一体化柔性机器人关节的输出力矩计算方法与流程

本发明属于工业机器人的控制技术领域，具体地说是一体化柔性机器人关节的输出力矩计算方法。

背景技术：

一体化柔性机器人关节由于其内部柔性限制了系统的控制效果，而控制算法常常有力矩信号反馈的需求。目前，关节输出力矩有两种常用的获取方式，通过力矩传感器获取或通过神经网络模型得出。

通过力矩传感器获取关节力矩。该方法的主要问题在于现有的力矩传感器成本较高，同时力矩传感器本身具有的柔性或破坏机器人关节原有的机械结构和物理特性，为柔性机器人关节的控制效果增加了困难。

通过神经网络模型计算关节力矩。该方法的主要问题是原有的扭转角-输出力矩关系是多值对应多值的关系，不满足映射条件也无法使用神经网络算法拟合。

技术实现要素：

本发明针对力矩传感器成本过高的问题，在不使用力矩传感器的情况下提供一体化柔性机器人关节的输出力矩计算方法，通过神经网络模型建立映射关系，进而计算关节输出力矩。

本发明解决上述技术问题所采用的技术方案为：一体化柔性机器人关节的输出力矩计算方法，包括电机、谐波减速器和输出连杆，通过神经网络算法，在一体化柔性机器人关节的谐波减速器输入力矩、电机端位置、连杆端位置与关节输出力矩之间建立映射关系，通过该映射关系构建的数学公式计算关节输出力矩。

一体化柔性机器人关节的输出力矩计算方法包括以下步骤：

步骤1、根据一体化柔性机器人关节的机械结构建立动力学模型，获得谐波减速器输入力矩和电机输入力矩之间的关系；

步骤2、通过设计实验方法辨识电机的电流-力矩系数，以及辨识电机端内部的摩擦力力矩；

步骤3、通过步骤2中获得的电机电流-力矩系数，获得电机的输入力矩，通过动力学模型和摩擦力力矩计算得出谐波减速器的输入力矩；

步骤4、通过谐波减速器的输入力矩在谐波减速器数学模型上进行升维形成谐波减速器输入力矩、电机端位置、连杆端位置与关节输出力矩之间的映射关系；

步骤5、通过一组实验获得符合神经网络算法拟合条件的一体化柔性机器人关节的输入输出数据；

步骤6、设定神经网络算法的训练参数，使用步骤5中获得的数据进行学习，获得一体化柔性机器人关节输入输出之间映射的数学关系；

步骤7、通过步骤6中获得的映射关系进行关节输出力矩的计算。

上述的步骤1中，一体化柔性机器人关节的动力学模型为：

其中θ和q分别代表电机端位置和连杆端位置，b和m分别代表电机端位置和连杆端的惯量，τ、τext以及τf分别为谐波减速器输入力矩、关节外部力矩和电机端摩擦力力矩，g(q)为负载重力矩，iq和kq分别为电机输入电流和电机的电流-力矩系数，两者相乘结果为电机的输入力矩。

上述步骤2中辨识电流-力矩系数包括以下步骤：通过电机速度控制器使电机在某一相同的速度下进行一组正转和反转，其正反转动力学表达式为：

kqiq+＝τ++|τf+|，

kqiq-＝τ-|τf-|；

摩擦力模型为库伦-黏滞摩擦力模型，其模型表达式为其中fv为摩擦力黏滞系数，fc为摩擦力库仑力；

基于摩擦力模型在正反转时的摩擦力在数值上相等，即|τf-|＝|τf+|，因此将正反转的动力学表达式相加，消除摩擦力的影响得到公式kq(iq++iq-)＝τ++τ-，其中电机电流和关节输出力矩为已知信息，通过最小二乘法拟合得到电流-力矩系数的数值；

根据得到的电流-力矩系数，摩擦力力矩计算公式为

上述的步骤2通过多次不同速度的恒速实验以消除电机惯量带来的影响，获得相应的电流-力矩系数和摩擦力力矩的数据。

上述步骤3中谐波减速器的输入力矩计算公式为

上述步骤4中的谐波减速器数学模型为关于扭转角与输出力矩的磁滞曲线。

上述步骤5中的实验中，通过电机端位置控制器进行控制，使关节在平面内旋转2至3圈，以便将输入输出数据的各种工况进行遍历。

上述步骤6中的训练参数主要包括最大迭代次数、学习速率、迭代算法选择、激励函数选择以及误差精度要求。

上述的步骤7中，通过训练数据和设定好的神经网络模型进行从谐波减速器输入力矩、电机端位置、连杆端位置到关节输出力矩的映射拟合，拟合结果为输入到输出的数学表达式，通过该数学表达式计算获得关节输出力矩。

与现有技术相比，本发明考虑了一体化柔性机器人关节中谐波减速器的机械特性，通过加入谐波减速器输入力矩这一物理量使原有难区分的磁滞曲线在三维空间上形成映射，满足了神经网络算法的要求。本发明的拟合精度远远高于传统的多项式或是分段模型的拟合，提高了力矩估计精度的目的的同时降低了柔性机器人关节的制造成本，保证了机器人控制的实时性要求。

附图说明

图1是本发明实施例的机械结构连接示意图。

图2是本发明实施例的机械结构连接的纵切面图。

图3是本发明实施例中典型的磁滞曲线图。

图4是本发明实施例中高维情况下的输入输出对应关系。

图5是本发明实施例中神经网络算法拟合的映射关系图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

图1至图5所示为本发明的结构示意图。

其中的附图标记为：力矩传感器1、连杆端编码器2、谐波减速器3、电机4、电机端编码器5、制动器6。

如图1、2所示，本实施例的一体化柔性机器人关节包括力矩传感器1、连杆端编码器2、谐波减速器3、电机4、电机端编码器5、制动器6。

本实施例的一体化柔性机器人关节的输出力矩计算方法，通过神经网络算法，在一体化柔性机器人关节的谐波减速器输入力矩、电机端位置、连杆端位置与关节输出力矩之间建立映射关系，通过该映射关系构建的数学公式计算关节输出力矩。

