一种基于双编码器的机器人关节力矩测量方法与流程

本发明涉及机器人领域，尤其涉及一种基于双编码器的机器人关节力矩测量方法。

背景技术：

目前，对于机器人关节力矩的测量一般采用力矩传感器，力矩传感器是测量电机输出力矩的主要测量元件,也是目前最为广泛的使用方式。力矩传感器包括非接触式力矩传感器和应变片力矩传感器。

其中，非接触式力矩传感器采用接触的工作方式，以电池供电，输入轴和输出轴由扭杆连接起来，输入轴上的花键与输出轴上的键槽相对应，当扭杆受方向盘的转动力矩作用发生扭转时,输入轴上的花键和输出轴上键槽之间的相对位置会发生相对运动；花键和键槽的相对位移改变量等于扭转杆的扭转量,使得花键上的磁感强度改变,磁感强度的变化,通过线圈转化为电压信号。但是，非接触力矩传感器由于需要电池供电，电池安装到关节内部后,只能短期使用，一旦电池电量耗尽需要将关节拆开,后续维修十分麻烦。

其中，应变片传感器力矩测量采用应变片电测技术，在弹性轴上粘贴应变计组成测量电桥,需提供稳定的激励电源,当弹性轴受力矩产生微小变形后引起电桥电阻值变化,应变电桥电阻的变化转变为电信号的变化从而实现力矩测量。但是，应变片力矩传感器电路复杂,且应变片的阻值易受环境因素干扰，容易产生信号波动,从而造成测量误差大甚至测量不成功。

综上所述，力矩传感器在外接电机轴或负载侧时，存在成本高，结构复杂，体积庞大等问题。当在成本低，安装空间有限，还要保证测量精度时，例如微型机器人控制等，就需要探索一种方案简单、价格低廉的可测量电机输出力矩的新型测量方法。

对此，申请公布号为cn104198098a的发明专利申请“基于光电码盘信号相位差的转矩测量传感器及测量方法”提出了一种解决方案，通过在弹性传动套弹性环节两边设置两个完全一样的光电码盘，由两个光电传感器分别获取码盘旋转时的方波输出信号，根据两个码盘输出方波信号的相位差即可实现弹性传动套扭转变形和扭矩的测量。但是，这种方案一方面由于其需要在谐波减速器输出端安装两个光电编码器和弹性环节，使得其存在结构复杂、力矩采集方式冗余、系统控制带宽降低等不足；另一方面，该方案使用了增量式光电编码器，只能测出弹性环节的相对变形，在机器人关节有初始力矩的情况下无法测量准确的力矩值。

因此，需要针对上述问题提出解决方案。

技术实现要素：

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于双编码器的机器人关节力矩测量方法，通过安装在谐波减速器输出轴的绝对式编码器和安装在电机端的绝对值编码器即可测量实际输出力矩，无需建立机器人关节的动力学模型；通过该方法可减少安装空间，降低机器人关节的成本，同时省略一般力矩传感器的弹性环节，提高整个关节控制器的带宽，以解决前述背景技术中的问题。

为了解决上述问题，本发明提供了一种基于双编码器的机器人关节力矩测量方法，包括：

(1)在机器人关节的电机端安装绝对值编码器a，进行电机控制并获取该电机在转动过程中相对于固定端的角度变化值；

(2)在机器人关节的谐波减速器的输出端安装绝对值编码器b，获取机器人关节在运动过程中输出端相对于固定端的角度值；

(3)机器人关节的关节控制器采集绝对值编码器a与绝对值编码器b的数据信号，并实时采集电机转动电流；

(4)将关节控制器采集到的绝对值编码器a与绝对值编码器b的数据信号差值作为主要输入，通过数据拟合的方法计算机器人关节输出力矩。

进一步的，对于首次装配的机器人关节，需要将力矩传感器安装在谐波减速器的输出端，进行数据采集后再取下；在实际使用过程中无需安装力矩传感器。

进一步的，数据拟合的方法包括神经网络计算。

进一步的，采用神经网络计算的方法计算机器人关节输出力矩时，在神经网络计算机器人关节输出力矩前，还包括对谐波减速器和电极进行神经网络训练步骤，并保存神经网络训练后的网络结构以及权值文件。

进一步的，对于同一型号且具有一致性的谐波减速器及电机，可以省略神经网络训练的步骤，用同一个神经网络及相同的网络权值，计算得到各个关节的力矩；即同型号的一批机器人关节，只需要对其中一个进行数据采集并加以神经网络训练。

