基于数字孪生的工业机器人动力学参数自学习辨识方法技术

本申请公开了一种基于数字孪生的工业机器人动力学参数自学习辨识方法。本申请利用数字孪生平台建立控制器与动力学参数识别模型的实时数据交互，为参数识别提供实时数据支撑；依据工业机器人动力学模型线性化函数的回归矩阵建立具有学习能力的工业机器人动力学参数辨识方法，在随机生成的关节运动样本中选择最优的样本添加到辨识模型中，在使用尽量少的关节运动样本情况下，实现动力学参数的高精度辨识；通过数字孪生平台积累工业机器人在不同负载条件下的运行数据，辨识不同负载条件的动力学参数，并建立动力学参数定期更新机制，使所建动力学模型在工业机器人整个寿命周期内具有较高的精度。内具有较高的精度。内具有较高的精度。

【技术实现步骤摘要】
基于数字孪生的工业机器人动力学参数自学习辨识方法


[0001]本公开涉及工业机器人动力学参数辨识
，具体涉及一种基于数字孪生的工业机器人动力学参数自学习辨识方法。

技术介绍

[0002]基于最优激励轨迹的动力学参数辨识方法要求工业机器人关节以特定的角位移、角速度及角加速度运动，对工业机器人控制器开放程度及控制算法均提出了较高的要求，而目前国内工业机器人主机厂生产的控制器及控制算法多数无法满足要求，严重制约了动力学参数识别工作的开展；此外，基于人工神经网络的参数辨识方法所得参数不能体现工业机器人系统的实际物理意义。
[0003]根据现有动力学参数识别方法建立的工业机器人动力学模型沿不同运动轨迹的计算精度一致性较差；另外，负载条件对工业机器人惯性参数的影响较大，使得所建模型在不同负载条件下的精度保持性较差。
[0004]现有工业机器人动力学参数识别是一个数据采集
‑
识别
‑
验证的离线识别过程，操作过程较繁琐，且随着工业机器人服役时间的增长，其性能及动力学参数会发生变化，而现有动力学参数识别方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的工业机器人动力学参数自学习辨识方法，包括：工业机器人，所述工业机器人为多自由度模块化机器人，且其具有若干个关节，其特征在于，所述自学习辨识方法包括：S1、获取工业机器人各关节的运动数据集合；S2、利用所述运动数据集合，构建所述工业机器人的动力学方程，所述动力学方程包括回归矩阵和待识别参数向量；S3、获取所述工业机器人各关节的运动限制范围；S4、在所述运动限制范围内进行随机取样，形成参数辨识样本集；S5、在所述参数辨识样本集中随机获取一组初始样本，形成参数辨识初始样本集；S6、将所述初始样本带入所述回归矩阵，构建参数辨识信息矩阵；S7、根据Hadamard不等式和所述参数辨识信息矩阵，构建初始样本的目标函数；S8、重复S3
‑
S7，直至所述初始样本的目标函数达到第一设定阈值时停止；S9、利用所述初始样本的目标函数达到所述第一设定阈值时选出的一组初始样本，形成最优参数辨识初始样本集；S10、控制所述工业机器人完成最优参数辨识初始样本集中的初始样本对应的运动，形成实际运动数据集；S11、将所述工业机器人实际运动数据集带入动力学方程，建立工业机器人初始动力学模型；S12、利用所述初始动力学模型，评估所述参数辨识样本集中所有样本点处的动力学模型响应；S13、利用最大熵理论，获得动力学响应的熵；S14、利用所述参数辨识样本集中选择所述参数辨识初始样本集后剩余的样本点带入到所述回归矩阵中，建立参数识别信息矩阵；S15、对所述参数辨识信息矩阵进行列旋转QR分解并通过秩排序在剩余的样本点中选出一个最优样本；S16、利用所述最优样本的数据，控制所述工业机器人完成对应运动，获得一份新样本信息；S17、将所述新样本信息加入到所述最优参数辨识初始样本集中，形成新实际运动数据集；S18、将所述新实际运动数据集带入所述动力学方程，建立动力学模型；S19、重复S12
‑
S18，直至连续两次获得的所述动力学响应的熵的变动近似为零时停止，此时获得精确的动力学参数；S20、采集所述工业机器人日常运行中各关节的运行数据，所述运行数据包括实际转矩；S21、将所述各关节的运行数据带入所述动力学模型中，经仿真计算获得对应的各关节的仿真转矩；S22、利用所述各关节的实际转矩和所述各关节的仿真转矩，做差得到两者的差值；S23、若差值大于第二设定阈值，则重复S3
‑
S22，若差值小于所述第二设定阈值，则使用此动力学模型。
2.如权利要求1所述的一种基于数字孪生的工业机器人动力学参数自学习辨识方法，其特征在于：在S2中，所述工业机器人的动力学方程表示为：其中，τ∈R
n
×1为n个关节转矩组成的列向量，也为工业机器人的动力学方程；R表示数据空间；是包含获取的各关节的角位移q、角速度角加速度试验运动信息的回归矩阵；是待识别参数向量，N
b
是待辨识参数个数，待辨识参数包括：
①
分别表示连杆i绕关节坐标系x、y和z坐标轴的惯性矩，i＝1,2,
…
,n；
②
分别表示连杆i绕关节坐标系x和y坐标轴的惯性积、连杆i绕关节坐标系y和z坐标轴的惯性积、连杆i绕关节坐标系x和z坐标轴的惯性积，i＝1,2,
…
,n；
③
是连杆i的质心位置矢量在关节坐标系x、y和z坐标轴方向的投影，i＝1,2,
…
,n；
④
表示连杆i+1的关节位置，i＝1,2,
…
,n；
⑤
m
i
是连杆i的质量，i＝1,2,
…
,n。3.如权利要求2所述的一种基于数字孪生的工业机器人动力学参数自学习辨识方法，其特征在于：通过S3
‑
S9，建立最优参数辨识初始样本集的方法如下：在如下关节角位移及角速度约束区间内随机采样，其中，q
max
、v
max
和a
max
分别表示所允许的最大角位移、最大角速度和最大角加速度；t0、t
f
、i和t分别表示初始采样时刻、结束采样时刻、第i关节和采样时刻t；q
i
(t)表示第i关节t采样时刻的角位移；表示第i关节t采样时刻的角速度；表示第i关节t采样时刻的角加速度；表示第i关节初始采样时刻的角速度；表示第i关节结束采样时刻的角速度；表示第i关节初始采样时刻的角加速度；表示第i关节结束采样时刻的角加速度；
形成参数辨识样本集S，S＝{ξ1,ξ2,
…
,ξ
η
,
…
,ξ
N
}；其中，N表示随机样本的个数；ξ1表示第1组各关节的角位移q及角速度所确定的随机运动；ξ2表示第2组各关节的角位移q及角速度所确定的随机运动；ξ
η
表示第η组各关节的角位移q及角速度所确定的随机运动；ξ
N
表示第N组各关节的角位移q及角速度所确定的随机运动；为保证回归矩阵中各项的存在，设置各关节角加速度因此，q、和组成了参数辨识中的一个随机样本，表示为如下形式：式中，q
η
和分别表示第η组随机样本中各关节角位移和角速度组成的向量；如下所示：其中，和分别表示第η组随机样本中第i关节的角位移和角速度；在所述参数辨识样本集中随机获取一组初始样本，形成参数辨识初始样本集如下所示：其中，表示被选到的第m1个样本，表示为如下形式：其中，m1＝1,2,
…
,m；和分别表示被选到的第m1个样本中的各关节角位移和角速度组成的列向量，表示为如下形式：其中，和分别表示被选到的第m1个随机样本中第i关节的角位移和角速度；将所述初始样本带入...

【专利技术属性】
技术研发人员：吴锦辉，王顺宇，韩旭，田鹏鹏，陶友瑞，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：