基于NARXNN-CNN混合迟滞模型的机器人关节补偿控制方法技术

本发明专利技术公开基于NARXNN

【技术实现步骤摘要】
基于NARXNN
‑
CNN混合迟滞模型的机器人关节补偿控制方法


[0001]本专利技术涉及协作机器人
，具体涉及一种基于NARXNN
‑
CNN混合迟滞模型的机器人关节补偿控制方法。

技术介绍

[0002]柔性关节迟滞特性是指负载力矩滞后于扭转角(理想输出与实际输出角之差)的输入输出关系，它是协作机器人关节中存在的一种特有迟滞非线性现象。谐波减速器是协作机器人柔性关节的主要部件，也是导致关节具有强非线性特性的根源。谐波减速器在动力传动过程中，由于柔轮受载变形时的弹性变形能量损失，柔轮与刚轮齿合时的摩擦损失，其固有的机械结构特性使得柔性关节在运动过程中不可避免地出现迟滞非线性，影响协作机器人的位置执行精度。

技术实现思路

[0003]本专利技术所要解决的是协作机器人柔性关节存在迟滞非线性现象而影响协作机器人的位置执行精度的问题，提供一种基于NARXNN
‑
CNN混合迟滞模型的机器人关节补偿控制方法。
[0004]为解决上述问题，本专利技术是通过以下技术方案实现的：
[0005]基于NARXNN
‑
CNN混合迟滞模型的机器人关节补偿控制方法，包括步骤如下：
[0006]步骤1、构建NARXNN
‑
CNN混合迟滞模型；该NARXNN
‑
CNN混合迟滞模型由非线性自回归神经网络和卷积神经网络组成，其中非线性自回归神经网络的输入端形成NARXNN
‑
CNN混合迟滞模型的输入端，非线性自回归神经网络的输出端连接卷积神经网络的输入端，卷积神经网络的输出端形成NARXNN
‑
CNN混合迟滞模型的输出端；
[0007]步骤2、实际测量的机器人关节在运行之初的N个历史时刻实际的关节力矩和关节扭转角对步骤1所构建的NARXNN
‑
CNN混合迟滞模型的参数进行学习，得到最终NARXNN
‑
CNN混合迟滞模型；在NARXNN
‑
CNN混合迟滞模型的学习过程中：
[0008]首先，将k
‑
2时刻实际的关节力矩τ
J
(k
‑
2)、k
‑
1时刻实际的关节力矩τ
J
(k
‑
1)、k
‑
2时刻实际的关节扭转角Δθ(k
‑
2)、以及k
‑
1时刻实际的关节扭转角Δθ(k
‑
1)同时送入到NARXNN
‑
CNN混合迟滞模型的非线性自回归神经网络中，得到k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)，并计算k时刻实际的关节扭转角Δθ(k)与k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)的非线性自回归神经网络误差e1＝Δθk)
‑
Δθ'(k)；
[0009]然后，将k
‑
1时刻实际的关节力矩τ
J
(k
‑
1)、k
‑
1时刻实际的关节扭转角Δθ(k
‑
1)、k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)、以及k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)与k
‑
1时刻实际的关节扭转角Δθ(k
‑
1)的差值同时送入到NARXNN
‑
CNN混合迟滞模型的卷积神经网络中，得到k时刻卷积神经网络预测的关节扭转角并计算k时刻实际的关节扭转角Δθ(k)与k时刻卷积神经网络预测的关节扭转角
的卷积神经网络误差
[0010]最后，基于独立分段式损失函数对NARXNN
‑
CNN混合迟滞模型进行独立分段式反向误差传递学习，得到最终NARXNN
‑
CNN混合迟滞模型；其中损失函数V为：
[0011][0012]其中，e1为非线性自回归神经网络误差，e2为卷积神经网络误差；ω为设定的权重系数，且0＜ω＜1；k＝3,4,
…
,N+2，N为设定的历史时刻数；
[0013]步骤3、将当前时刻的前二个时刻实际的关节力矩、当前时刻的前一个时刻实际的关节力矩、当前时刻的前二个时刻实际的关节扭转角、当前时刻的前一个时刻实际的关节扭转角送入到步骤2所得到的最终NARXNN
‑
CNN混合迟滞模型中，得到当前时刻预测的关节扭转角；
[0014]步骤4、将当前时刻补偿前的关节角度设定值加上步骤3所得到的当前时刻预测的关节扭转角，得到当前时刻补偿后的关节角度设定值；并将当前时刻补偿后的关节角度设定值提供给机器人的关节控制端，以间接抵消关节表现出的迟滞特性，实现在不同负载下关节输出角度不随负载而变化。
