统的阻力系数.4neurlynentranetpid管理系统neurlynentranetsecurity4.1压力传感及显示电—气伺服控制系统原理如图5所示.由机器人的蠕动原理可知,前后支撑单元的气囊及驱动器气囊均要求能实现充气、保持、放气三种状态,因此必须设计5条单独的通气管路分别控制前、后钳位气囊和中间驱动器的3个气囊.系统可分为气压传动系统和计算机控制系统两个部分.气压传动系统由空气压缩机、储气罐、流量调节阀、压力调节阀、3/2和2/2电磁阀等组成,空气压缩机选用亚达WY5.2—B,最高气压可达1.3MPa,储气罐容量为10L,最大压力为1.0MPa,3/2和2/2电磁阀选用AirTac3V1-06及2V025-08.根据机器人结构设计,需要5条通气管路连通前后钳位气囊和驱动器的3个气室,每条管路是由一个3/2和2/2电磁阀连接而成,气源一端接2/2电磁阀,并处于常断状态;机器人一端接3/2电磁阀,一端通大气,并处于常通状态.气囊气室的工作状态与电磁阀的开关状态关系如表1所示.计算机控制系统主要由PC计算机、压力传感器、A/D、D/A数据采集设备、隔离放大驱动电路组成.压力传感器采用Si-micro公司的Si-5102;A/D、D/A数据采集设备采用NI公司的USB-6008数据采集卡,具有8通道、12或14位模拟输入、2个模拟输出、12条DIO线以及1个定时器,利用10条I/O线分别控制10个继电器换向,继电器分别串接10个电磁阀,通过控制继电器的换向控制电磁阀的通电、断电.继电器采用OMRON:LY2NJ,通电线圈的控制电压为DC12V.控制系统对气室压强实时采样,通过A/D转换将压力传感器的模拟输出变为数字量,根据采样得到的信息利用LabVIEW软件计算系统输出,产生相应的脉宽调制(PWM)信号,PWM信号通过D/A转换控制电磁阀高速通断调整气室压强,从而精确控制机器人的位移.4.2系统的输出u被控对象可用下面的非线性模型描述:y(k)=f[y(k-1),y(k-2),…,y(k-ny)u(k-1),u(k-2),…,u(k-nu)](16)式中,y(k)、u(k)为系统的输出和输入;ny、nu为{y}和{u}的阶次;f[·]为非线性函数.系统采用基于BP算法的三层前向网络的PID控制方案,它由控制器网络(NNPID)和辨识器网络(NNI)组成,其结构框图见图6.4.2.1神经网络控制器设计根据经典PID的控制算法,控制网络可采用一个三输入单输出的神经元,网络结构为(3,1),其中其输入层x=[e(k)-e(k-1),e(k),e(k)-2e(k-1)+e(k-2)],输出层为[Δu(k)],其中f(·)函数取线性,即取f(x)=x.把PID的3个参数KP、KI、KD作为神经网络的权值,通过最小化性能指标J=12[r(k+1)-ˆy(k+1)]2来训练控制器参数,用梯度法进行优化,可得到关于神经网络控制器系数的修正算式.4.2.2网络隐蔽层神经元的构成辨识器网络(NNI)采用三层结构,辨识算法采用BP算法,其结构如图7所示.为了便于对非线性系统进行辨识,输出层神经元的激发函数取为线型函数,隐含层神经元的激发函数取为Sigmoid函数.网络输入层有ny+nu+1个神经元,其构成为:Ο(1)j(k)={y(k-j),0≤j≤ny-1u(k-j+ny),ny≤j≤ny+nu-1(17)网络的隐含层神经元数量大于等于输入层,其输入输出为:net(2)i(k)=ny+nu∑j=0w(2)ijΟ(1)j(k)Ο(2)j(k)=f[net(2)i(k)],i=0,1,⋯,Q-1}(18)式中,w(2)ij为隐含层权系数;w(2)i(ny+nu)为阈值,w(2)i(ny+nu)=θi;f[·]为激发函数,f[·]=tanhx.网络的隐含层元的个数可遵循有关的经验公式选择.网络的输出层取为:ˆy(k+1)=Q∑i=0w(3)iΟ(2)i(k)(19)式中,w(3)i为输出层权系数;w(3)Q为阈值,w(3)Q=θ0.4.2.3神经网络控制器BP神经网络PID控制器算法可表述为:利用神经网络具有自学习能力的特性,在离线时对控制对象模型进行辨识,来修正其网络权值,使其逐步适应被辨识对象的特性,当它学习到与被控对象一致时,再由神经网络控制器(NNPID)进行在线控制,而在这个过程中,NNI利用BP神经网络的误差反向传播特性,把控制偏差e1传回到神经网络自身神经元,从而修正其自身权值;而对象的设定输入和对象的实际输出的偏差e0通过NNI后,通过反向传播为NNPID控制网络提供误差信号e2,NNPID利用此误差信号e2对其网络权值进行修正,经过多次学习NNPID便能逐渐跟上系统的变化.所采用的网络NNPID、NNI的结构为(3,1)和(3,4,1),网络的初始权值选取区间[-0.5,0.5]上的随机数,且学习速度η=0.3,平滑因子α=0.3.5样机及运动状态根据对机器人系统的非线性建模,取参考信号周期为1s的方波信号,按照本文算法进行了软件仿真,其跟踪仿真实验结果如图8所示.在搭建的实验平台上将机器人接入系统进行了实验,机器人样机及运动状态如图9(a)～(c)所示;机器人本体在塑料管内移动实验如图9(d)所示.取参考信号为幅值不同的阶跃信号,机器人不同运动状态下的阶跃响应曲线见图10.通过仿真与实验,表明理论与实验基本一致,采用神经网络PID控制器的机器人系统能够快速跟踪目标位移量并且具有很高的稳态精度,克服了传统PID控制方法的不足.机器人