机器人驱控一体系统的自适应建模方法技术方案

本发明专利技术涉及机器人驱控一体系统的技术领域，公开了机器人驱控一体系统的自适应建模方法，包括以下步骤：1)、根据机器人的设计模型，获得机器人的各个关节的运动学模型以及动力学参数；2)、通过牛顿欧拉法，根据逆动力学模型、以及当前规划的位置、速度以及加速度，计算出下发的力矩；3)、通过降维方法将机器人驱控一体系统降维至N阶系统，得到其状态方程；4)、设置可调自适应律，通过深度学习算法进行优化，选取指数加减速曲线作为激励轨迹；将机器人的关节的动力学参数考虑在内，与机器人的动态性能结合，将机器人的驱动和控制系统一体化建模，并达到模型的精准匹配，证明机器人驱控一体系统的自适应建模方法有效。

Adaptive Modeling Method for Robot Drive-Control Integrated System

The invention relates to the technical field of robotic drive-control integrated system, and discloses an adaptive modeling method for robotic drive-control integrated system, including the following steps: 1) obtaining kinematic models and dynamic parameters of each joint of the robot according to the design model of the robot; 2) adopting Newton Euler method, according to inverse dynamic model, as well as the current planned position and speed, with the following steps: And acceleration, calculate the downward moment; 3) Reduce the dimension of the robot drive-control system to N-order system by dimension reduction method, and get its state equation; 4) Set adjustable adaptive law, optimize through depth learning algorithm, select exponential acceleration and deceleration curve as the excitation trajectory; Consider the dynamic parameters of the robot joints, and combine with the dynamic performance of the robot. It integrates the drive and control system of the robot and achieves the precise matching of the model, which proves that the adaptive modeling method of the robot drive and control system is effective.

【技术实现步骤摘要】
机器人驱控一体系统的自适应建模方法
本专利技术专利涉及机器人驱控一体系统的
，具体而言，涉及机器人驱控一体系统的自适应建模方法。
技术介绍
当前，机器人的伺服控制主要依赖于PID控制对输出的调节，针对其参数整定的局限性，通过将机器人运动链整体看做一个控制对象，采用动态性能优异的多阶系统作为参考模型，通过稳定性理论进行参考自适应匹配，深度学习算法逐步迭代趋近，从何获得机器人驱控一体系统的精确建模模型。现有技术中，由于PID控制调节存在经验化、试验化以及参数整定的局限性，建立的模型难以逐步趋近参考模型的各方面性能；传统PID控制器模型是不考虑机器人机电动力学模型的控制器，无法准确地与机器人动态性能结合，且传统机器人动力学模型的参数辨识和建模计算都非常复杂，在工程领域难以实现。
技术实现思路
本专利技术的目的在于提供机器人驱控一体系统的自适应建模方法，以得到机器人驱控一体系统的模型传递函数。本专利技术是这样实现的，机器人驱控一体系统的自适应建模方法，包括以下步骤：1)、根据机器人的设计模型，获得机器人的各个关节的运动学模型以及动力学参数，所述动力学参数包括惯量张量(I)，静力矩(MX、MY、MZ)、质量(M)、电机转子惯量(Iz)以及摩擦力模型里的粘性摩擦系数(Fv)和库伦摩擦系数(Fs)；2)、通过牛顿欧拉法，根据逆动力学模型、以及当前规划的位置、速度以及加速度，计算出下发的力矩：其中，分别是广义的关节位置、速度和及速度的向量，M是关节的空间惯量就矩阵，C是科氏力和向心力耦合矩阵，F为摩擦力，G是重力负荷，Q是与广义坐标q对应的广义驱动力向量；J(q)Tf是施加在机器人末端执行器上的力旋量所产生的关节力，J是机械臂的雅可比矩阵；3)、通过降维方法将机器人驱控一体系统降维至N阶系统，得到其状态方程为：其中，x(t)∈Rn为机器人驱控一体系统的状态变量，u(t)∈Rm为机器人驱控一体系统的输入量，y(t)∈Rr为机器人驱控一体系统的输出量，A∈Rn×n为机器人驱控一体系统矩阵，B∈Rn×m为机器人驱控一体系统的输入矩阵，C∈Rr×n为为机器人驱控一体系统矩阵的输出矩阵；4)、设置可调自适应律，通过深度学习算法进行优化，选取指数加减速曲线作为激励轨迹，如下：vmax为机器人运行的最大速度。进一步的，设置机器人驱控一体系统的交流伺服的速度控制闭环传递函数为：其中，wr(s)为实际角速度，w(s)为理想角速度，Kp为速度环比例增益，KI为速度环积分常数，J为电机转子的转动惯量，Kpi为电流调节器增益，K1为感应电动势系数，Kii为电流反馈回路增益，La为电动机电感，Rs为定子相电阻，aT为测速反馈系数。进一步的，误差准表示为误差的泛函数，如下：其中，f(·)为ξ(k)的函数，ξ(k)是定义在区间(0,N)的误差函数，为机器人的设计模型与机器人驱控一体系统的误差。进一步的，所述公式(5)中，f(ξ(k))＝ξ2(k)ξ(k)＝y(k)-ym(k)其中，y(k)为机器人驱控一体系统的输出，ym(k)为机器人的设计模型的输出。与现有技术相比，本专利技术提供的机器人驱控一体系统的自适应建模方法，将机器人的关节的动力学参数考虑在内，可以准确的与机器人的动态性能结合，通过自适应建模方法，将机器人的驱动和控制系统一体化建模，并达到模型的精准匹配，在实验中，对比激励轨迹下，设计模型与机器人驱控一体系统的误差，逼近程度可达90％，证明该机器人驱控一体系统的自适应建模方法有效。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。以下结合具体实施例对本专利技术的实现进行详细的描述。本实施例中相同或相似的标号对应相同或相似的部件；在本专利技术的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。机器人驱控一体系统的自适应建模方法，包括以下步骤：1)、根据机器人的设计模型，获得机器人的各个关节的运动学模型以及动力学参数，所述动力学参数包括惯量张量(I)，静力矩(MX、MY、MZ)、质量(M)、电机转子惯量(Iz)以及摩擦力模型里的粘性摩擦系数(Fv)和库伦摩擦系数(Fs)；2)、通过牛顿欧拉法，根据逆动力学模型、以及当前规划的位置、速度以及加速度，计算出下发的力矩：其中，分别是广义的关节位置、速度和及速度的向量，M是关节的空间惯量就矩阵，C是科氏力和向心力耦合矩阵，F为摩擦力，G是重力负荷，Q是与广义坐标q对应的广义驱动力向量；J(q)Tf是施加在机器人末端执行器上的力旋量所产生的关节力，J是机械臂的雅可比矩阵；3)、通过降维方法将机器人驱控一体系统降维至N阶系统，得到其状态方程为：其中，x(t)∈Rn为机器人驱控一体系统的状态变量，u(t)∈Rm为机器人驱控一体系统的输入量，y(t)∈Rr为机器人驱控一体系统的输出量，A∈Rn×n为机器人驱控一体系统矩阵，B∈Rn×m为机器人驱控一体系统的输入矩阵，C∈Rr×n为为机器人驱控一体系统矩阵的输出矩阵；4)、设置可调自适应律，通过深度学习算法进行优化，选取指数加减速曲线作为激励轨迹，如下：vmax为机器人运行的最大速度。上述提供的机器人驱控一体系统的自适应建模方法，将机器人的关节的动力学参数考虑在内，可以准确的与机器人的动态性能结合，通过自适应建模方法，将机器人的驱动和控制系统一体化建模，并达到模型的精准匹配，在实验中，对比激励轨迹下，设计模型与机器人驱控一体系统的误差，逼近程度可达90％，证明该机器人驱控一体系统的自适应建模方法有效。设置机器人驱控一体系统的交流伺服的速度控制闭环传递函数为：其中，wr(s)为实际角速度，w(s)为理想角速度，Kp为速度环比例增益，KI为速度环积分常数，J为电机转子的转动惯量，Kpi为电流调节器增益，K1为感应电动势系数，Kii为电流反馈回路增益，La为电动机电感，Rs为定子相电阻，aT为测速反馈系数。由上公式(4)可见，串并联机器人系统是一个复杂的高阶系统，因此通过降维方法将系统降维到低维的N阶系统，在保证较高精度的情况下，简化参数的分析和计算。误差准表示为误差的泛函数，如下：其中，f(·)为ξ(k)的函数，ξ(k)是定义在区间(0,N)的误差函数，为机器人的设计模型与机器人驱控一体系统的误差。所述公式(5)中，f(ξ(k))＝ξ2(k)ξ(k)＝y(k)-ym(k)其中，y(k)为机器人驱控一体系统的输出，ym(k)为机器人的设计模型的输出。随着自适应深度学习过程的进行，参数逐步稳定，机器人驱控一体系统模型与参考模型的跟踪误差也趋于稳定。简单的机械系统动力学方程为：其中，θ为角度，u为控制输入；取写成状态方程形式为其中，f(x)为未知函数。位置指令为xd，则误差及其变化率为：定义误差函数为：则由公式9可见，如果s→0，则e→0，并且，以上所述仅为本本文档来自技高网...

