一种改进的SCARA机器人动力学参数辨识方法技术

本发明专利技术涉及SCARA机器人的动力学参数辨识领域，公开了一种改进的SCARA机器人动力学参数辨识方法。采用Lagrange法建立包含摩擦项的SCARA机器人完整动力学模型，并对其进行线性化。采用5阶傅里叶级数作为激励轨迹的基本形式，并用5次多项式代替传统傅里叶级数中的常数项，使得关节角速度和角加速度在轨迹起始和停止时刻为零；以最小化观测矩阵条件数为目标，为增强全局寻优能力，采用基于排挤机制的小生境遗传算法对激励轨迹的各项系数进行优化。为避免直接对关节角度两次微分带来的传递误差，对采样得到的关节角速度数据拟合成傅里叶级数形式，再微分得到关节加速度信号。考虑到测量噪声的影响，采用加权最小二乘法（WLS）作为参数估计方法。

An improved method for identification of dynamic parameters of SCARA robot

The invention relates to the field of dynamic parameter identification of SCARA robot, and discloses an improved method for identifying dynamic parameters of SCARA robot. The Lagrange method is used to establish a complete dynamic model of the SCARA robot with friction term and linearize it. The 5 order Fourier series as the basic form of incentive path, instead of the constant term of traditional Fourier series and 5 polynomial, the angular velocity and angular acceleration in the trajectory of the start and stop time is zero; to minimize the observation matrix condition number as the goal, to enhance the ability of global optimization, the niche genetic algorithm based on the coefficient on crowding mechanism incentive trajectory optimization. In order to avoid the direct transmission error caused by the two differential of the joint angle, we synthesized the Fourier series form of the sampled joint angular velocity data, and then obtained the joint acceleration signal by differentiation. Considering the influence of measurement noise, the weighted least squares (WLS) method is used as the parameter estimation method.

【技术实现步骤摘要】
一种改进的SCARA机器人动力学参数辨识方法
本专利技术属于SCARA机器人的动力学参数辨识领域，具体涉及一种改进的SCARA机器人动力学参数辨识方法。
技术介绍
随着工业机器人应用于生命医疗、激光焊接、汽车电子等高精密领域，机器人技术向高速高精度方向发展。工业机器人的控制策略可以分为两种：(1)按照机器人实际轨迹与期望轨迹间的偏差进行负反馈控制。这种控制方法控制律简单，易于实现，称为“运动控制”，例如PID控制、模糊控制、鲁棒控制等。(2)充分考虑机器人的动力学特性，设计出更加精细的非线性控制律，即基于模型的控制策略，这种控制方法称为“动态控制”，例如重力补偿控制、计算力矩法、内模控制等。由于机器人时变、强耦合和非线性的动力学特性，仅仅基于反馈的“运动控制”策略，难以满足工业机器人高速高精度的控制要求。目前，国产工业机器人大部分仍采用传统PID控制策略。所以，设计基于机器人动力学模型的控制策略是实现高速高精度运动控制的有效方法，该类控制策略要以机器人的精准动力学参数为基础。机器人动力学参数的获取方法可分为：解体测量法、CAD法以及整体辨识法。机器人结构复杂，很多参数难以直接测量得到，采用计算机建模的CAD法忽略了机器人的装配误差和材料的分布特性，整体辨识法能够考虑机器人实际工作中的各种因素影响，因而受到了广泛关注。机器人动力学参数的辨识过程中，激励轨迹一般采用傅里叶级数的形式，既可以保证激励轨迹的连续周期性，以便于多次重复采样，又能充分激励机器人的动力学特性。但传统傅里叶级数无法保证机器人关节的角速度和角加速度在轨迹的起始和结束时刻为零；并且未经优化的傅里叶级数会导致观测矩阵的条件数过大，导致力矩和关节位置等的采样误差会过于放大动力学参数的辨识误差。由于观测矩阵条件数是多峰函数，当采用基本遗传算法(SGA)对傅里叶级数进行优化时，容易导致局部最优解，优化结果容易早熟。另外，在采样数据处理时，除了多次采样求均值，以提高信噪比之外，如何获取有效角加速度信号是一个比较棘手的问题。由于采样得到的速度信号存在噪声，直接对速度信号进行差分，得到的加速度信号有很大误差。所以，一般通过对采样得到的关节角度进行反向拟合，再两次微分求角加速度，但两次微分容易造成传递误差。
技术实现思路
针对具体SCARA机器人，采用5阶傅里叶级数做为激励轨迹的基本形式，并用5阶多项式取代传统傅里叶级数中的常数项，使得机器人各关节角速度和角加速度在激励轨迹的起始和结束时刻为零。为增强全局寻优能力，采用基于排挤机制的小生境遗传算法对傅里叶级数的系数进行优化，尽可能减小观测矩阵的条件数。为避免直接对关节角度两次微分带来的传递误差，对采样得到的关节角速度数据拟合成傅里叶级数形式，再微分得到关节加速度信号。为实现以上的技术目的，本专利技术提供的一种改进的SCARA机器人动力学参数辨识方法，包括以下步骤：(1)根据实际情况，采用Lagrange法建立包含摩擦项的SCARA机器人完整动力学模型；(2)对所述步骤(1)中完整动力学模型进行线性化，将其表示为回归矩阵和机器人动力学参数向量乘积的形式；(3)采用5阶傅里叶级数做为激励轨迹的基本形式，并用5阶多项式取代传统傅里叶级数中的常数项，使得机器人各关节角速度和角加速度在激励轨迹的起始和结束时刻为零；(4)为增强全局寻优能力，采用基于排挤机制的小生境遗传算法对步骤(3)中得到的傅里叶级数的系数进行优化，尽可能减小观测矩阵的条件数；(5)通过高精度编码器采集关节角度和角速度，为避免速度测量的噪声给加速度计算带来的影响，对采样得到的关节角速度数据拟合成傅里叶级数形式，再对关节速度的傅里叶级数进行微分，得到关节加速度信号，避免直接对关节角度两次微分带来的传递误差；(6)根据采样得到的机器人各个关节输入力矩，以及各个关节输出的角度、角速度和角加速度，构造观测矩阵，采用加权最小二乘法对动力学参数进行辨识。进一步地，所述步骤(3)中得到改进傅里叶级数的激励轨迹如下：解得5次多项式的系数为：式中：i表示第i个关节，ωf为傅里叶级数的基频，每个关节的基频相同，ai,k、bi,k为傅里叶级数的系数，θ0i为偏移量，M为傅里叶级数的阶数，决定轨迹的带宽，ai,k、bi,k、θ0i为自由系数；t0＝0，ttf＝2π/(2πωf)，分别表示周期运动的起始和结束时刻。进一步地，所述步骤(4)中基于排挤机制的小生境遗传算法与传统遗传算法相比具有以下区别：记第i个个体为pi，第j个个体为pj，则个体pi和pj之间的欧式距离如下式所示；||pi-pj||取一较小整数ξ，f(·)表示个体的适应度，在对每一代进行选择、交叉、变异操作之前，比较种群中任意两个个体的相似性，若||pi-pj||＜ξ，则表明pi和pj的相似程度较大；通过对适应度较小者施加一较强的惩罚函数，是其适应度变得极小，从而排挤掉其中适应度较小者；即若：f(pi)＞f(pj)，则令f(pi)＝δ·f(pj)(δ为一很小的正数)，则在以后的进化中f(pj)会以极大的概率被淘汰掉。进一步地，所述步骤(5)中关节速度的傅里叶级数表达为：采用线性最小二乘法得到参数ai,k、bi,k，再对关节速度的傅里叶级数进行微分，得到关节加速度信号。如附图1所示，本专利技术的工作原理：将上述步骤(3)和步骤(4)优化改进后的傅里叶级数作为机器人各关节激励轨迹，运行时对机器人各关节输入力矩、输出角度、角速度进行采样；对采样得到的关节速度信号反向拟合成优化后傅里叶级数的速度表达形式，再通过微分获取准确的关节加速度信号，这样避免了直接对关节位置信号反向拟合，再两次微分求角加速度带来的传递误差；最后考虑测量噪声的影响，采用加权最小二乘对动力学参数进行辨识。根据以上方案，可实现以下的有益效果：(1)针对传统傅里叶级数无法保证关节角速度和角加速度在轨迹起始和结束时刻为零，导致机器人运行时抖振的问题，提出用5阶多项式取代传统傅里叶级数中的常数项，使得机器人各关节角速度和角加速度在激励轨迹的起始和结束时刻为零。(2)针对未经优化的傅里叶级数会导致观测矩阵条件数过大的问题，采用全局寻优能力更强的基于排挤机制的小生境遗传算法对傅里叶级数系数进行优化，尽可能减小观测矩阵的条件数，提高动力学参数的辨识精度。(3)针对传统方法直接对关节角度进行反向拟合，再两次微分求角加速度，带来的传递误差问题，提出直接对关节角速度进行反向拟合，再求微分获取角角速度，避免了两次微分带来的传递误差。附图说明图1为本专利技术所述的一种改进的SCARA机器人动力学参数辨识方法的辨识流程图；图2为本专利技术所述SCARA机器人的本体结构图；图3为本专利技术所述SCARA机器人连杆坐标系；图4基于排挤机制的小生境遗传算法进行傅里叶级数优化的原理图。具体实施方式为使本专利技术的目的、技术方案和带来的有益效果更加的清楚明白，下面参照附图，结合具体SCARA机器人，对本专利技术作进一步详细说明。步骤(1)：采用Lagrange法建立SCARA机器人前两关节完整动力学模型。由附图2和附图3可见SCARA机器人第3、4两关节公用一个连杆，第2、3、4关节的伺服电机、同步带、滚珠丝杆、升降台等都安装在关节2的连杆上，因此关节1、关节2决定SCARA机器人的平面定位精度和轨迹跟踪精本文档来自技高网...

