The invention discloses a method for modeling the fluctuating friction moment of a robot joint, which includes steps: S1, establishing Fourier series function according to the collected error data of joint moment under constant speed rotation; S2, obtaining joint moment error data of a robot joint under different rotating speeds, calculating the output value under the corresponding joint rotation angle according to Fourier series function, and establishing a package; BP neural network including three input terminals and one output terminal; S4, BP neural network training, get a complete BP neural network model; S5, according to the Fourier series function and the training BP neural network model to establish the joint fluctuation friction moment model. The invention adopts the method of combining Fourier series with BP neural network to model the fluctuating friction moment, which greatly reduces the number of neurons, overcomes the difficulty of fitting the moment error curve due to the high frequency periodic fluctuation, and improves the accuracy of the original dynamic model.
【技术实现步骤摘要】
一种机器人关节波动摩擦力矩的建模方法
本专利技术涉及一种机器人关节波动摩擦力矩的建模方法,以此完善机器人的动力学模型,用于机器人免传感器下的力交互任务。
技术介绍
对于机器人的免力矩传感器柔顺控制,无论是机器人的直接示教,还是力位混合控制和碰撞检测,都需要精确的机器人动力学模型,以借助机器人的动力学模型和运动信息计算出机器人本体在运动中所消耗的关节力矩,即计算力矩,从而联合关节的实际力矩计算出机器人的外部受力。这要求在机器人空载和无外力的情况下,计算力矩与实测力矩间要有尽可能小的误差,这需要精确的机器人动力学模型。减速器由于具有体积小、重量轻、减速比大等优点,在机器人中得到广泛应用,但减速器存在严重的非线性摩擦力矩特性,其在低速转动时会产生与关节转角呈周期性变化的摩擦力矩,即波动摩擦力矩,导致关节计算力矩与实际力矩间存在波动的力矩误差。波动摩擦力矩产生的原因与减速器传动过程中内部零件的不断啮合和摩擦有关,因此与关节转角呈现周期性变化规律。针对该波动摩擦力矩,常用的解决方法是采用一个周期性函数进行拟合和修正。根据选择的周期性函数的不同,有采用傅里叶级数曲线来进行拟合,也有采用Stribeck模型与正余弦函数结合的方式来描述驱动关节的摩擦力矩特性。然而他们都只研究了某一转速下的摩擦力矩,并采用一组恒定的参数进行建模,而忽略了当关节转速发生变化时,该摩擦力矩项的幅值也会随着改变。波动摩擦力矩受到关节转动速度的影响,一般而言,关节速度越大,则波动摩擦力矩的幅值就越小。波动摩擦力矩主要在关节角速度较低的时候影响比较明显,当关节转速大于一个关键值时,波动摩擦力矩的幅值 ...
【技术保护点】
1.一种机器人关节波动摩擦力矩的建模方法,其特征在于,包括步骤:S1、获取机器人关节在恒速转动下的关节力矩误差数据,根据所采集的恒速转动下的关节力矩误差数据建立相同级数的傅里叶级数函数;S2、获取机器人关节在不同转动速度下的关节力矩误差数据,在每个离散时间采样点,采集关节转角、关节转速和关节力矩误差三种数据,根据所述傅里叶级数函数计算相应关节转角下的输出值;S3、建立三层结构的BP神经网络,所述BP神经网络的输入端包括关节转角、关节转速和所述傅里叶级数函数的输出值,输出端为关节力矩误差;S4、将步骤S3所得的不同转动速度下的关节转角、关节转速、关节力矩误差及所计算的傅里叶级数函数输出值对BP神经网络进行训练,得到完整的BP神经网络模型;S5、根据傅里叶级数函数和训练所得的BP神经网络模型建立关节波动摩擦力矩的模型,所述关节波动摩擦力矩模型的输入变量为关节转角、关节转速,输出为波动摩擦力矩。
【技术特征摘要】
1.一种机器人关节波动摩擦力矩的建模方法,其特征在于,包括步骤:S1、获取机器人关节在恒速转动下的关节力矩误差数据,根据所采集的恒速转动下的关节力矩误差数据建立相同级数的傅里叶级数函数;S2、获取机器人关节在不同转动速度下的关节力矩误差数据,在每个离散时间采样点,采集关节转角、关节转速和关节力矩误差三种数据,根据所述傅里叶级数函数计算相应关节转角下的输出值;S3、建立三层结构的BP神经网络,所述BP神经网络的输入端包括关节转角、关节转速和所述傅里叶级数函数的输出值,输出端为关节力矩误差;S4、将步骤S3所得的不同转动速度下的关节转角、关节转速、关节力矩误差及所计算的傅里叶级数函数输出值对BP神经网络进行训练,得到完整的BP神经网络模型;S5、根据傅里叶级数函数和训练所得的BP神经网络模型建立关节波动摩擦力矩的模型,所述关节波动摩擦力矩模型的输入变量为关节转角、关节转速,输出为波动摩擦力矩。2.根据权利要求1所述的机器人关节波动摩擦力矩的建模方法,其特征在于,所述的关节力矩误差数据通过如下步骤得到:建立机器人动力学方程,其关节力矩包括机器人的加速度惯性力矩、离心力项力矩、哥氏力项力矩、重力项力矩和关节摩擦力矩;根据机器人的运动状态,即关节转角q,角速度和角加速度计算机器人的关节计算力矩同时与实测的关节力矩T进行比较,得到关节力矩误差3.根据权利要求1所述的机器人关节波动摩擦力矩的建模方法,其特征在于,步骤1中,根据所采集的恒速转动下的关节力矩误差数据建立相同级数的傅里叶级数函数具体包括:通过插补得到以关节转角为横坐标得到关节力矩误差曲线;对所述关节力矩误差曲线进行频谱分析,取其中的主要分量,根据分量的...
【专利技术属性】
技术研发人员:张铁,洪景东,李秋奋,
申请(专利权)人:华南理工大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。