【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 ...
【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:
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。