基于Wiener模型的柔性机械臂系统辨识方法和装置制造方法及图纸

本发明专利技术提供一种基于Wiener模型的柔性机械臂系统辨识方法和装置，所述方法包括：通过样本数据对四层神经模糊网络进行训练，得到柔性机械臂系统的标称模型，其中，样本数据包括柔性机械臂系统的输入变量力矩和输出变量加速度；构建柔性机械臂系统的Wiener模型，其中，Wiener模型包括动态线性模块和静态非线性模块；将可分离信号和实际力矩构成的组合信号作为Wiener模型的输入，将可分离信号经过标称模型的输出和实际加速度作为Wiener模型输出，辨识Wiener模型中动态线性模块和静态非线性模块的参数；通过辨识后的Wiener模型预测柔性机械臂系统的加速度。本发明专利技术能够降低Wiener模型计算的复杂性，提高参数辨识精度，从而能够有效控制柔性机械臂系统，提高柔性机械臂系统的工作效率。工作效率。工作效率。

【技术实现步骤摘要】
基于Wiener模型的柔性机械臂系统辨识方法和装置


[0001]本专利技术涉及工业控制
，具体涉及一种基于Wiener模型的柔性机械臂系统辨识方法和一种基于Wiener模型的柔性机械臂系统辨识装置。

技术介绍

[0002]柔性机械臂的结构轻、能耗低，拥有对工作环境的适应能力强、操作灵活、工作效率高等优点，因此在医疗、航空航天和材料学等高科技领域取得了很大的发展空间。柔性机械臂系统的控制技术极大部分是建立在模型基础上的，辨识得到的模型精度直接影响了后续控制器的设计，因此模型的选取及其参数辨识的精度为后续的控制起着至关重要的作用。
[0003]在实际的工业生产过程中，柔性机械臂系统往往具有非线性、不确定性和大时滞等内在复杂的机理问题。传统的数学机理模型已经很难准确地描述柔性机械臂系统，从而难以有效控制柔性机械臂，导致无法提高生产效率。
[0004]近年来，在柔性机械臂系统的辨识建模研究中，取得了许多重要的成果，但依然存在问题，主要原因是：现有的主要辨识方法中往往存在参数的乘积项，需要进一步采用参数分解技术分离混合参数，因此增加了计算的复杂性，降低了参数辨识的精度。

