CN116000935B - 一种机器人一体化关节摩擦特性模型的构建方法及*** - Google Patents
一种机器人一体化关节摩擦特性模型的构建方法及*** Download PDFInfo
- Publication number
- CN116000935B CN116000935B CN202310071466.XA CN202310071466A CN116000935B CN 116000935 B CN116000935 B CN 116000935B CN 202310071466 A CN202310071466 A CN 202310071466A CN 116000935 B CN116000935 B CN 116000935B
- Authority
- CN
- China
- Prior art keywords
- friction
- integrated joint
- model
- joint
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出的一种机器人一体化关节摩擦特性预测模型的构建方法及***,所述方法包括:获取一体化关节的实际运行数据,以构建测试验证数据集;分析预设因素对摩擦特性的影响,建立一体化关节的理论摩擦模型;在验证数据集中选取BP神经网络的输入和输出数据,经过训练后,生成BP神经网络模型;通过确定的训练数据,基于BP神经网络模型建立一体化关节摩擦非线性部分的BP神经网络摩擦预测模型;将一体化关节的理论摩擦模型和BP神经网络摩擦预测模型线性叠加,生成一体化关节摩擦特性预测模型。本发明通过分析各种因素对一体化关节摩擦特性的影响,建立包括理论摩擦模型和神经网络模型的综合摩擦模型,便于后续基于模型进行摩擦补偿。
Description
技术领域
本发明涉及一体化关节摩擦特性分析技术领域,更具体的说是涉及一种机器人一体化关节摩擦特性模型的构建方法及***。
背景技术
一体化关节是一种由伺服电机、旋转编码器和精密谐波减速器组成的装置,具有结构紧凑、集成度高、重量轻、传动精度高、输出扭矩大的优点,多应用于机器人的小臂、腕部或手部。一体化关节采用集约式一体化中控设计,超薄型减速机搭配DC伺服电机一体化设计,一体化电机中央的贯穿孔可穿过配线,气管线,极大的方便了机器人整体设计,使机器人的设计走向模块化,轻量化,同时提升机器人在批量生产化时的合格率。因此,采用一体化关节的机器人在工业、医疗和海洋行业发挥了不可替代的作用。随着机器人行业的迅速发展,对一体化关节产业提出了更高的需求,但是一体化关节的控制精度却受到非线性摩擦的严重制约。
为了提高一体化关节的控制精度,对其摩擦特性的分析和研究是至关重要的。传统的方法是优化一体化关节的结构设计,尽量避免产生因加工装配导致的摩擦,但是这种方法只能减小关节摩擦转矩,并不能消除摩擦转矩导致的控制精度低。因此急需要对一体化关节摩擦特性进行分析,基于分析结果进行更准确的摩擦建模,最终补偿关节摩擦导致的效率损失。
有鉴于此,本发明提供一种机器人一体化关节摩擦特性模型的构建方法及***,以解决现有技术存在的不足,是非常有必要的。
发明内容
针对以上问题,本发明的目的在于提供一种机器人一体化关节摩擦特性模型的构建方法及***,通过分析各种因素对一体化关节摩擦特性的影响,建立包括理论摩擦模型和神经网络模型的综合摩擦模型,便于后续基于模型进行摩擦补偿。
本发明为实现上述目的,通过以下技术方案实现:一种机器人一体化关节摩擦特性模型的构建方法,包括如下步骤:
S1:获取一体化关节的实际运行数据,以构建测试验证数据集;
S2:分析预设因素对一体化关节摩擦特性的影响,根据预设因素影响下的理论摩擦模型建立一体化关节的理论摩擦模型;
S3:在验证数据集中选取BP神经网络的输入和输出数据,经过训练后,生成BP神经网络模型;
S4:通过确定的训练数据,基于BP神经网络模型建立一体化关节摩擦非线性部分的BP神经网络模型,作为BP神经网络摩擦预测模型;
S5:将一体化关节的理论摩擦模型和BP神经网络摩擦预测模型线性叠加,生成一体化关节摩擦特性预测模型。
进一步,一体化关节的实际运行数据包括:一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩和几何传动误差。
进一步,测试验证数据集包括:一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩。
进一步,预设因素对一体化关节摩擦特性的影响包括:输入端转速对一体化关节摩擦特性的影响、几何传动误差对一体化关节摩擦特性的影响和负载转矩对一体化关节摩擦特性的影响。
进一步,预设因素影响下的理论摩擦模型包括:一体化关节的输入端转速导致的Stribeck经典摩擦模型、几何传动误差导致的傅里叶级数摩擦模型和一体化关节的负载转矩导致的幂函数摩擦模型。
进一步,根据预设因素影响下的理论摩擦模型建立一体化关节的理论摩擦模型,包括:
通过分析一体化关节的输入端转速、几何传动误差和一体化关节的负载转矩对摩擦特性的影响,应用函数拟合方法建立关于影响因素的一体化关节的理论摩擦模型。
