一种星-臂耦合系统的动力学参数在轨辨识方法和装置制造方法及图纸

本发明专利技术公开一种星-臂耦合系统的动力学参数在轨辨识方法，包括：获取机械臂运动关节的运动状态数据，以及对应的实测的主星数据；所述主星数据为主星姿态角和姿态角速度数据；假定一组主星动力学参数，将机械臂运动关节的运动状态数据和假定的主星动力学参数输入动力学模型进行模拟，比较动力学模型输出的主星数据和实测的主星数据的差别，然后对假定的主星动力学参数采用改进全局粒子群方法进行优化；所述主星动力学参数包括主星质量、主星质心位置和主星转动惯量。本发明专利技术能够实现星-臂耦合系统的动力学参数在轨辨识，且具有较强的泛用性。

【技术实现步骤摘要】
一种星-臂耦合系统的动力学参数在轨辨识方法和装置
本专利技术涉及机器人领域，特别涉及一种星-臂耦合系统的动力学参数在轨辨识方法和装置。
技术介绍
星-臂耦合系统的动力学参数在轨辨识具有明确的现实意义。对于进行空间遥操作任务的航天器，在轨飞行时的燃料消耗不可避免。随着燃料的不断消耗，星-臂耦合系统的动力学参数，例如质量、转动惯量等，都会发生改变。因此，对于在轨操作的任务规划以及机械臂在线路径规划中，星-臂耦合系统的动力学参数的变化量的获取，是非常重要的输入条件。但是，现有技术的动力学参数在轨辨识方法，主要有三种：(1)、借助推器施加外力，通过测量机器人各关节的加速度信号，求解牛顿-欧拉运动方程来辨识动力学参数。该方法的缺点在于：需要消耗燃料，而且不易获得精确的关节加速度及力矩信息。(2)、不施加外力，仅驱动机械臂关节转动，通过测量转动前后主星姿态和位置变化，基于动量和角动量守恒定律来辨识动力学参数。该方法的缺点在于：为求解所有的动力学参数，需要获得足够数量的方程，此时，必须要驱动多个关节运动；且该方法除了需要获取角动量之外，还要同时获取线动量，但是在现有技术水平下，卫星线动量的实时测量精度远低于角动量，达不到参数辨识所需精度。(3)、通过运动学仿真建立样本库，对多层前向神经网络进行训练，采用训练好的神经网络进行动力学参数的在轨辨识。该方法的缺点在于：适应性较差，只能在预先选定的样本空间参数范围内运作，缺乏对不同关节工作空间的外推能力，难以用于机械臂末端载荷未知的情况。另外，当机器人关节自由度以及待辨识参数较多时，神经网络很难设计、训练。
技术实现思路
本专利技术提供一种星-臂耦合系统的动力学参数在轨辨识方法和装置，能够克服现有技术的缺陷，以实现主星动力学参数在轨辨识。为了解决上述问题，本专利技术提供一种星-臂耦合系统的动力学参数在轨辨识方法和装置。所述方法包括：步骤1：建立与所述星-臂耦合系统在标定燃料下的动力学预测模型；步骤2：根据所述动力学预测模型，获取所述星-臂耦合系统的动力学参数的在轨辨识模型；步骤3：获取所述星-臂耦合系统的机械臂运动关节的运动状态数据，以及主星运动状态实测数据；步骤4：设定一组动力学参数的测试值，利用所述测试值和所述机械臂运动关节的运动状态数据，结合所述在轨辨识模型，得到主星运动状态模拟数据；步骤5：将所述主星运动状态模拟数据和所述主星运动状态实测数据进行比较，根据比较结果，对所述动力学参数的测试值进行迭代优化，得到所述动力学参数的辨识值。进一步地，所述动力学预测模型为：其中，所述星-臂耦合系统的主星的广义雅克比矩阵为：所述星-臂耦合系统的机械臂的广义雅克比矩阵为：为主星姿态角速度，为机械臂关节角速度，L0为惯性坐标系下的初始角动量。进一步地，所述在轨辨识模型为：进一步地，步骤5中将所述主星运动状态模拟数据和所述主星运动状态实测数据进行比较为：D＝(wx-w′x)2+(wy-w′y)2+(wz-w′z)2其中，D为所述比较结果；w′x、w′y、w′z为所述主星运动状态模拟数据的三个姿态角速度分量；wx、wy、wz为所述主星运动状态实测数据的三个姿态角速度分量；步骤5中根据比较结果，对所述动力学参数的测试值进行迭代优化，得到所述动力学参数的辨识值包括：采用改进的粒子群优选算法PSO对所述动力学参数的测试值进行优化，使D达到最小。