【技术保护点】
一种改进的SCARA机器人动力学参数辨识方法，其特征在于，包括如下步骤：(1)根据实际情况，采用Lagrange法建立包含摩擦项的SCARA机器人完整动力学模型；(2)对所述步骤(1)中完整动力学模型进行线性化，将其表示为回归矩阵和机器人动力学参数向量乘积的形式；(3)采用5阶傅里叶级数做为激励轨迹的基本形式，并用5阶多项式取代传统傅里叶级数中的常数项，使得机器人各关节角速度和角加速度在激励轨迹的起始和结束时刻为零；(4)为增强全局寻优能力，采用基于排挤机制的小生境遗传算法对步骤(3)中得到的傅里叶级数的系数进行优化，尽可能减小观测矩阵的条件数；(5)通过高精度编码器采集关节角度和角速度，为避免速度测量的噪声给加速度计算带来的影响，对采样得到的关节角速度数据拟合成傅里叶级数形式，再对关节速度的傅里叶级数进行微分，得到关节加速度信号，避免直接对关节角度两次微分带来的传递误差；(6)根据采样得到的机器人各个关节输入力矩，以及各个关节输出的角度、角速度和角加速度，构造观测矩阵，采用加权最小二乘法对动力学参数进行辨识。

【技术特征摘要】
1.一种改进的SCARA机器人动力学参数辨识方法，其特征在于，包括如下步骤：(1)根据实际情况，采用Lagrange法建立包含摩擦项的SCARA机器人完整动力学模型；(2)对所述步骤(1)中完整动力学模型进行线性化，将其表示为回归矩阵和机器人动力学参数向量乘积的形式；(3)采用5阶傅里叶级数做为激励轨迹的基本形式，并用5阶多项式取代传统傅里叶级数中的常数项，使得机器人各关节角速度和角加速度在激励轨迹的起始和结束时刻为零；(4)为增强全局寻优能力，采用基于排挤机制的小生境遗传算法对步骤(3)中得到的傅里叶级数的系数进行优化，尽可能减小观测矩阵的条件数；(5)通过高精度编码器采集关节角度和角速度，为避免速度测量的噪声给加速度计算带来的影响，对采样得到的关节角速度数据拟合成傅里叶级数形式，再对关节速度的傅里叶级数进行微分，得到关节加速度信号，避免直接对关节角度两次微分带来的传递误差；(6)根据采样得到的机器人各个关节输入力矩，以及各个关节输出的角度、角速度和角加速度，构造观测矩阵，采用加权最小二乘法对动力学参数进行辨识。2.根据权利要求1所述的一种改进的SCARA机器人动力学参数辨识方法，其特征在于，所述步骤(3)中得到改进傅里叶级数的激励轨迹如下：解得5次多项式的系数为：

【专利技术属性】
技术研发人员：李新，白瑞林，严浩，吉峰，
申请(专利权)人：无锡信捷电气股份有限公司，
类型：发明
国别省市：江苏,32