进一步,BP神经网络的输入数据包括:一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩和一体化关节的理论摩擦模型生成的预测值。
进一步,BP神经网络的输出数据包括:一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型生成的预测值的差值。
进一步,将BP神经网络的输入数据和输出数据放入BP神经网络并进行训练,将训练好的BP神经网络作为BP神经网络模型。
进一步,一体化关节摩擦非线性部分包括:一体化关节的理论摩擦模型无法描述的非线性摩擦,关节运行过程中的摩擦突变,一体化关节的理论摩擦模型导致的摩擦转矩误差,刚度对一体化关节摩擦特性的影响。
相应的,本发明还公开了一种机器人一体化关节摩擦特性预测模型的构建***,包括:输入模块、理论摩擦模型模块、实际摩擦获取模块、神经网络模型模块、模型运算模块和综合摩擦模型模块;
输入模块,用于获取一体化关节的实际运行数据,构建测试验证数据集,以提供一体化关节的理论摩擦模型和BP神经网络摩擦预测模型预测所需要的输入数据;
理论摩擦模型模块,用于描述各种因素对一体化关节摩擦特性的影响,并通过模型公式计算出摩擦转矩;
实际摩擦获取模块,用于获取一体化关节的预设因素导致的摩擦转矩;
神经网络模型模块,用于描述一体化关节非线性摩擦部分,并补偿一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型预测结果的差值;
模型运算模块,用于一体化关节的理论摩擦模型和BP神经网络摩擦预测模型的线性叠加;
综合摩擦模型模块,用于描述预设因素对一体化关节摩擦特性的影响,并补偿一体化关节的理论摩擦模型导致的摩擦转矩误差。
进一步,输入模块、理论摩擦模型模块共同作为神经网络模型模块的输入端;所述神经网络模型模块输出端输出的摩擦特征包括:一体化关节的理论摩擦模型无法描述的非线性摩擦,关节运行过程中的摩擦突变,一体化关节的理论摩擦模型导致的摩擦转矩误差,负载转矩导致的刚度变化造成的关节摩擦。
进一步,神经网络模型模块包括输入单元和输出单元;
输入单元,用于获取神经网络模型模块的输入数据,输入数据包括一体化的关节输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩和一体化关节的理论摩擦模型的预测值;
输出单元,用于生成神经网络模型模块的输出数据,作为神经网络模型模块的预测值输入到模型运算模块;输出数据包括一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型生成的预测值的差值。
对比现有技术,本发明有益效果在于:本发明公开了一种机器人一体化关节摩擦特性模型的构建方法及***,实现了将一体化关节的输入端转矩、输入端角位置、负载转矩和理论摩擦模型预测值同时作为BP神经网络的输入端,BP神经网络的输入端能够预测出理论摩擦模型和实际摩擦转矩的差值,训练出的BP神经网络模型能够预测理论模型无法描述的非线性摩擦,并且通过理论摩擦模型和BP神经网络模型线性相加得到一体化关节摩擦特性预测模型。
本发明通过分析各种因素对一体化关节摩擦特性的影响,建立包括理论摩擦模型和BP神经网络模型的一体化关节摩擦特性预测模型,便于后续基于模型进行摩擦补偿。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著的进步,其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本发明的方法流程图;
图2是本发明的***结构图。
图中,1、输入模块,2、理论摩擦模型模块,3、实际摩擦获取模块,4神经网络模型模块,4.1、输入单元,4.2、输出单元,5、模型运算模块,6、综合摩擦模型模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
如图1所示,本实施例提供了一种机器人一体化关节摩擦特性预测模型的构建方法,包括如下步骤:
S1:获取一体化关节的实际运行数据,以构建测试验证数据集。
其中,一体化关节的实际运行数据包括:一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩和几何传动误差。
测试验证数据集包括:一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩。
S2:分析预设因素对一体化关节摩擦特性的影响,根据预设因素影响下的理论摩擦模型建立一体化关节的理论摩擦模型。
预设因素对一体化关节摩擦特性的影响包括:输入端转速对一体化关节摩擦特性的影响、几何传动误差对一体化关节摩擦特性的影响和负载转矩对一体化关节摩擦特性的影响。
预设因素影响下的理论摩擦模型包括:一体化关节的输入端转速导致的Stribeck经典摩擦模型、几何传动误差导致的傅里叶级数摩擦模型和一体化关节的负载转矩导致的幂函数摩擦模型。
通过分析一体化关节的输入端转速、几何传动误差和一体化关节的负载转矩对摩擦特性的影响,应用函数拟合方法建立关于影响因素的一体化关节的理论摩擦模型。