进一步地，所述采用改进的粒子群优选算法PSO对所述动力学参数的测试值进行优化，包括：步骤51：在所述动力学参数的在轨辨识模型中的待辨识量(Mfuel,)所构成的四维搜索空间中，使用改进的PSO的速度更新式，进行各粒子的速度更新；所述改进的PSO的速度更新式为：vn(g+1)＝ωvn(g)+c1ξ[ixn(g)-xn(g)]+c2η[gxn(g)-xn(g)]xn(g+1)＝xn(g)+vn(g+1)其中，学习因子c1＝c2＝2；惯性权重ω＝0.9～0.2；粒子邻域采用空间邻域，即到某粒子的欧式距离最小的Nnb个粒子组成该粒子的邻域；其中，x代表粒子位置，为矢量，每个粒子的位置初值即为所述N组动力学参数的测试值(Mfuel,)；v代表粒子速度；下标n∈[1,N]为各粒子的标号；N为粒子总数，N与所述选取的动力学参数的测试值的组数相等；参数g为迭代次数；ix代表粒子个体历史最优位置，在每一代中，各粒子最优位置即为在当前代之前，min(D)所对应的动力学参数的测试值(Mfuel,)；gx代表种群历史最优位置，即所有N个粒子在当前代之前min(D)所对应的动力学参数的测试值g(Mfuel,)；Nnb满足：其中，G为总迭代次数，g为当前迭代次数，Knb为最终邻域粒子比例；步骤52：每隔一段时间，对所有粒子进行一次筛选，确定陷入局部最优值的粒子群，并将所述陷入局部最优值的粒子群强制重启到好的区间附近，以加速收敛；其中，当粒子群满足下式gmodGre＝0且n＞KreN时，则确定该粒子群为所述陷入局部最优值的粒子群；所述强制重启为：xn(g)＝socxk(g)+r其中，Gre为筛选间隔代数，Kre为每次重启粒子比例，e[cogxn(g)]为递增排序的粒子n的个体历史最优误差，n＝1,2,...,N；xn(g)为所述陷入局部最优值的粒子群强制重启后的位置；socxk(g)为表现最好的粒子k的邻域历史最优位置，k∈(1,2,...,N)；r为一个小区间内的四维随机矢量，其取值区间根据周围粒子的密度自适应地计算；步骤53：随机获取多个时刻分别对应的主星运动状态模拟数据和主星运动状态实测数据，构成一组数据序列，利用所述数据序列中不同时刻分别对应的主星运动状态模拟数据和主星运动状态实测数据作为参数，计算不同粒子的误差；其中，采用下式计算不同粒子的误差：其中，g＝1,2,...,G。所述装置包括：第一建模单元，用于建立与所述星-臂耦合系统在标定燃料下的动力学预测模型；第二建模单元，用于根据所述动力学预测模型，获取所述星-臂耦合系统的动力学参数的在轨辨识模型；第一数据获取单元，用于获取所述星-臂耦合系统的机械臂运动关节的运动状态数据，以及主星运动状态实测数据；第二数据获取单元，用于设定一组动力学参数的测试值，利用所述测试值和所述机械臂运动关节的运动状态数据，结合所述在轨辨识模型，得到主星运动状态模拟数据；优化单元，用于将所述主星运动状态模拟数据和所述主星运动状态实测数据进行比较，根据比较结果，对所述动力学参数的测试值进行迭代优化，得到所述动力学参数的辨识值。进一步地，所述动力学预测模型为：其中，所述星-臂耦合系统的主星的广义雅克比矩阵为：所述星-臂耦合系统的机械臂的广义雅克比矩阵为：为主星姿态角速度，为机械臂关节角速度，L0为惯性坐标系下的初始角动量。进一步地，所述在轨辨识模型为：进一步地，所述优化单元包括：比较子单元和优化子单元；所述比较子单元，用于将所述主星运动状态模拟数据和所述主星运动状态实测数据进行比较：D＝(wx-w′x)2+(wy-w′y)2+(wz-w′z)2其中，D为所述比较结果；w′x、w′y、w′z为所述主星运动状态模拟数据的三个姿态角速度分量；wx、wy、wz为所述主星运动状态实测数据的三个姿态角速度分量；所述优化子单元，用于采用改进的粒子群优选算法PSO对所述动本文档来自技高网...

【技术保护点】
一种星‑臂耦合系统的动力学参数在轨辨识方法，其特征在于，包括：步骤1：建立与所述星‑臂耦合系统在标定燃料下的动力学预测模型；步骤2：根据所述动力学预测模型，获取所述星‑臂耦合系统的动力学参数的在轨辨识模型；步骤3：获取所述星‑臂耦合系统的机械臂运动关节的运动状态数据，以及主星运动状态实测数据；步骤4：设定一组动力学参数的测试值，利用所述测试值和所述机械臂运动关节的运动状态数据，结合所述在轨辨识模型，得到主星运动状态模拟数据；步骤5：将所述主星运动状态模拟数据和所述主星运动状态实测数据进行比较，根据比较结果，对所述动力学参数的测试值进行迭代优化，得到所述动力学参数的辨识值。

【技术特征摘要】
2014.02.28 CN 201410072503X1.一种星-臂耦合系统的动力学参数在轨辨识方法，其特征在于，包括：步骤1：建立与所述星-臂耦合系统在标定燃料下的动力学预测模型；步骤2：根据所述动力学预测模型，获取所述星-臂耦合系统的动力学参数的在轨辨识模型；步骤3：获取所述星-臂耦合系统的机械臂运动关节的运动状态数据，以及主星运动状态实测数据；步骤4：设定一组动力学参数的测试值，利用所述测试值和所述机械臂运动关节的运动状态数据，结合所述在轨辨识模型，得到主星运动状态模拟数据；步骤5：将所述主星运动状态模拟数据和所述主星运动状态实测数据进行比较，根据比较结果，对所述动力学参数的测试值进行迭代优化，得到所述动力学参数的辨识值；其中，所述动力学预测模型为：其中，所述星-臂耦合系统的主星的广义雅克比矩阵为：所述星-臂耦合系统的机械臂的广义雅克比矩阵为：为主星姿态角速度，为机械臂关节角速度，L0为惯性坐标系下的初始角动量。2.根据权利要求1所述的方法，其特征在于，所述在轨辨识模型为：其中为主星三个姿态角速度的合成向量，Mfuel为燃料质量，为燃料箱质心位置，为机械臂各关节角速度的合成向量，θarm(1,2)为机械臂各关节角度的合成向量，θbase为主星三个姿态角度的合成向量。3.根据权利要求2所述的方法，其特征在于，步骤5中将所述主星运动状态模拟数据和所述主星运动状态实测数据进行比较为：D＝(wx-wx′)2+(wy-wy′)2+(wz-wz′)2其中，D为所述比较结果；wx′、w′y、wz′为所述主星运动状态模拟数据的三个姿态角速度分量；wx、wy、wz为所述主星运动状态实测数据的三个姿态角速度分量；步骤5中根据比较结果，对所述动力学参数的测试值进行迭代优化，得到所述动力学参数的辨识值包括：采用改进的粒子群优选算法PSO对所述动力学参数的测试值进行优化，使D达到最小。4.根据权利要求3所述的方法，其特征在于，所述采用改进的粒子群优选算法PSO对所述动力学参数的测试值进行优化，包括：步骤51：在所述动力学参数的在轨辨识模型中的待辨识量所构成的四维搜索空间中，使用改进的PSO的速度更新式，进行各粒子的速度更新；所述改进的PSO的速度更新式为：vn(g+1)＝ωvn(g)+c1ξ[ixn(g)-xn(g)]+c2η[gxn(g)-xn(g)]xn(g+1)＝xn(g)+vn(g+1)其中，学习因子c1＝c2＝2；惯性权重ω＝0.9～0.2；粒子邻域采用空间邻域，即到某粒子的欧式距离最小的Nnb个粒子组成该粒子的邻域；其中，x代表粒子位置，为矢量，每个粒子的位置初值即为所述动力学参数的测试值v代表粒子速度；下标n∈[1,N]为各粒子的标号；N为粒子总数，N与选取的所述动力学参数的测试值的组数相等；参数g为迭代次数；ix代表粒子个体历史最优位置，在每一代中，各粒子最优位置即为在当前代之前，min(D)所对应的动力学参数的测试值gx代表种群历史最优位置，即所有N个粒子在当前代之前min(D)所对应的动力学参数的测试值Nnb满足：其中，...

【专利技术属性】
技术研发人员：马欢，李文皓，张珩，
申请(专利权)人：中国科学院力学研究所，
类型：发明
国别省市：北京;11