Resumen

Se propone un nuevo algoritmo híbrido que emplea una red neuronal BP (BPNN) y el algoritmo de optimización por enjambre de partículas (PSO) para la identificación de parámetros cinemáticos de robots industriales con una respuesta de convergencia mejorada. El modelo de error del robot industrial se establece en base a un método modificado de Denavit-Hartenberg y una matriz jacobiana. Luego, la identificación de parámetros cinemáticos del robot industrial se transforma en una optimización no lineal en la que los parámetros cinemáticos desconocidos se toman como variables óptimas. Se aplica un algoritmo híbrido basado en una BPNN y el PSO para buscar las variables óptimas que se utilizan para compensar el error de los parámetros cinemáticos y mejorar la precisión de posicionamiento del robot industrial. Se proporcionan simulaciones y experimentos basados en un robot industrial realista para validar la eficacia del algoritmo de identificación híbrido propuesto. Los resultados muestran que el método de identificación de par

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Algoritmo híbrido; Red neuronal BP; Optimización por enjambre de partículas; Identificación de parámetros cinemáticos; Robot industrial; Velocidad de convergencia
• Keywords:Hybrid algorithm; BP neural network; Particle swarm optimization; Kinematic parameter identification; Industrial robot; Convergence speed