一种机器人关节摩擦力矩的补偿方法及系统技术方案

本发明专利技术公开一种机器人关节摩擦力矩的补偿方法及系统。采用本发明专利技术的补偿方法及系统，工业机器人运行过程中，当关节温度、负载、润滑和磨损等参数改变后，摩擦模型也会相应改变，能够避免基于固定摩擦模型的前馈补偿方法失效的问题。在此基础上，利用辨识的摩擦模型预测生成的摩擦力矩训练神经网络，使得神经网络的训练学习过程效率更高，能够更快逼近理想效果，提高了机器人关节的跟踪速度和跟踪精度。进一步地，本发明专利技术通过高斯采样进行摩擦力矩前馈补偿，弥补了神经网络输出不具有探索性的缺点，使神经网络能更好的收敛，避免陷入局部最优，进一步确保跟踪精度，即使关节温度、负载、润滑和磨损等参数发生变化，也能快速实现高精度跟踪的目的。

A Compensation Method and System for Friction Torque of Robot Joints

The invention discloses a method and a system for compensating the friction moment of a robot joint. When the parameters of joint temperature, load, lubrication and wear change, the friction model will change correspondingly during the operation of industrial robots by adopting the compensation method and system of the present invention, which can avoid the failure of the feedforward compensation method based on the fixed friction model. On this basis, the identification friction model is used to predict the generated friction moment to train the neural network, which makes the training and learning process of the neural network more efficient, can approach the ideal effect faster, and improves the tracking speed and tracking accuracy of the robot joint. Furthermore, the method compensates the friction moment by Gauss sampling, which makes up for the shortcoming that the output of the neural network is not exploratory, makes the neural network converge better, avoids falling into the local optimum, and further ensures the tracking accuracy. Even if the parameters of joint temperature, load, lubrication and wear change, the purpose of high precision tracking can be realized quickly.

