面向机器人电子元器件装配的自学习模型预测控制方法与流程

本发明适用于机器人智能装配领域，尤其涉及面向机器人电子元器件装配的自学习模型预测控制方法。

背景技术：

装配机器人是多输入、多输出的非线性、强耦合的位置时变的动力学系统。每个关节的运动都受到其他关节的影响，作用在每个关节上的惯性负载随着操作臂形位的不同在很大范围内变化，为了解决环境的不确定性、机器人动态特性的不确定性，实现精确的装配控制，需要针对机器人动态及其各种不确定性设计出相应的高效控制算法，并应用于实际的控制过程中。

机器人具有卡、压、嵌、旋、推等技巧性装配动作，这些动作的完成不仅需要对单个小零件的稳定夹持，还需考虑零件之间装配的角度及装配力的大小、方向等，对于处在不同工作状态时的装配机器人，其末端执行器的控制需求应相应地加以不同的调整。专利201611108335.0公开了一种自动接插件装配机器人系统及其控制方法，对机器人装配具有稳定、高精度、短周期与较强抗干扰能力。专利201610857074.6公开了一种基于实时力控的装配机器人全空间柔顺插孔控制方法，实现了高效率、高准确性的无倒角柔顺插孔装配控制。考虑到六自由度装配机器人在装配作业中的外在干扰和参数不确定性的影响，设计相应的鲁棒滑模轨迹跟踪控制器和干扰自适应的鲁棒控制器，自适应地处理装配过程中的参数摄动和干扰等问题(潘立，面向装配作业的机器人柔顺控制方法研究，浙江工业大学博士学位论文，2018)。

因此，因电子元器件其体积小、脆弱性强，在装配过程中容易损坏，为了保证电子元器件装配的更安全、高效，因此需要更高精度的器人电子元器件装配。

技术实现要素：

为了进一步提高机器人电子元器件装配的精度，针对机器人电子元器件装配控制对外在干扰的敏感性，考虑电动力矩波动、驱动饱和、负载变化、机械谐振、高频扰动、测量误差与采样延迟等干扰因子，本发明专利提出了一种面向机器人电子元器件装配的自学习模型预测控制方法。

本发明所采用的技术方案是这样的，一种面向机器人电子元器件装配的自学习模型预测控制方法，

机器人系统中采用极坐标进行标定，电子元器件装配过程机器人关节的实际目标位置及其构成的轨迹为q＝{qi＝qi(t)},i＝1,…,6，对应的角速度为对应的角加速度为电子元器件装配过程机器人关节的目标位置及其构成的轨迹为qd＝{qid＝qid(t)}，i＝1，…，6，对应的角速度为对应的角加速度为机器人关节角位置偏差eqi(t)＝{ei}＝qd-q＝{qid-qi}，关节角速度偏差关节角加速度偏差电子元器件装配过程机器人末端执行器对应的实际位置及其构成的轨迹为x＝{x(t)}，实际速度为实际加速度为电子元器件装配过程机器人末端执行器的目标位置及其构成的轨迹为xd＝{xd(t)}，对应的角速度为对应的角加速度为机器人关节角位置偏差ex＝ex(t)＝xd-x，关节角速度偏差关节角加速度偏差

具体包括如下步骤：

1)模型预测控制器的输入：实时输入末端执行器的位置、速度、加速度输出与期望值的差值关节的位置、速度、加速度输出与期望值的差值干扰因子差值：关节电动力矩、驱动饱和、负载、机械谐振和高频扰动差值δfi(t),i＝1,…10；其中，关节电动力矩f1＝m1(t)，f2＝m2(t)，f3＝m3(t)，f4＝m4(t)，f5＝m5(t)，f6＝m6(t)，驱动饱和f7＝d(t)，负载f8＝l(t)，机械谐振f9＝v(t)，高频扰动f10＝s(t)，关节电动力矩、驱动饱和、负载、机械谐振和高频扰动差值δfi＝δfi(t)＝fi(t)-fi(t-t)，i＝1，…，6；

2)模型预测控制器的自学习与控制：通过自学习训练得到模型预测控制器，输出控制力矩时延差值δτi＝δτi(t-l)＝τi(t-l)-τi0(t-l),i＝1,…,6，其中，关节标称控制力矩kp为正定位置反馈阵，kv为正定速度反馈阵，d0初始惯性阵标称量、c0为向心科氏阵量、g0为重力矩矢标称量，f0f为摩擦矩失标称量；

3)电子元器件装配机器人的输出及反馈：δτi同时用作反馈，作为电子元器件装配机械人的输入，输出电子元器件装配过程机器人关节的实际目标位置、速度和加速度，及电子元器件装配过程机器人末端执行器对应的实际轨迹、实际速度和实际加速度；

