机械手是机器人的一种,可以广泛使用在社会生活的各个方面,比如机器控制,易爆物品的装配、搬运或拆卸,以及消防灭火、反恐等高度危险场合代替或辅助人完成高危工作,具有重要的现实意义。当前,对于机械手的研究主要包括三个方面:一是机械手运动学方面的研究;二是是机械手动力学方面的研究;三是机械手轨迹规划方面的研究。在这三个方面的研究中,机械手运动学是基础。机械手运动学包括机械手运动模型的建立和机械手运动方程正解、逆解的求解问题。而机械手运动方程的逆解求解问题直接关系到机械手运动分析、离线编程、轨迹规划和实时控制等工作。因此,对机械手运动方程的逆解进行求解是机械手运动学研究中一个非常重要的课题。本文以SCARA型机械手为例,对其运动学进行了分析,采用D-H方法建立运动学模型,并推导出正运动学方程。为后面章节进行的仿真实验奠定理论基础。机械手运动学方程是一个非线性系统,神经网络对于非线性系统具有强大的逼近能力,由此把神经网络应用于机械手运动学逆解求解过程,利用神经网络的非线性函数逼近能力,可以求得机械手运动方程的逆解。神经网络应用比较广泛的是BP算法和RBF神经网络。针对传统BP算法在训练神经网络中的不足之处,如搜索速度慢、求解精度低、易于陷入局部极小值等,提出了基于遗传算法的BP神经网络来学习神经网络连接权值,求解机械手运动学逆解。理论分析和数值仿真结果表明遗传算法优化BP神经网络来求解机械手逆运动学方程是实用可行的,收敛速度和求解精度都较传统BP算法有所提高。对于RBF神经网络,其重点是确定隐层结构。本文采用遗传算法来选取隐含层节点的中心值,可以达到快速高效和全局寻找的目的,并且可以避免陷入局部极小问题。最后通过对SCARA型机械手的仿真研究表明基于遗传算法原理的RBF神经网络收敛速度快,泛化能力强,可提高机械手运动学逆解求解精度。