【技术实现步骤摘要】
一种机器人关节摩擦力矩的补偿方法及系统
本专利技术涉及机器人领域，特别是涉及一种机器人关节摩擦力矩的补偿方法及系统。
技术介绍
工业机器人关节摩擦是造成机器人关节跟踪精度降低的主要因素之一，为了减小摩擦对机器人控制系统带来的影响，必须要对摩擦力矩进行补偿。通常，摩擦力矩补偿采用基于固定摩擦模型的前馈补偿方法，但由于工业机器人运行过程中，关节温度、负载、润滑和磨损等参数在不断变化，使前馈补偿的摩擦模型发生显著变化，从而导致基于固定摩擦模型的前馈补偿方法失效，引起机器人关节跟踪精度降低。
技术实现思路
本专利技术的目的是提供一种机器人关节摩擦力矩的补偿方法及系统，能够实现快速高精度跟踪机器人关节的目的。为实现上述目的，本专利技术提供了如下方案：一种机器人关节摩擦力矩的补偿方法，所述补偿方法包括：获取机器人启动过程的第一关节角速度数据和对应所述第一关节角速度数据的第一摩擦力矩数据，所述启动过程为所述机器人以设定的速度增量启动运行至额定转速的过程；利用所述第一关节角速度数据和所述第一摩擦力矩数据进行摩擦模型辨识，获得摩擦模型，所述摩擦模型的输入为关节角速度，所述摩擦模型的输出为关节摩擦力矩；建立神经网络，所述神经网络的输入为关节角速度，所述神经网络的输出为关节摩擦力矩；获取机器人启动过程的第二关节角速度数据；将所述第二关节角速度数据输入所述摩擦模型，获得所述第二关节角速度数据对应的第一力矩预测数据；将所述第二关节角速度数据和所述第一力矩预测数据作为所述神经网络的训练数据，利用梯度下降法更新所述神经网络的权值和偏置，获得神经网络预测模型；获取机器人的随机角速度数据，所述随机角速度数据为所述机器人以随机速度运行时的角速度数据，所述随机速度小于或者等于二倍额定转速；将所述随机角速度数据输入所述神经网络预测模型，获得第二力矩预测数据；以所述第二力矩预测数据为均值、1为方差进行高斯采样，获得摩擦力矩补偿值；根据所述摩擦力矩补偿值对所述机器人关节进行摩擦力矩补偿。可选的，所述根据所述摩擦力矩补偿值对所述机器人关节进行摩擦力矩补偿之后，还包括：获取关节跟踪偏差；判断所述关节跟踪偏差是否大于偏差阈值；若是，根据所述关节跟踪偏差更新所述神经网络的权值和偏置，获得更新后的神经网络预测模型。可选的，所述根据所述关节跟踪偏差更新所述神经网络的权值和偏置，具体包括：根据公式：更新所述神经网络的权值和偏置，其中，θnew为更新后的神经网络参数集，神经网络参数集包括神经网络的权值和偏置，θold为更新前的神经网络参数集，α为神经网络的学习速率，Netθ为神经网络，为神经网络参数梯度，e为关节跟踪偏差。可选的，所述利用所述第一关节角速度数据和所述第一摩擦力矩数据进行摩擦模型辨识，获得摩擦模型，具体包括：利用所述第一关节角速度数据和所述第一摩擦力矩数据进行摩擦模型辨识，获得斯特里贝克模型；采用非线性最小二乘法确定所述斯特里贝克模型中的各个待识别参数，获得各个摩擦参数；根据各个所述摩擦参数和所述斯特里贝克模型确定机器人关节的摩擦模型。可选的，所述神经网络包括1个隐含层和10个神经元，所述神经网络的连接方式为全连接，所述神经网络的激活函数为线性整流函数。可选的，所述神经网络的表达式为：其中，x表示神经网络的输入，wij表示神经网络的权值，bj表示神经网络的偏置，Sj表示隐含层的输入，yj表示隐含层的输出，Net(x)表示神经网络的输出。可选的，所述利用梯度下降法更新所述神经网络的权值和偏置，具体包括：根据公式：更新所述神经网络的权值和偏置，其中，θnew为更新后的神经网络参数集，神经网络参数集包括神经网络的权值和偏置，θold为更新前的神经网络参数集，α为神经网络的学习速率，Netθ为神经网络，为神经网络参数梯度。一种机器人关节摩擦力矩的补偿系统，所述补偿系统包括：第一数据获取模块，用于获取机器人启动过程的第一关节角速度数据和对应所述第一关节角速度数据的第一摩擦力矩数据，所述启动过程为所述机器人以设定的速度增量启动运行至额定转速的过程；模型辨识模块，用于利用所述第一关节角速度数据和所述第一摩擦力矩数据进行摩擦模型辨识，获得摩擦模型，所述摩擦模型的输入为关节角速度，所述摩擦模型的输出为关节摩擦力矩；神经网络建立模块，用于建立神经网络，所述神经网络的输入为关节角速度，所述神经网络的输出为关节摩擦力矩；第二数据获取模块，用于获取机器人启动过程的第二关节角速度数据；第一力矩预测模块，用于将所述第二关节角速度数据输入所述摩擦模型，获得所述第二关节角速度数据对应的第一力矩预测数据；神经网络确定模块，用于将所述第二关节角速度数据和所述第一力矩预测数据作为所述神经网络的训练数据，利用梯度下降法更新所述神经网络的权值和偏置，获得神经网络预测模型；速度获取模块，用于获取机器人的随机角速度数据，所述随机角速度数据为所述机器人以随机速度运行时的角速度数据，所述随机速度小于或者等于二倍额定转速；第二力矩预测模块，用于将所述随机角速度数据输入所述神经网络预测模型，获得第二力矩预测数据；高斯采样模块，用于以所述第二力矩预测数据为均值、1为方差进行高斯采样，获得摩擦力矩补偿值；力矩补偿模块，用于根据所述摩擦力矩补偿值对所述机器人关节进行摩擦力矩补偿。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的一种机器人关节摩擦力矩的补偿方法及系统，利用第一关节角速度数据和第一摩擦力矩数据进行摩擦模型辨识，获得摩擦模型。将第二关节角速度数据输入摩擦模型，获得第二关节角速度数据对应的第一力矩预测数据；利用第二关节角速度数据和第一力矩预测数据训练神经网络，结合梯度下降法更新神经网络的权值和偏置，获得神经网络预测模型。将随机角速度数据输入神经网络预测模型，获得第二力矩预测数据。以第二力矩预测数据为均值、1为方差进行高斯采样，获得摩擦力矩补偿值。根据摩擦力矩补偿值对机器人关节进行摩擦力矩补偿。可见，本专利技术首先进行摩擦模型辨识，获得摩擦模型。工业机器人运行过程中，当关节温度、负载、润滑和磨损等参数改变后，摩擦模型也会相应改变，能够避免基于固定摩擦模型的前馈补偿方法失效的问题。在此基础上，利用辨识的摩擦模型预测生成的摩擦力矩训练神经网络，使得神经网络的训练学习过程效率更高，能够更快逼近理想效果，提高了机器人关节的跟踪速度和跟踪精度。进一步地，本专利技术通过高斯采样进行摩擦力矩前馈补偿，弥补了神经网络输出不具有探索性的缺点，使神经网络能更好的收敛，避免陷入局部最优，进一步确保跟踪精度，即使关节温度、负载、润滑和磨损等参数发生变化，也能快速实现高精度跟踪的目的。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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专利技术的一些实施例，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，还可以根据这些附图获得其它的附图。图1为本专利技术实施例提供的一种机器人关节摩擦力矩的补偿方法的流程图；图2为本专利技术实施例提供的一种机器人关节摩擦力矩的补偿系统的结构框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基本文档来自技高网...

