一种基于神经网络的工业机器人动力学辨识方法技术

本发明专利技术提出了一种基于神经网络的工业机器人动力学辨识方法，包括以下步骤：S1、选用循环神经网络作为工业机器人动力学的近似模型；S2、辨识实验轨迹；S3、数据采集和预处理；S4、模型参数辨识；S5、模型验证。本发明专利技术选用循环神经网络作为工业机器人动力学的近似模型，利用上述采集得到的机器人运动数据，使用二阶学习算法列文伯格‑马夸尔特算法训练动力学模型的参数，最终得到一个能够准确反映工业机器人关节运动变量和关节电机转矩两种数据之间的关系的动力学模型。本发明专利技术有助于提高机器人的控制性能。

A dynamic identification method of industrial robot based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的工业机器人动力学辨识方法
本专利技术涉及工业机器人
，特别涉及一种基于利用神经网络对工业机器人进行动力学参数辨识的方法。
技术介绍
工业机器人的动力学模型广泛被应用于工业机器人技术的很多方面，包括：工业机器人的控制、离线仿真、能耗和优化、最优控制方案设计等。一个准确反映工业机器人关节变量与关节电机驱动转矩关系的动力学模型，依赖于动力学模型参数的准确性。然而，由于工业机器人在生产制造过程中存在不可避免的误差，工业机器人内部高度集成化和高耦合性导致工业机器人动力学参数存在不确定性，这种不确定性影响了动力学模型的准确性，从而降低其在控制和仿真场景中的应用性能。因此，根据工业机器人的实际数据对其动力学模型进行辨识具有必要性。动力学辨识主要包括：建模/模型选择、辨识实验设计、数据采集和预处理、模型参数辨识和模型验证。据查，现阶段常用的工业机器人动力学辨识方法有：直接测量法、基于最小二乘拟合的动力学辨识法。其中，直接测量法通过利用测量工具直接对工业机器人连杆进行质量、质心位置、惯量等参数的测量，或根据工业机器人的CA本文档来自技高网...

【技术保护点】
1.一种基于神经网络的工业机器人动力学辨识方法，其特征在于，包括以下步骤：/nS1、选用循环神经网络作为工业机器人动力学的近似模型；/nS2、设置辨识实验轨迹，利用周期性的激励轨迹控制机器人进行辨识实验运动；/nS3、数据采集和预处理，采集机器人再运动过程中的每个关节的运动变量：关节角位移、关节角速度、关节角加速度，以及每个关节电机的驱动转矩；/nS4、模型参数辨识，使用列文伯格-马夸尔特算法训练近似模型的参数；/nS5、模型验证，利用近似模型的预测误差验证近似模型的效果；/nS6、根据步骤S5验证后的近似模型，预测和控制机器人。/n

【技术特征摘要】
1.一种基于神经网络的工业机器人动力学辨识方法，其特征在于，包括以下步骤：
S1、选用循环神经网络作为工业机器人动力学的近似模型；
S2、设置辨识实验轨迹，利用周期性的激励轨迹控制机器人进行辨识实验运动；
S3、数据采集和预处理，采集机器人再运动过程中的每个关节的运动变量：关节角位移、关节角速度、关节角加速度，以及每个关节电机的驱动转矩；
S4、模型参数辨识，使用列文伯格-马夸尔特算法训练近似模型的参数；
S5、模型验证，利用近似模型的预测误差验证近似模型的效果；
S6、根据步骤S5验证后的近似模型，预测和控制机器人。


2.根据权利要求1所述的一种基于神经网络的工业机器人动力学辨识方法，其特征在于，工业机器人传统的动力学模型即原模型表示为：



其中，t表示时间变量，动力学方程的变量包括关节角位移q(t)、角速度角加速度关节电机转矩τ(t)；方程参数：M(q(t))为惯性矩阵，与角位移q(t)有关；为离心力和哥氏力矩阵，与角位移q(t)和角速度有关；G(q(t))为重力矩阵，与角位移q(t)有关；
步骤S1具体是选用循环神经网络-带外部输入的非线性自回归神经网络模型(NonlinearAutoRegressivewitheXternalinputneuralnetwork，NARXneuralnetwork，NARX循环神经网络，下文统称为近似模型)，对原模型进行近似，近似模型的数学表述：



其中，fNARX表示NARX循环神经网络的映射关系，W,b分别表示NARX循环神经网络中的权重向量和偏置向量，表示在时刻t每个关节组成的关节运动变量，其中q(t)为关节角位移，为关节角速度，为关节角加速度；实际运算中，连续时间会被离散化成N个离散时刻[t1,t2…tn]，tn表示第n个离散时刻；x(t-tn)＝[x(t-t1),x(t-t2),…,x(t-tn)]表示在历史时刻[t-t1,t-t2,…,t-tn]的关节运动变量向量；同理，表示在时刻t所述的动力学模型输出的电机驱动转矩估计值，表示在历史时刻[t-t1,t-t2,…,t-tn]的关节电机转矩向量；
根据式(2)的模型数学表述，关节运动变量x(t)为动力学模型的外部输入；电机驱动转矩既是近似模型当前时刻的估计输出，又在下一时刻作为近似模型的输入；W,b为近似模型参数，该参数通过列文伯格-马夸尔特学习算法调整至最优参数值。


3.根据权利要求1所述的一种基于神经网络的工业机器人动力学辨识方法，其特征在于，步骤S2的辨识实验轨迹设置具体如下：
对于机器人的每个关节，采用有限项傅里叶级数组成的周期性关节角度激励轨迹，作为控制信号控制工业机器人进行辨识实验运动，周期性的激励轨迹能提高实验数据的信噪比，更易于通过差分从关节角度数据求得关节角速度和关节角加速度，周期性的激励如式(3～5)所示，其中i表示第i个关节，Nf,i为第i个关节傅里叶级数轨迹的项数Nf，l为表示第l项傅里叶级数，wf＝2πff为基础角频率，ff为基础频率，al,i和bl,i为正余弦函数的幅值，ql0为偏移项，qi(t)为关节角位移，为关节角速度，为关节角加速度









式(3)为傅里叶级数关节的轨迹，关节的轨迹即角位移变化主要由幅值al,i和bl,i、偏移ql0、项数Nf,i以及基频wf决定。
<...

【专利技术属性】
技术研发人员：张平，赵俊宇，李方，陈昕叶，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44