S3:在验证数据集中选取BP神经网络的输入和输出数据,经过训练后,生成BP神经网络模型。
BP神经网络的输入数据包括:一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩和一体化关节的理论摩擦模型生成的预测值。
BP神经网络的输出数据包括:一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型生成的预测值的差值。
将上述输入数据放入BP神经网络的输入端,然后得到一个输出的结果,将上述输出数据与当前输出结果作比较,计算出误差并进行误差的反向传递,直至训练出的BP神经网络能够预测输出结果,将训练好的BP神经网络作为神经网络摩擦预测模型。
S4:通过确定的训练数据,基于BP神经网络模型建立一体化关节摩擦非线性部分的BP神经网络模型,作为BP神经网络摩擦预测模型。
一体化关节摩擦非线性部分包括:一体化关节的理论摩擦模型无法描述的非线性摩擦,关节运行过程中的摩擦突变,一体化关节的理论摩擦模型导致的摩擦转矩误差,刚度对一体化关节摩擦特性的影响。
S5:将一体化关节的理论摩擦模型和BP神经网络摩擦预测模型线性叠加,生成一体化关节摩擦特性预测模型。
本实施例提供了一种机器人一体化关节摩擦特性预测模型的构建方法,实现了将一体化关节的输入端转矩、输入端角位置、负载转矩和理论摩擦模型预测值同时作为BP神经网络的输入端,BP神经网络的输入端能够预测出理论摩擦模型和实际摩擦转矩的差值,训练出的BP神经网络模型能够预测理论模型无法描述的非线性摩擦,并且通过理论摩擦模型和BP神经网络模型线性相加得到一体化关节摩擦特性预测模型。
实施例二:
基于实施例一,如图2所示,本发明还公开了一种机器人一体化关节摩擦特性预测模型的构建***,包括:输入模块1、理论摩擦模型模块2、实际摩擦获取模块3、神经网络模型模块4、模型运算模块5和综合摩擦模型模块6。
输入模块1,用于获取一体化关节的实际运行数据,构建测试验证数据集,以提供一体化关节的理论摩擦模型和BP神经网络摩擦预测模型预测所需要的输入数据。
理论摩擦模型模块2,用于描述各种因素对一体化关节摩擦特性的影响,并通过模型公式计算出摩擦转矩。
实际摩擦获取模块3,用于获取一体化关节的预设因素导致的摩擦转矩。
神经网络模型模块4,用于描述一体化关节非线性摩擦部分,并补偿一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型预测结果的差值。
需要特别说明的是,输入模块1、理论摩擦模型模块2共同作为神经网络模型模块4的输入端;神经网络模型模块4输出端输出的摩擦特征包括:一体化关节的理论摩擦模型无法描述的非线性摩擦,关节运行过程中的摩擦突变,一体化关节的理论摩擦模型导致的摩擦转矩误差,负载转矩导致的刚度变化造成的关节摩擦。
作为示例的,神经网络模型模块4包括输入单元4.1和输出单元4.2。
输入单元4.1,用于获取神经网络模型模块4的输入数据,输入数据包括一体化的关节输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩和一体化关节的理论摩擦模型的预测值;
输出单元4.2,用于生成神经网络模型模块4的输出数据,作为神经网络模型模块的预测值输入到模型运算模块;输出数据包括一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型生成的预测值的差值。
模型运算模块5,用于一体化关节的理论摩擦模型和BP神经网络摩擦预测模型的线性叠加。
综合摩擦模型模块6,用于描述预设因素对一体化关节摩擦特性的影响,并补偿一体化关节的理论摩擦模型导致的摩擦转矩误差。
通过神经网络模块4预测一体化关节实际摩擦转矩与一体化关节的理论摩擦模型预测值的差值,将理论摩擦模型模块2和神经网络模块3相加就可以得到一体化关节摩擦特性预测模型的预测值。
进行模型验证时,通过一体化关节摩擦特性的测试验证数据集验证上述一体化关节摩擦特性预测模型预测结果是否准确,该测试验证数据集包括:一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩。
测试验证数据集的具体用途如下:
一体化关节的输入端角位置:作为几何传动误差导致的傅里叶级数摩擦模型的输入数据,同时作为BP神经网络模型的输入数据。
一体化关节的输入端转速:作为输入端转速导致的Stribeck经典摩擦模型和负载转矩导致的幂函数摩擦模型的输入数据。
一体化关节的负载转矩:作为负载转矩导致的幂函数摩擦模型,同时作为BP神经网络模型的输入数据。
一体化关节的实际摩擦转矩:作为BP神经网络模型的输出数据,利用实际摩擦转矩验证一体化关节摩擦特性预测模型预测是否准确。
基于此,具体的模型验证过程如下:
将一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩分别带入一体化关节的理论摩擦模型,计算出一体化关节的理论摩擦模型预测值,并一体化关节的将输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩和一体化关节的理论摩擦模型预测值放入BP神经网络摩擦预测模型,得到BP神经网络摩擦预测模型的预测值,把BP神经网络摩擦预测模型的预测值和一体化关节的理论摩擦模型预测值线性相加得到一体化关节摩擦特性预测模型预测值并与一体化关节的实际摩擦转矩对比。根据对比结果确认验证结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的方法而言,由于其与实施例公开的***相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的***、***和方法,可以通过其它的方式实现。例如,以上所描述的***实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,***或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。
同理,在本发明各个实施例中的各处理单元可以集成在一个功能模块中,也可以是各个处理单元物理存在,也可以两个或两个以上处理单元集成在一个功能模块中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的机器人一体化关节摩擦特性预测模型的构建方法及***进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (3)
1.一种机器人一体化关节摩擦特性预测模型的构建方法,其特征在于,包括如下步骤:
S1:获取一体化关节的实际运行数据,以构建测试验证数据集;
S2:分析预设因素对一体化关节摩擦特性的影响,根据预设因素影响下的理论摩擦模型建立一体化关节的理论摩擦模型;
S3:在验证数据集中选取BP神经网络的输入和输出数据,经过训练后,生成BP神经网络模型;
S4:通过确定的训练数据,基于BP神经网络模型建立一体化关节摩擦非线性部分的BP神经网络模型,作为BP神经网络摩擦预测模型;
S5:将一体化关节的理论摩擦模型和BP神经网络摩擦预测模型线性叠加,生成一体化关节摩擦特性预测模型;
所述一体化关节的实际运行数据包括:一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩和几何传动误差;
所述测试验证数据集包括:一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩;
所述预设因素对一体化关节摩擦特性的影响包括:输入端转速对一体化关节摩擦特性的影响、几何传动误差对一体化关节摩擦特性的影响和负载转矩对一体化关节摩擦特性的影响;
所述预设因素影响下的理论摩擦模型包括:一体化关节的输入端转速导致的Stribeck经典摩擦模型、几何传动误差导致的傅里叶级数摩擦模型和一体化关节的负载转矩导致的幂函数摩擦模型;
所述根据预设因素影响下的理论摩擦模型建立一体化关节的理论摩擦模型,包括:
通过分析一体化关节的输入端转速、几何传动误差和一体化关节的负载转矩对摩擦特性的影响,应用函数拟合方法建立关于影响因素的一体化关节的理论摩擦模型;
所述BP神经网络的输入数据包括:
一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩和一体化关节的理论摩擦模型生成的预测值;
所述BP神经网络的输出数据包括:
一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型生成的预测值的差值。
2.根据权利要求1所述的机器人一体化关节摩擦特性预测模型的构建方法,其特征在于,所述一体化关节摩擦非线性部分包括:
一体化关节的理论摩擦模型无法描述的非线性摩擦,关节运行过程中的摩擦突变,一体化关节的理论摩擦模型导致的摩擦转矩误差,刚度对一体化关节摩擦特性的影响。
3.一种机器人一体化关节摩擦特性预测模型的构建***,其特征在于,包括:输入模块、理论摩擦模型模块、实际摩擦获取模块、神经网络模型模块、模型运算模块和综合摩擦模型模块;
输入模块,用于获取一体化关节的实际运行数据,构建测试验证数据集,以提供一体化关节的理论摩擦模型和BP神经网络摩擦预测模型预测所需要的输入数据;
所述一体化关节的实际运行数据包括:一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩和几何传动误差;
所述测试验证数据集包括:一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩;
理论摩擦模型模块,用于描述各种因素对一体化关节摩擦特性的影响,并通过模型公式计算出摩擦转矩;
实际摩擦获取模块,用于获取一体化关节的预设因素导致的摩擦转矩;
神经网络模型模块,用于描述一体化关节非线性摩擦部分,并补偿一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型预测结果的差值;
模型运算模块,用于一体化关节的理论摩擦模型和BP神经网络摩擦预测模型的线性叠加;