【技术保护点】
1.一种机器人关节摩擦力矩的补偿方法，其特征在于，所述补偿方法包括：获取机器人启动过程的第一关节角速度数据和对应所述第一关节角速度数据的第一摩擦力矩数据，所述启动过程为所述机器人以设定的速度增量启动运行至额定转速的过程；利用所述第一关节角速度数据和所述第一摩擦力矩数据进行摩擦模型辨识，获得摩擦模型，所述摩擦模型的输入为关节角速度，所述摩擦模型的输出为关节摩擦力矩；建立神经网络，所述神经网络的输入为关节角速度，所述神经网络的输出为关节摩擦力矩；获取机器人启动过程的第二关节角速度数据；将所述第二关节角速度数据输入所述摩擦模型，获得所述第二关节角速度数据对应的第一力矩预测数据；将所述第二关节角速度数据和所述第一力矩预测数据作为所述神经网络的训练数据，利用梯度下降法更新所述神经网络的权值和偏置，获得神经网络预测模型；获取机器人的随机角速度数据，所述随机角速度数据为所述机器人以随机速度运行时的角速度数据，所述随机速度小于或者等于二倍额定转速；将所述随机角速度数据输入所述神经网络预测模型，获得第二力矩预测数据；以所述第二力矩预测数据为均值、1为方差进行高斯采样，获得摩擦力矩补偿值；根据所述摩擦力矩补偿值对所述机器人关节进行摩擦力矩补偿。...

【技术特征摘要】
1.一种机器人关节摩擦力矩的补偿方法，其特征在于，所述补偿方法包括：获取机器人启动过程的第一关节角速度数据和对应所述第一关节角速度数据的第一摩擦力矩数据，所述启动过程为所述机器人以设定的速度增量启动运行至额定转速的过程；利用所述第一关节角速度数据和所述第一摩擦力矩数据进行摩擦模型辨识，获得摩擦模型，所述摩擦模型的输入为关节角速度，所述摩擦模型的输出为关节摩擦力矩；建立神经网络，所述神经网络的输入为关节角速度，所述神经网络的输出为关节摩擦力矩；获取机器人启动过程的第二关节角速度数据；将所述第二关节角速度数据输入所述摩擦模型，获得所述第二关节角速度数据对应的第一力矩预测数据；将所述第二关节角速度数据和所述第一力矩预测数据作为所述神经网络的训练数据，利用梯度下降法更新所述神经网络的权值和偏置，获得神经网络预测模型；获取机器人的随机角速度数据，所述随机角速度数据为所述机器人以随机速度运行时的角速度数据，所述随机速度小于或者等于二倍额定转速；将所述随机角速度数据输入所述神经网络预测模型，获得第二力矩预测数据；以所述第二力矩预测数据为均值、1为方差进行高斯采样，获得摩擦力矩补偿值；根据所述摩擦力矩补偿值对所述机器人关节进行摩擦力矩补偿。2.根据权利要求1所述的补偿方法，其特征在于，所述根据所述摩擦力矩补偿值对所述机器人关节进行摩擦力矩补偿之后，还包括：获取关节跟踪偏差；判断所述关节跟踪偏差是否大于偏差阈值；若是，根据所述关节跟踪偏差更新所述神经网络的权值和偏置，获得更新后的神经网络预测模型。3.根据权利要求1所述的补偿方法，其特征在于，所述根据所述关节跟踪偏差更新所述神经网络的权值和偏置，具体包括：根据公式：更新所述神经网络的权值和偏置，其中，θnew为更新后的神经网络参数集，神经网络参数集包括神经网络的权值和偏置，θold为更新前的神经网络参数集，α为神经网络的学习速率，Netθ为神经网络，为神经网络参数梯度，e为关节跟踪偏差。4.根据权利要求1所述的补偿方法，其特征在于，所述利用所述第一关节角速度数据和所述第一摩擦力矩数据进行摩擦模型辨识，获得摩擦模型，具体包括：利用所述第一关节角速度数据和所述第一摩擦力矩数据进行摩擦模型辨识，获得斯特里贝克模型；采用非线性最小二乘法确定所述斯特里贝克模型中的各个待识别参数，获得各个摩擦参数；根据各个所述摩擦参数和所述斯特...

【专利技术属性】
技术研发人员：刘暾东，吴晓敏，贺苗，高凤强，王若宇，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35