本实施例的输出力矩计算方法包括以下步骤：

步骤1、根据一体化柔性机器人关节的机械结构建立动力学模型，获得谐波减速器输入力矩和电机输入力矩之间的关系；

步骤2、通过设计实验方法辨识电机4的电流-力矩系数，以及辨识电机端内部的摩擦力力矩；

步骤3、通过步骤2中获得的电机电流-力矩系数，获得电机4的输入力矩，通过动力学模型和摩擦力力矩计算得出谐波减速器3的输入力矩；

步骤4、通过谐波减速器3的输入力矩在谐波减速器数学模型上进行升维形成谐波减速器输入力矩、电机端位置、连杆端位置与关节输出力矩之间的映射关系；

步骤5、通过一组实验获得符合神经网络算法拟合条件的一体化柔性机器人关节的输入输出数据；

步骤6、设定神经网络算法的训练参数，使用步骤5中获得的数据进行学习，获得一体化柔性机器人关节输入输出之间映射的数学关系；

步骤7、通过步骤6中获得的映射关系进行关节输出力矩的计算。

在在步骤1中建立动力学模型时，将一体化柔性机器人关节视为三大主体：电机端惯量、连杆端惯量和其中的传动部分。一体化柔性机器人关节的动力学模型为：

其中θ和q分别代表电机端位置和连杆端位置，b和m分别代表电机端位置和连杆端的惯量，τ、τext以及τf分别为谐波减速器输入力矩、关节外部力矩和电机端摩擦力力矩，g(q)为负载重力矩，iq和kq分别为电机输入电流和电机4的电流-力矩系数，两者相乘结果为电机4的输入力矩。

从表达式中可以推导出谐波减速器3的输入力矩计算式为：

因此需要辨识得到电机摩擦力矩和电流-力矩系数，首先辨识电流-力矩系数。在步骤2中辨识电流-力矩系数包括以下步骤：为了消除模型中电机惯量的影响，通过电机速度控制器使电机4在某一相同的速度下进行一组正转和反转，其正反转动力学表达式为：

kqiq+＝τ++|τf+|，

kqiq＝τ_-|τf-|；

摩擦力模型为库伦-黏滞摩擦力模型，其模型表达式为其中fv为摩擦力黏滞系数，fc为摩擦力库仑力；

基于摩擦力模型在正反转时的摩擦力在数值上相等，即|τf-|＝|τf+|，因此将正反转的动力学表达式相加，消除摩擦力的影响得到公式kq(iq++iq-)＝τ++τ-，其中电机电流和关节输出力矩为已知信息，通过最小二乘法拟合得到电流-力矩系数的数值；

根据得到的电流-力矩系数，摩擦力力矩计算公式为

步骤2通过多次不同速度的恒速实验以消除电机惯量带来的影响，获得相应的电流-力矩系数和摩擦力力矩的数据。

在步骤3中通过建立的动力学模型，以及辨识得到的电机电流-力矩系数和摩擦力力矩，可以得到谐波减速器3的输入力矩计算公式为

在步骤4中，传统的谐波减速器3磁滞曲线建立的关系为：扭转角与输出力矩的关系，扭转角是电机端位置与连杆端位置的差值。本实施例中典型的磁滞曲线如图3所示，图中所示传统的谐波减速器3输入输出关系为多值对应多值的关系，不满足映射条件无法使用神经网络算法进行拟合。在加入谐波减速器输入力矩之后，可以看到在高维情况下的输入输出对应关系如图4所示，可以看到原有的多值对应多值的磁滞曲线在三维空间中得到了区分，满足了单值对应单值的映射关系，符合神经网络算法的使用条件。

本实施例中神经网络算法拟合的映射关系如图5所示。输入输出分别为电机端编码器5采集的电机端位置信息、连杆端编码器2采集的连杆端位置信息、谐波减速器3的输入力矩和力矩传感器1采集得到的力矩信息。经过训练后得到的神经网络映射就可以用来作为关节输出力矩估计的数学表达式。

本实施例在实验阶段使用到了力矩传感器1，但是只要形成了力矩估计模型，就可以在实际的机器人关节应用中省下力矩传感器1。在节省成本的情况下获得了同样的关节输出力矩信息，从而为一体化柔性机器人关节的普及提供了条件。

在步骤5中的实验中，获得一组适合于神经网络算法的训练数据，为了得到符合要求的数据，需要对输入输出数据可能遇到的工况进行遍历。通过电机端位置控制器进行控制，使关节在平面内旋转2至3圈，这样的运动轨迹涉及到所有的运动可达位置，同时关节的输出力矩也涉及到了最大力矩以及最小力矩。

在步骤6中使用实验得到的训练数据对神经网络模型进行训练。其中神经网络算法的学习参数需要作设定，训练参数主要包括最大迭代次数、学习速率、迭代算法选择、激励函数选择以及误差精度要求。

在步骤7中，通过训练数据和设定好的神经网络模型进行从谐波减速器输入力矩、电机端位置、连杆端位置到关节输出力矩的映射拟合，拟合结果为输入到输出的数学表达式，通过该数学表达式计算获得关节输出力矩，从而提高机器人关节的控制精度。

本发明的最佳实施例已阐明，由本领域普通技术人员做出的各种变化或改型都不会脱离本发明的范围。