综合摩擦模型模块,用于描述预设因素对一体化关节摩擦特性的影响,并补偿一体化关节的理论摩擦模型导致的摩擦转矩误差;
所述预设因素对一体化关节摩擦特性的影响包括:输入端转速对一体化关节摩擦特性的影响、几何传动误差对一体化关节摩擦特性的影响和负载转矩对一体化关节摩擦特性的影响;
所述输入模块、理论摩擦模型模块共同作为神经网络模型模块的输入端;所述神经网络模型模块输出端输出的摩擦特征包括:一体化关节的理论摩擦模型无法描述的非线性摩擦,关节运行过程中的摩擦突变,一体化关节的理论摩擦模型导致的摩擦转矩误差,负载转矩导致的刚度变化造成的关节摩擦;
所述神经网络模型模块包括输入单元和输出单元;
输入单元,用于获取神经网络模型模块的输入数据,输入数据包括一体化的关节输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩和一体化关节的理论摩擦模型的预测值;
输出单元,用于生成神经网络模型模块的输出数据,作为神经网络模型模块的预测值输入到模型运算模块;输出数据包括一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型生成的预测值的差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310071466.XA CN116000935B (zh) | 2023-01-17 | 2023-01-17 | 一种机器人一体化关节摩擦特性模型的构建方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310071466.XA CN116000935B (zh) | 2023-01-17 | 2023-01-17 | 一种机器人一体化关节摩擦特性模型的构建方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116000935A CN116000935A (zh) | 2023-04-25 |
CN116000935B true CN116000935B (zh) | 2024-05-28 |
Family
ID=86035434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310071466.XA Active CN116000935B (zh) | 2023-01-17 | 2023-01-17 | 一种机器人一体化关节摩擦特性模型的构建方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116000935B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3435183A1 (en) * | 2017-07-26 | 2019-01-30 | ABB Schweiz AG | Method for controlling a robot arm and robot system with a robot arm |
CN109702745A (zh) * | 2019-01-18 | 2019-05-03 | 华南理工大学 | 一种机器人关节波动摩擦力矩的建模方法 |
CN110281237A (zh) * | 2019-06-17 | 2019-09-27 | 华南理工大学 | 一种基于机器学习的串联机器人关节摩擦力辨识方法 |
CN111015728A (zh) * | 2019-12-24 | 2020-04-17 | 天津工业大学 | 一种复合行星磁性传动一体化机器人关节 |
CN111965976A (zh) * | 2020-08-06 | 2020-11-20 | 北京科技大学 | 基于神经网络观测器的机器人关节滑膜控制方法及*** |
CN113276118A (zh) * | 2021-05-24 | 2021-08-20 | 华南理工大学 | 一种机器人低速运动非线性动力学特性分析与建模方法 |
CN114131611A (zh) * | 2021-12-16 | 2022-03-04 | 华中科技大学 | 机器人重力位姿分解的关节误差离线补偿方法、***及终端 |
-
2023
- 2023-01-17 CN CN202310071466.XA patent/CN116000935B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3435183A1 (en) * | 2017-07-26 | 2019-01-30 | ABB Schweiz AG | Method for controlling a robot arm and robot system with a robot arm |
CN109702745A (zh) * | 2019-01-18 | 2019-05-03 | 华南理工大学 | 一种机器人关节波动摩擦力矩的建模方法 |