【技术保护点】
1.机器人驱控一体系统的自适应建模方法，其特征在于，包括以下步骤：1)、根据机器人的设计模型，获得机器人的各个关节的运动学模型以及动力学参数，所述动力学参数包括惯量张量(I)，静力矩(MX、MY、MZ)、质量(M)、电机转子惯量(Iz)以及摩擦力模型里的粘性摩擦系数(Fv)和库伦摩擦系数(Fs)；2)、通过牛顿欧拉法，根据逆动力学模型、以及当前规划的位置、速度以及加速度，计算出下发的力矩：

【技术特征摘要】
1.机器人驱控一体系统的自适应建模方法，其特征在于，包括以下步骤：1)、根据机器人的设计模型，获得机器人的各个关节的运动学模型以及动力学参数，所述动力学参数包括惯量张量(I)，静力矩(MX、MY、MZ)、质量(M)、电机转子惯量(Iz)以及摩擦力模型里的粘性摩擦系数(Fv)和库伦摩擦系数(Fs)；2)、通过牛顿欧拉法，根据逆动力学模型、以及当前规划的位置、速度以及加速度，计算出下发的力矩：其中，q,分别是广义的关节位置、速度和及速度的向量，M是关节的空间惯量就矩阵，C是科氏力和向心力耦合矩阵，F为摩擦力，G是重力负荷，Q是与广义坐标q对应的广义驱动力向量；J(q)Tf是施加在机器人末端执行器上的力旋量所产生的关节力，J是机械臂的雅可比矩阵；3)、通过降维方法将机器人驱控一体系统降维至N阶系统，得到其状态方程为：其中，x(t)∈Rn为机器人驱控一体系统的状态变量，u(t)∈Rm为机器人驱控一体系统的输入量，y(t)∈Rr为机器人驱控一体系统的输出量，A∈Rn×n为机器人驱控一体系统矩阵，B∈Rn×m为机器人驱控一体系统的输入矩阵，C∈Rr×n为...

【专利技术属性】
技术研发人员：朗需林，刘培超，黄睿，林炯辉，林俊凯，
申请(专利权)人：深圳市越疆科技有限公司，
类型：发明
国别省市：广东,44