一种机器人一体化关节摩擦特性模型的构建方法及系统技术方案

本发明专利技术提出的一种机器人一体化关节摩擦特性预测模型的构建方法及系统，所述方法包括：获取一体化关节的实际运行数据，以构建测试验证数据集；分析预设因素对摩擦特性的影响，建立一体化关节的理论摩擦模型；在验证数据集中选取BP神经网络的输入和输出数据，经过训练后，生成BP神经网络模型；通过确定的训练数据，基于BP神经网络模型建立一体化关节摩擦非线性部分的BP神经网络摩擦预测模型；将一体化关节的理论摩擦模型和BP神经网络摩擦预测模型线性叠加，生成一体化关节摩擦特性预测模型。本发明专利技术通过分析各种因素对一体化关节摩擦特性的影响，建立包括理论摩擦模型和神经网络模型的综合摩擦模型，便于后续基于模型进行摩擦补偿。擦补偿。擦补偿。

【技术实现步骤摘要】
一种机器人一体化关节摩擦特性模型的构建方法及系统


[0001]本专利技术涉及一体化关节摩擦特性分析
，更具体的说是涉及一种机器人一体化关节摩擦特性模型的构建方法及系统。

技术介绍

[0002]一体化关节是一种由伺服电机、旋转编码器和精密谐波减速器组成的装置，具有结构紧凑、集成度高、重量轻、传动精度高、输出扭矩大的优点，多应用于机器人的小臂、腕部或手部。一体化关节采用集约式一体化中控设计，超薄型减速机搭配DC伺服电机一体化设计，一体化电机中央的贯穿孔可穿过配线，气管线，极大的方便了机器人整体设计，使机器人的设计走向模块化，轻量化，同时提升机器人在批量生产化时的合格率。因此，采用一体化关节的机器人在工业、医疗和海洋行业发挥了不可替代的作用。随着机器人行业的迅速发展，对一体化关节产业提出了更高的需求，但是一体化关节的控制精度却受到非线性摩擦的严重制约。
[0003]为了提高一体化关节的控制精度，对其摩擦特性的分析和研究是至关重要的。传统的方法是优化一体化关节的结构设计，尽量避免产生因加工装配导致的摩擦，但是这种方法只能减小关节摩擦转矩，并不能消除摩擦转矩导致的控制精度低。因此急需要对一体化关节摩擦特性进行分析，基于分析结果进行更准确的摩擦建模，最终补偿关节摩擦导致的效率损失。
[0004]有鉴于此，本专利技术提供一种机器人一体化关节摩擦特性模型的构建方法及系统，以解决现有技术存在的不足，是非常有必要的。

技术实现思路

[0005]针对以上问题，本专利技术的目的在于提供一种机器人一体化关节摩擦特性模型的构建方法及系统，通过分析各种因素对一体化关节摩擦特性的影响，建立包括理论摩擦模型和神经网络模型的综合摩擦模型，便于后续基于模型进行摩擦补偿。
[0006]本专利技术为实现上述目的，通过以下技术方案实现：一种机器人一体化关节摩擦特性模型的构建方法，包括如下步骤：
[0007]S1：获取一体化关节的实际运行数据，以构建测试验证数据集；
[0008]S2：分析预设因素对一体化关节摩擦特性的影响，根据预设因素影响下的理论摩擦模型建立一体化关节的理论摩擦模型；
[0009]S3：在验证数据集中选取BP神经网络的输入和输出数据，经过训练后，生成BP神经网络模型；
[0010]S4：通过确定的训练数据，基于BP神经网络模型建立一体化关节摩擦非线性部分的BP神经网络模型，作为BP神经网络摩擦预测模型；
[0011]S5：将一体化关节的理论摩擦模型和BP神经网络摩擦预测模型线性叠加，生成一体化关节摩擦特性预测模型。
[0012]进一步，一体化关节的实际运行数据包括：一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩和几何传动误差。
[0013]进一步，测试验证数据集包括：一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩。
[0014]进一步，预设因素对一体化关节摩擦特性的影响包括：输入端转速对一体化关节摩擦特性的影响、几何传动误差对一体化关节摩擦特性的影响和负载转矩对一体化关节摩擦特性的影响。
[0015]进一步，预设因素影响下的理论摩擦模型包括：一体化关节的输入端转速导致的Stribeck经典摩擦模型、几何传动误差导致的傅里叶级数摩擦模型和一体化关节的负载转矩导致的幂函数摩擦模型。
[0016]进一步，根据预设因素影响下的理论摩擦模型建立一体化关节的理论摩擦模型，包括：
[0017]通过分析一体化关节的输入端转速、几何传动误差和一体化关节的负载转矩对摩擦特性的影响，应用函数拟合方法建立关于影响因素的一体化关节的理论摩擦模型。
[0018]进一步，BP神经网络的输入数据包括：一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩和一体化关节的理论摩擦模型生成的预测值。
[0019]进一步，BP神经网络的输出数据包括：一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型生成的预测值的差值。
[0020]进一步，将BP神经网络的输入数据和输出数据放入BP神经网络并进行训练，将训练好的BP神经网络作为BP神经网络模型。
[0021]进一步，一体化关节摩擦非线性部分包括：一体化关节的理论摩擦模型无法描述的非线性摩擦，关节运行过程中的摩擦突变，一体化关节的理论摩擦模型导致的摩擦转矩误差，刚度对一体化关节摩擦特性的影响。
[0022]相应的，本专利技术还公开了一种机器人一体化关节摩擦特性预测模型的构建系统，包括：输入模块、理论摩擦模型模块、实际摩擦获取模块、神经网络模型模块、模型运算模块和综合摩擦模型模块；
[0023]输入模块，用于获取一体化关节的实际运行数据，构建测试验证数据集，以提供一体化关节的理论摩擦模型和BP神经网络摩擦预测模型预测所需要的输入数据；
[0024]理论摩擦模型模块，用于描述各种因素对一体化关节摩擦特性的影响，并通过模型公式计算出摩擦转矩；
[0025]实际摩擦获取模块，用于获取一体化关节的预设因素导致的摩擦转矩；
[0026]神经网络模型模块，用于描述一体化关节非线性摩擦部分，并补偿一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型预测结果的差值；
[0027]模型运算模块，用于一体化关节的理论摩擦模型和BP神经网络摩擦预测模型的线性叠加；
[0028]综合摩擦模型模块，用于描述预设因素对一体化关节摩擦特性的影响，并补偿一体化关节的理论摩擦模型导致的摩擦转矩误差。
[0029]进一步，输入模块、理论摩擦模型模块共同作为神经网络模型模块的输入端；所述神经网络模型模块输出端输出的摩擦特征包括：一体化关节的理论摩擦模型无法描述的非
线性摩擦，关节运行过程中的摩擦突变，一体化关节的理论摩擦模型导致的摩擦转矩误差，负载转矩导致的刚度变化造成的关节摩擦。
[0030]进一步，神经网络模型模块包括输入单元和输出单元；
[0031]输入单元，用于获取神经网络模型模块的输入数据，输入数据包括一体化的关节输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩和一体化关节的理论摩擦模型的预测值；
[0032]输出单元，用于生成神经网络模型模块的输出数据，作为神经网络模型模块的预测值输入到模型运算模块；输出数据包括一体化关节的实际摩擦转矩和一体化关节的理论摩擦模型生成的预测值的差值。
[0033]对比现有技术，本专利技术有益效果在于：本专利技术公开了一种机器人一体化关节摩擦特性模型的构建方法及系统，实现了将一体化关节的输入端转矩、输入端角位置、负载转矩和理论摩擦模型预测值同时作为BP神经网络的输入端，BP神经网络的输入端能够预测出理论摩擦模型和实际摩擦转矩的差值，训练出的BP神经网络模型能够预测理论模型无法描述的非线性摩擦，并且通过理论摩擦模型和BP神经网络模型线性相加得到一体化关节摩擦特性预测模型。
[0034]本专利技术通过分析各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人一体化关节摩擦特性预测模型的构建方法，其特征在于，包括如下步骤：S1：获取一体化关节的实际运行数据，以构建测试验证数据集；S2：分析预设因素对一体化关节摩擦特性的影响，根据预设因素影响下的理论摩擦模型建立一体化关节的理论摩擦模型；S3：在验证数据集中选取BP神经网络的输入和输出数据，经过训练后，生成BP神经网络模型；S4：通过确定的训练数据，基于BP神经网络模型建立一体化关节摩擦非线性部分的BP神经网络模型，作为BP神经网络摩擦预测模型；S5：将一体化关节的理论摩擦模型和BP神经网络摩擦预测模型线性叠加，生成一体化关节摩擦特性预测模型。2.根据权利要求1所述的机器人一体化关节摩擦特性预测模型的构建方法，其特征在于，所述一体化关节的实际运行数据包括：一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩和几何传动误差；所述测试验证数据集包括：一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩、一体化关节的实际摩擦转矩。3.根据权利要求2所述的机器人一体化关节摩擦特性预测模型的构建方法，其特征在于，所述预设因素对一体化关节摩擦特性的影响包括：输入端转速对一体化关节摩擦特性的影响、几何传动误差对一体化关节摩擦特性的影响和负载转矩对一体化关节摩擦特性的影响；所述预设因素影响下的理论摩擦模型包括：一体化关节的输入端转速导致的Stribeck经典摩擦模型、几何传动误差导致的傅里叶级数摩擦模型和一体化关节的负载转矩导致的幂函数摩擦模型。4.根据权利要求3所述的机器人一体化关节摩擦特性预测模型的构建方法，其特征在于，所述根据预设因素影响下的理论摩擦模型建立一体化关节的理论摩擦模型，包括：通过分析一体化关节的输入端转速、几何传动误差和一体化关节的负载转矩对摩擦特性的影响，应用函数拟合方法建立关于影响因素的一体化关节的理论摩擦模型。5.根据权利要求4所述的机器人一体化关节摩擦特性预测模型的构建方法，其特征在于，所述BP神经网络的输入数据包括：一体化关节的输入端角位置、一体化关节的输入端转速、一体化关节的负载转矩和一体化关节的理论摩擦模型生成的预测值。6.根据权利要求5所述的机器人一体化关节摩擦特性预测模型的构建方法，其特征在于，所述BP神经网络的输出数据包括：...

【专利技术属性】
技术研发人员：姬帅，邓金栋，倪鹤鹏，邹风山，张承瑞，胡天亮，
申请(专利权)人：山东大学，
类型：发明
国别省市：