CN110281237A (zh) * | 2019-06-17 | 2019-09-27 | 华南理工大学 | 一种基于机器学习的串联机器人关节摩擦力辨识方法 |
CN111015728A (zh) * | 2019-12-24 | 2020-04-17 | 天津工业大学 | 一种复合行星磁性传动一体化机器人关节 |
CN111965976A (zh) * | 2020-08-06 | 2020-11-20 | 北京科技大学 | 基于神经网络观测器的机器人关节滑膜控制方法及*** |
CN113276118A (zh) * | 2021-05-24 | 2021-08-20 | 华南理工大学 | 一种机器人低速运动非线性动力学特性分析与建模方法 |
CN114131611A (zh) * | 2021-12-16 | 2022-03-04 | 华中科技大学 | 机器人重力位姿分解的关节误差离线补偿方法、***及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN116000935A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101758422B (zh) | 一种数控装置技术指标的检测分析装置 | |
CN108563831B (zh) | 一种rv减速器传动精度的优化方法 | |
CN108122470B (zh) | 一种机械教学综合测控实验平台 | |
CN107081787A (zh) | 基于工业机器人内置传感器信号的运动特性检测方法 | |
CN110962124B (zh) | 切削加工机器人静态误差补偿与动刚度模型的修正方法 | |
CN113580148B (zh) | 基于等效运动链的并联机器人运动学标定方法 | |
CN114169230A (zh) | 一种机器人动力学参数的辨识方法 | |
CN116000935B (zh) | 一种机器人一体化关节摩擦特性模型的构建方法及*** | |
CN111352387A (zh) | 一种实现数控机床非线性误差的智能补偿方法 | |
CN112149953A (zh) | 基于多模联动和多阶段协作的机电设备运行安全评估方法 | |
Wu et al. | Dynamic modeling and parameter identification for a gantry-type automated fiber placement machine combined with hydraulic balance system and nonlinear friction | |
CN111103846A (zh) | 一种基于时间序列的数控机床状态预测方法 | |
CN109656229B (zh) | 基于ga-rbf网络的机器人末端性能预测模型的构建方法 | |
Ratcliffe et al. | Fast norm-optimal iterative learning control for industrial applications | |
CN113985810B (zh) | 一种雕刻机***建模与轨迹跟踪控制方法 | |
CN115081330A (zh) | 一种齿轮传动***数字孪生模型虚实数据镜像更新方法 | |
Ma et al. | Kinematic analysis of the robot having closed chain mechanisms based on an improved modeling method and Lie group theory | |
CN114211478A (zh) | 一种模块化机械臂协调操作最优控制方法及*** | |
CN112948755A (zh) | 一种遥测正弦参数判读方法 | |
Yang et al. | Nonsingular terminal sliding-mode control for nonlinear robot manipulators with uncertain parameters | |
CN111669080B (zh) | 一种永磁同步电机自抗扰复合控制***及其控制方法 | |
Kong et al. | Research on servo matching of a five-axis hybrid machine tool | |
CN117908464B (zh) | 一种机床轮廓误差预测方法、***、装置及可读存储介质 | |
Dixit | Design and Development of Force Control and Automation System for the VT-FRA Roller Rig | |
Li et al. | Identification of Hammerstein-Wiener non-linear dynamic models using conjugate gradient-based iterative algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |