针对工业装配任务,尤其是不规则轴孔工件装配中,基于学习的前期样本质量低、训练过程不稳定等问题,提出一种融合引斥力模型(Attraction-Repulsion Model,ARM)引导机制和长短期记忆网络(Long Short Term Memory,LSTM)的柔性演员-评论家(S...针对工业装配任务,尤其是不规则轴孔工件装配中,基于学习的前期样本质量低、训练过程不稳定等问题,提出一种融合引斥力模型(Attraction-Repulsion Model,ARM)引导机制和长短期记忆网络(Long Short Term Memory,LSTM)的柔性演员-评论家(Soft Actor-Critic,SAC)算法。首先,为解决训练初期探索效率低的问题,提出一种基于引斥力模型的策略引导机制,通过目标位置信息引导机械臂运动,加速收敛过程;其次,基于长短期记忆网络对算法的策略网络和价值网络进行改进,有效利用历史信息,增强策略学习能力,提高算法的收敛速度和稳定性。仿真结果表明,所提出的算法在行星减速器中心轴装配任务中取得显著的效果,装配成功率高达99.4%,与普通SAC算法相比,平均最大接触力和力矩分别降低了68.8%和79.2%。在物理环境中装配成功率达95%以上,最大接触力和力矩分别小于10 N和1.5 N·m,验证了算法的有效性。展开更多
针对目前电池荷电状态(stage of charge,SOC)估计算法存在稳定性差、误差大等缺点,提出一种基于实车云端放电数据的自适应扩展卡尔曼滤波(adaptive extended Kalman filter,AEKF)与长短时记忆(long short term memory,LSTM)融合的算法,...针对目前电池荷电状态(stage of charge,SOC)估计算法存在稳定性差、误差大等缺点,提出一种基于实车云端放电数据的自适应扩展卡尔曼滤波(adaptive extended Kalman filter,AEKF)与长短时记忆(long short term memory,LSTM)融合的算法,预测小动力电动车的电池SOC。首先采用自适应遗忘因子最小二乘法(adaptive forgetting factor recursive least squares,AFFRLS)辨识电池的二阶RC等效电路模型参数。其次,将云端实时采集到的放电数据作为研究目标,通过AEKF-LSTM融合算法对小动力电动车的电池SOC进行预测实验,实验过程中AEKF-LSTM融合算法将当前时刻的端电压、电流、温度以及上一时刻电池的SOC作为输入,以更新的SOC作为输出训练估计模型。最后,将AEKF-LSTM融合算法和单一AEKF算法预测电池SOC的结果与实际SOC值进行比较,实验结果表明,AEKF-LSTM融合算法的均方根误差(root mean square error,RMSE)为0.0058 V,平均绝对误差(mean absolute error,MAE)为0.0041 V,比AEKF算法的RMSE减小0.0087 V,MAE减小0.1164 V,且AEKF-LSTM融合算法的RMSE和MAE均在0.6%以内,证明了该融合算法有较高的估计精度和较强的鲁棒性。展开更多
文摘针对工业装配任务,尤其是不规则轴孔工件装配中,基于学习的前期样本质量低、训练过程不稳定等问题,提出一种融合引斥力模型(Attraction-Repulsion Model,ARM)引导机制和长短期记忆网络(Long Short Term Memory,LSTM)的柔性演员-评论家(Soft Actor-Critic,SAC)算法。首先,为解决训练初期探索效率低的问题,提出一种基于引斥力模型的策略引导机制,通过目标位置信息引导机械臂运动,加速收敛过程;其次,基于长短期记忆网络对算法的策略网络和价值网络进行改进,有效利用历史信息,增强策略学习能力,提高算法的收敛速度和稳定性。仿真结果表明,所提出的算法在行星减速器中心轴装配任务中取得显著的效果,装配成功率高达99.4%,与普通SAC算法相比,平均最大接触力和力矩分别降低了68.8%和79.2%。在物理环境中装配成功率达95%以上,最大接触力和力矩分别小于10 N和1.5 N·m,验证了算法的有效性。
文摘针对目前电池荷电状态(stage of charge,SOC)估计算法存在稳定性差、误差大等缺点,提出一种基于实车云端放电数据的自适应扩展卡尔曼滤波(adaptive extended Kalman filter,AEKF)与长短时记忆(long short term memory,LSTM)融合的算法,预测小动力电动车的电池SOC。首先采用自适应遗忘因子最小二乘法(adaptive forgetting factor recursive least squares,AFFRLS)辨识电池的二阶RC等效电路模型参数。其次,将云端实时采集到的放电数据作为研究目标,通过AEKF-LSTM融合算法对小动力电动车的电池SOC进行预测实验,实验过程中AEKF-LSTM融合算法将当前时刻的端电压、电流、温度以及上一时刻电池的SOC作为输入,以更新的SOC作为输出训练估计模型。最后,将AEKF-LSTM融合算法和单一AEKF算法预测电池SOC的结果与实际SOC值进行比较,实验结果表明,AEKF-LSTM融合算法的均方根误差(root mean square error,RMSE)为0.0058 V,平均绝对误差(mean absolute error,MAE)为0.0041 V,比AEKF算法的RMSE减小0.0087 V,MAE减小0.1164 V,且AEKF-LSTM融合算法的RMSE和MAE均在0.6%以内,证明了该融合算法有较高的估计精度和较强的鲁棒性。