4)电子元器件装配机器人各关节与末端执行器运动状态与期望运动状态差值的生成及反馈：电子元器件装配机器人对应关节与末端执行器的位置、速度、加速度输出与期望值的差值反馈到模型预测控制器，实现预测控制器自学习；

5)基于驱动力矩的机器人电子元器件装配：若控制器已训练好，则由控制器输出的力矩驱动机器人各关节完成电子元器件的装配，在控制器使用时，机器人装配定位力矩由关节控制力矩差值与关节标称控制力矩之和：τi＝τi(t-l)＝δτi(t-l)+τi0(t-l),i＝1,…,6；

6)电子元器件装配机器人各关节与末端执行器运动状态输出：电子元器件装配机器人各关节与末端执行器运动状态可输出到装配机器人hmi。

其中，自学习训练的方法由特征提取层与量子神经网络节点模糊优化层深度神经网络构成，采用sigmod基函数电子元器件装配控制因子从特征提取层出来后，以全积的方式映射到模糊分析层，模糊分析层的每一个节点包含一个跃阶数为ns的量子神经网络，对模糊分析层中的第j个节点，其第r个跃迁位置对应的量子间隔为：其输出反映了输入依据模糊概率在量子阶层上的跃迁能级。

本发明的有益效果：

本方法由传感器实时获取电子元器件装配过程电动力矩波动、驱动饱和、负载变化、机械谐振、高频扰动等数据，作为机器人电子元器件装配控制器的输入；由机器人标称值计算各关节初始控制力矩；由机器人控制力矩时实时控制机器人及其末端执行器，实现电子元器件装配的定位控制；由时延定位误差反馈在线实时训练自学习模型预测控制器，完成控制器在线学习，提高控制精度；机器人电子元器件装配控制器达到预定精度后，完成电子元器件在线装配。

与现有的机器人装配控制方法相比，本发明提出的面向机器人电子元器件装配的自学习模型预测控制方法，通过以差值为输入输出的自学习模型预测控制器，其控制具有速度快、精度高的特点，满足电子元器件在存在电动力矩波动、驱动饱和、负载变化、机械谐振、高频扰动、测量误差与采样延迟等干扰因素条件下的电子元器件高精度在线装配的需要。

附图说明

图1是是机器人电子元器件装配流程图。

图2是面向机器人电子元器件装配的自学习模型训练图。

图3是自学习训练控制方法流程图。

图4是量子神经网络节点模糊优化流程图。

图5是机器人电子元器件装配过程末端执行器运行轨迹误差图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

如图1所示，机器人电子元器件装配流程包含以下步骤：

步骤1、电子元器件装配特征知识库构建s01：确定电子元器件的具体重量、重心、形状、密度等特征，进而构建电子元器件装配特征知识库，以用于确定机器人装配过程中的装配的角度及装配力的大小、方向与负载变化。在本实施例中的电子元器件为rs-05k1002ft色环电阻。

步骤2、电子元器件装配期望轨迹(位置)规划s02：依据电子元器件装配的先后顺序与装配主板阻挡情况规划电子元器件装配期望轨迹(位置)。在本实施例中的电子元器件装配期望轨迹为正弦曲线x0＝sin(t)，t＝0,…，100。

步骤3、电子元器件装配机器人模型预测控制器自学习s03：设计面向机器人电子元器件装配的自学习模型预测控制方法，构建电子元器件装配机器人自学习模型预测控制器，实现电子元器件装配机器人模型预测控制器自学习，得到学习完成的电子元器件装配机器人模型预测控制器。

步骤4：电子元器件装配机器人控制系统生成s04；

步骤5：机器人电子元器件装配s05。

面向机器人电子元器件装配的自学习模型预测控制方法中，机器人系统采用极坐标进行标定，电子元器件装配过程机器人关节的实际目标位置及其构成的轨迹为q＝{qi＝qi(t)},i＝1,…,6，对应的角速度为对应的角加速度为电子元器件装配过程机器人关节的目标位置及其构成的轨迹为qd＝{qid＝qid(t)}，i＝1，…，6，对应的角速度为对应的角加速度为机器人关节角位置偏差eqi(t)＝{ei}＝qd-q＝{qid-qi}，关节角速度偏差关节角加速度偏差电子元器件装配过程机器人末端执行器对应的实际位置及其构成的轨迹为x＝{x(t)}，实际速度为实际加速度为电子元器件装配过程机器人末端执行器的目标位置及其构成的轨迹为xd＝{xd(t)}，对应的角速度为对应的角加速度为机器人关节角位置偏差ex＝ex(t)＝xd-x，关节角速度偏差关节角加速度偏差

如图2所示，面向机器人电子元器件装配的自学习模型预测控制方法，具体包括如下步骤：

1)实时输入末端执行器的位置、速度、加速度输出与期望值的差值关节的位置、速度、加速度输出与期望值的差值干扰因子差值：关节电动力矩、驱动饱和、负载、机械谐振和高频扰动差值δfi(t),i＝1,…10；其中，关节电动力矩f1＝m1(t)，f2＝m2(t)，f3＝m3(t)，f4＝m4(t)，f5＝m5(t)，f6＝m6(t)，驱动饱和f7＝d(t)，负载f8＝l(t)，机械谐振f9＝v(t)，高频扰动f10＝s(t)，关节电动力矩、驱动饱和、负载、机械谐振和高频扰动差值δfi＝δfi(t)＝fi(t)-fi(t-t)，i＝1，…，6；

在本实施例中的电子元器件干扰因子由相应的力矩传感器、重力传感器、振动传感器等获得。

2)模型预测控制器的自学习与控制：通过自学习训练得到模型预测控制器，输出控制力矩时延差值δτi＝δτi(t-l)＝τi(t-l)-τi0(t-l),i＝1,…,6，其中，关节标称控制力矩kp为正定位置反馈阵，kv为正定速度反馈阵，d0初始惯性阵标称量、c0为向心科氏阵量、g0为重力矩矢标称量，f0f为摩擦矩失标称量；

其中，如图3所示，自学习训练控制方法流程，包括如下步骤：

(a)自学习模型预测控制器初始化s321，在本实施例中，采用六自由度机器人，机器人本体选择上海新时达机器人，d-h坐标系及其参数由机器人本体厂家提供，dps选择tms320c2812，采用的伺服电机型号为hc-kfs43，d/a输出为dac7742芯片，其正定位置反馈阵kp取diag(40，40，40，40，40，40)，正定速度反馈阵kv取diag(30，30，30，30，30，30)。机器人初始惯性阵标称量d0、向心科氏阵量c0、重力矩矢标称量g0与摩擦矩失标称量f0f由不考虑其不确定性的d-h坐标系及其参数计算得到，进而计算关节标称控制力矩

(b)双卷积-采样特征提取s322，完成自学习模型预测控制模型的训练，得到具有准确预测控制能力的自学习模型预测控制器。

(c)量子神经网络节点模糊优化s323，通过在自学习模型预测控制模型中的输出层之前增加量子神经网络节点模糊优化层，对不确定性的数据进行优化处理，其中，如图4所示量子神经网络节点模糊优化流程，包括如下步骤。

①模糊分析层量子间隔确定s3241，对模糊分析层中的第j个节点，其第r个跃迁位置对应的量子间隔为：

②特征数据全叉积到模糊分析层映射s3242，特征数据从特征提取层出来后，以全积的方式映射到模糊分析层；

③跃迁位置确定s3243，模糊分析层的每一个节点包含一个跃阶数为ns的量子神经网络；

④跃迁能级计算s3244；

⑤最优模糊选择跃迁能级输出s3245，输出反映了输入依据模糊概率在量子阶层上的跃迁能级。

(d)机器人电子元器件装配控制s324，电子元器件装配的自学习模型预测控制模型通过反馈训练完成后，构成电子元器件装配机器人控制器。

3)电子元器件装配机器人的输出及反馈：δτi同时用作反馈，作为电子元器件装配机械人的输入，输出电子元器件装配过程机器人关节的实际目标位置、速度和加速度，及电子元器件装配过程机器人末端执行器对应的实际轨迹、实际速度和实际加速度；

4)电子元器件装配机器人各关节与末端执行器运动状态与期望运动状态差值的生成及反馈：电子元器件装配机器人对应关节与末端执行器的位置、速度、加速度输出与期望值的差值反馈到模型预测控制器，实现预测控制器自学习；

5)基于驱动力矩的机器人电子元器件装配：若控制器已训练好，则由控制器输出的力矩驱动机器人各关节完成电子元器件的装配，在控制器使用时，机器人装配定位力矩由关节控制力矩差值与关节标称控制力矩之和：τi＝τi(t-l)＝δτi(t-l)+τi0(t-l),i＝1,…,6；在本实施例中的装配为rs-05k1002ft色环电阻插装，插装的质量取决于装配过程的控制精度，由电子元器件装配机器人各关节与末端执行器运动状态与期望运动状态差值体现，在本实施例中的机器人电子元器件装配过程末端执行器运行轨迹误差如图5的示，控制误差在千分位内，满足实施例插装要求。

6)、电子元器件装配机器人各关节与末端执行器运动状态输出：电子元器件装配机器人各关节与末端执行器运动状态可输出到装配机器人hmi。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。