技术实现思路

[0005]本专利技术为解决上述技术问题，提供了一种基于Wiener模型的柔性机械臂系统辨识方法和装置，能够降低Wiener模型计算的复杂性，提高参数辨识精度，从而能够有效控制柔性机械臂系统，提高柔性机械臂系统的工作效率。
[0006]本专利技术采用的技术方案如下：
[0007]一种基于Wiener模型的柔性机械臂系统辨识方法，包括以下步骤：通过样本数据对四层神经模糊网络进行训练，得到所述柔性机械臂系统的标称模型，其中，所述样本数据包括所述柔性机械臂系统的输入变量力矩和输出变量加速度；构建所述柔性机械臂系统的Wiener模型，其中，所述Wiener模型包括动态线性模块和静态非线性模块；将可分离信号和实际力矩构成的组合信号作为所述Wiener模型的输入，将所述可分离信号经过所述标称模型的输出和实际加速度作为所述Wiener模型输出，辨识所述Wiener模型中所述动态线性模块和所述静态非线性模块的参数；通过辨识后的Wiener模型预测所述柔性机械臂系统的加速度。
[0008]所述标称模型为：
[0009][0010]其中，k表示采样时间，u(k)表示所述柔性机械臂系统的力矩，以所述柔性机械臂系统的力矩作为所述标称模型的输入，y(k)表示所述柔性机械臂系统的加速度，以所述柔性机械臂系统的加速度作为所述标称模型的输出，w
l
(l＝1,
…
,L)为神经模糊网络的权重，
L为模糊规则数，且为高斯隶属度函数，c
l
为高斯隶属度函数的中心，σ
l
为高斯隶属度函数的宽度。
[0011]构建所述柔性机械臂系统的Wiener模型，具体包括：采用时滞状态空间模型拟合所述Wiener模型的动态线性模块；采用多项式模型拟合所述Wiener模型的静态非线性模块。
[0012]所述时滞状态空间模型为：
[0013]x(k+1)＝Ax(k)+Bx(k
‑
1)+hu(k)
[0014]v(k)＝cx(k)
[0015]其中，以所述柔性机械臂系统的力矩作为所述时滞状态空间模型的输入，x(k)为状态变量，A∈R
n
×
n
、B∈R
n
×
n
、h∈R
n
×1以及c∈R1×
n
均是系统参数矩阵，v(k)为时滞状态空间模型的输出，
[0016]基于单位后移算子的特性：x(k
‑
1)＝z
‑1x(k)和x(k+1)＝zx(k)，所述时滞状态空间模型转化为下列输入输出关系：
[0017][0018]其中，a(z)＝z
‑
2n
det[z2I
‑
Az
‑
B]＝1+a1z
‑1+
…
+a
2n
z
‑
2n
，b(z)＝z
‑
2n+1
cadj[z2I
‑
Az
‑
B]h＝b1z
‑1+
…
+b
2n
‑1z
‑
(2n
‑
1)
。
[0019]所述多项式模型为：
[0020]y(k)＝f(v(k))＝c1v(k)+c2v2(k)+
…
+c
r
v
r
(k)
[0021]其中，c1,c2,
…
,c
r
为所述多项式模型的系数，r为模型阶次。
[0022]所述Wiener模型的表达式为：
[0023][0024]y(k)＝f(v(k))+e(k)
[0025]其中，e(k)表示白噪声，f(
·
)表示静态非线性模块，由多项式模型描述，n
a
和n
b
表示模型阶次。
[0026]辨识所述Wiener模型中所述动态线性模块和所述静态非线性模块的参数，具体包括：将可分离信号u1(k)和实际力矩u2(k)构成的组合式信号作为所述Wiener模型输入，将所述可分离信号经过所述标称模型的输出y1(k)和实际加速度y2(k)作为所述Wiener模型输出；基于所述可分离信号的输入输出数据{u1(k),y1(k)}，利用相关性分析法辨识所述多项式模型的系数a
i
(i＝1,2,
…
,n
a
)、b
j
(j＝1,2,
…
,n
b
)；基于所述柔性机械臂系统的力矩输入数据和加速度输出数据{u2(k),y2(k)}，采用递推最小二乘方法辨识所述多项式模型的系数
c
r
。
[0027]所述可分离信号包括二进制信号、高斯信号和正弦信号。
[0028]通过辨识后的Wiener模型预测所述柔性机械臂系统的加速度，具体包括：将待预测的柔性机械臂系统的力矩输入辨识后的Wiener模型，以输出预测的加速度。
[0029]一种基于Wiener模型的柔性机械臂系统辨识装置，包括：训练模块，所述训练模块用于通过样本数据对四层神经模糊网络进行训练，得到所述柔性机械臂系统的标称模型，其中，所述样本数据包括所述柔性机械臂系统的输入变量力矩和输出变量加速度；构建模块，所述构建模块用于构建所述柔性机械臂系统的Wiener模型，其中，所述Wiener模型包括动态线性模块和静态非线性模块；辨识模块，所述辨识模块用于将可分离信号和实际力矩构成的组合信号作为所述Wiener模型的输入，将所述可分离信号经过所述标称模型的输出和实际加速度作为所述Wiene本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Wiener模型的柔性机械臂系统辨识方法，其特征在于，包括以下步骤：通过样本数据对四层神经模糊网络进行训练，得到所述柔性机械臂系统的标称模型，其中，所述样本数据包括所述柔性机械臂系统的输入变量力矩和输出变量加速度；构建所述柔性机械臂系统的Wiener模型，其中，所述Wiener模型包括动态线性模块和静态非线性模块；将可分离信号和实际力矩构成的组合信号作为所述Wiener模型的输入，将所述可分离信号经过所述标称模型的输出和实际加速度作为所述Wiener模型输出，辨识所述Wiener模型中所述动态线性模块和所述静态非线性模块的参数；通过辨识后的Wiener模型预测所述柔性机械臂系统的加速度。2.根据权利要求1所述的基于Wiener模型的柔性机械臂系统辨识方法，其特征在于，所述标称模型为：其中，k表示采样时间，u(k)表示所述柔性机械臂系统的力矩，以所述柔性机械臂系统的力矩作为所述标称模型的输入，y(k)表示所述柔性机械臂系统的加速度，以所述柔性机械臂系统的加速度作为所述标称模型的输出，w
l
(l＝1,
…
,L)为神经模糊网络的权重，L为模糊规则数，且为高斯隶属度函数，c
l
为高斯隶属度函数的中心，σ
l
为高斯隶属度函数的宽度。3.根据权利要求2所述的基于Wiener模型的柔性机械臂系统辨识方法，其特征在于，构建所述柔性机械臂系统的Wiener模型，具体包括：采用时滞状态空间模型拟合所述Wiener模型的动态线性模块；采用多项式模型拟合所述Wiener模型的静态非线性模块。4.根据权利要求3所述的基于Wiener模型的柔性机械臂系统辨识方法，其特征在于，所述时滞状态空间模型为：x(k+1)＝Ax(k)+Bx(k
‑
1)+hu(k)v(k)＝cx(k)其中，以所述柔性机械臂系统的力矩作为所述时滞状态空间模型的输入，x(k)为状态变量，A∈R
n
×
n
、B∈R
n
×
n
、h∈R
n
×1以及c∈R1×
n
均是系统参数矩阵，v(k)为时滞状态空间模型的输出，基于单位后移算子的特性：x(k
‑
1)＝z
‑1x(k)和x(k+1)＝zx(k)，所述时滞状态空间模型转化为下列输入输出关系：
其中，a(z)＝z
‑
2n
det[z2I
‑
Az
‑
B]＝1+a1z
‑1+
…
+a
2n
z
‑
2n
，b(z)＝z
‑
2n+1
cadj[z2I
‑
Az
‑
B]h＝b1z
‑1+
…
+b
2n
‑1z
...

【专利技术属性】
技术研发人员：李峰，丁振宇，李婕，俞洋，陶为戈，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：