[0015]上述方法中，历史时刻实际的关节力矩是通过力矩传感器直接测量所得到的，历史时刻实际的关节扭转角是利用机器人的控制端输入的关节角度设定值与角度传感器所测量关节角度输出值作差运算所得到的。
[0016]上述方法中，卷积神经网络由输入层、卷积层、2层全连接层和输出层组成；输入层形成卷积神经网络的输入，输入层的输出连接卷积层的输入，卷积层的输出连接第一个全连接层的输入，第一个全连接层的输出形成卷积神经网络的输出。
[0017]上述方法中，2层全连接层均为以RELU为激活函数的全连接层。
[0018]上述方法中，权重系数ω＞0.5。
[0019]与现有技术相比，本专利技术具有如下特点：
[0020]1.针对机器人柔性关节传递精度随负载变化，关节输入输出角度之差扭转角与输出力矩表现为强非线性、非对称性及非光滑性的复杂迟滞特性，设计了一种NARXNN
‑
CNN混合迟滞模型，该NARXNN
‑
CNN混合迟滞模型通过在NARXNN(非线性自回归神经网络)后引入CNN(卷积神经网络)，CNN实现NARXNN模型误差的幅值与相位特征的抽取，构建NARXNN与CNN串联的复合迟滞模型，以实现对NARXNN迟滞模型误差的幅值和相位的补偿，提高模型精度。
[0021]2.针对NARXNN
‑
CNN混合迟滞模型，设计独立分段式损失函数来实现独立分段偏差反向传递学习，实现模型中前后层在参数学习过程中的影响或耦合，解决了学习过程中梯度消失或爆炸问题，与整体式偏差反向传递相比较，有效提高了学习速度，提高模型的建模精度。
[0022]3.通过NARXNN
‑
CNN混合迟滞模型预测扭转角的修正量，并利用该扭转角的修正量对关节角度设定值进行补偿，通过建模与补偿，以关节智能建模与前馈补偿方法，提高机器人关节的角度传递精度，间接避免了由于关节材料、制造及复杂结构的装配及负载变化等所造成的关节传递误差。
附图说明
[0023]图1为柔性关节迟滞特性，其中(a)为关节位置设定值信号曲线，(b)为负本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于NARXNN
‑
CNN混合迟滞模型的机器人关节补偿控制方法，其特征是，包括步骤如下：步骤1、构建NARXNN
‑
CNN混合迟滞模型；该NARXNN
‑
CNN混合迟滞模型由非线性自回归神经网络和卷积神经网络组成，其中非线性自回归神经网络的输入端形成NARXNN
‑
CNN混合迟滞模型的输入端，非线性自回归神经网络的输出端连接卷积神经网络的输入端，卷积神经网络的输出端形成NARXNN
‑
CNN混合迟滞模型的输出端；步骤2、采集机器人关节在运行之初的N个历史时刻实际的关节力矩和关节扭转角对步骤1所构建的NARXNN
‑
CNN混合迟滞模型的参数进行学习，得到最终NARXNN
‑
CNN混合迟滞模型；在NARXNN
‑
CNN混合迟滞模型的学习过程中：首先，将k
‑
2时刻实际的关节力矩τ
J
(k
‑
2)、k
‑
1时刻实际的关节力矩τ
J
(k
‑
1)、k
‑
2时刻实际的关节扭转角Δθ(k
‑
2)、以及k
‑
1时刻实际的关节扭转角Δθ(k
‑
1)同时送入到NARXNN
‑
CNN混合迟滞模型的非线性自回归神经网络中，得到k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)，并计算k时刻实际的关节扭转角Δθ(k)与k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)的非线性自回归神经网络误差e1＝Δθ(k)
‑
Δθ'(k)；然后，将k
‑
1时刻实际的关节力矩τ
J
(k
‑
1)、k
‑
1时刻实际的关节扭转角Δθ(k
‑
1)、k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)、以及k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)与k
‑
1时刻实际的关节扭转角Δθ(k
‑
1)的...

【专利技术属性】
技术研发人员：党选举，马樑海，原翰玫，李晓，伍锡如，张向文，张斌，季运佳，邹水中，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：