进一步的，根据实际使用需求增加或减少除绝对值编码器a与绝对值编码器b外的传感器作为神经网络的输入，关节控制器采集除绝对值编码器a与绝对值编码器b以外的其他传感器信息，作为神经网络计算机器人关节输出力矩的次要输入，以提高力矩测量精度。

进一步的，神经网络的计算包括在机器人关节控制器内计算和使用高速通信总线将机器人控制系统采集的数据发送到上位机计算两种方式。

进一步的，若采用上位机计算机器人关节输出力矩，则上位机经过神经网计算后将得到的机器人关节输出力矩再发送给关节控制器或通过上位机直接进行力矩控制。

需要说明的是，神经网络计算只是作为数据拟合方法的一种，本申请中的数据拟合方法应包含其他数据拟合方法，如最小二乘法多项式拟合等；实际使用过程中可以根据精度要求、数据传输速率、控制频率等实际情况选择不同的数据拟合方法进行计算。

本发明还提供一种具有双编码器的机器人关节，该机器人关节通过前述基于双编码器的机器人关节力矩测量方法测量机器人关节力矩，包括关节外壳、电机、关节控制器、谐波减速器、绝对值编码器a和绝对值编码器b，所述关节外壳包裹在机器人关节外部，所述电机、关节控制器、谐波减速器、绝对值编码器a和绝对值编码器b安装在所述关节外壳内，所述绝对值编码器a安装在所述电机上，用于电机控制，以及获取所述电机在运转过程中相对于固定端的角度变化值；所述绝对值编码器b安装在所述谐波减速器的输出端，用于采集机器人关节在运动过程中输出端相对于固定端的角度值；所述绝对值编码器a和绝对值编码器b均与所述关节控制器连接，所述关节控制器采集所述绝对值编码器a和所述绝对值编码器b的数据；所述关节控制器与所述电机连接，采集所述电机的电流数据；所述关节控制器与上位机连接，将采集的数据传输到所述上位机上，进行力矩计算。

本发明还提供一种机器人，该机器人包括前述所述的具有双编码器的机器人关节，并通过前述基于双编码器的机器人关节力矩测量方法测量机器人关节力矩。

本发明还提供一种计算机可读存储介质，其中存储有程序，该程序被执行时，实现前述基于双编码器的机器人关节力矩测量方法。

通过实施上述本发明提供的基于双编码器的机器人关节力矩测量方法，具有如下技术效果：

本发明在机器人关节没有力矩传感器的情况下，仅使用高速端(电机)的绝对值编码器和低速端(谐波减速器输出端)的绝对值编码器作为主要传感器，可选的辅助其它传感器，无需建立关节的动力学模型，即可获得精确的关节输出力矩，减少了安装空间，降低了机器人关节的成本，同时省去了一般力矩传感器的弹性环节，提高了整个关节控制器的带宽。

附图说明

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

图1是本发明具体实施方式中数据采集及神经网络训练流程图；

图2是本发明具体实施方式中关节控制器做神经计算力矩闭环流程图；

图3是本发明具体实施方式中上位机做神经计算力矩闭环流程图。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面采用如下具体实施方式详细描述本发明的技术方案。

结合图1、图2和图3可知，该机器人关节包括关节外壳、电机、关节控制器、谐波减速器、绝对值编码器a和绝对值编码器b，关节外壳包裹在机器人关节外部，电机、关节控制器、谐波减速器、绝对值编码器a和绝对值编码器b安装在关节外壳内，绝对值编码器a安装在电机上绝对值编码器b安装在谐波减速器的输出端；绝对值编码器a和绝对值编码器b均与关节控制器连接；关节控制器分别与电机和上位机连接。

基于上述机器人关节结构，采用神经网络计算方法进行机器人关节测量的方法包括：

(1)在机器人关节的电机端安装绝对值编码器a，获取该电机在转动过程中相对于固定端的角度变化值；

(2)在机器人关节的谐波减速器的输出端安装绝对值编码器b，获取机器人关节在运动过程中输出端相对于固定端的角度值；

(3)机器人关节的关节控制器采集绝对值编码器a与绝对值编码器b的信号，并实时采集电机转动电流；

(4)将关节控制器采集到的绝对值编码器a与绝对值编码器b的信号差值作为主要输入，通过神经网络计算机器人关节输出力矩。

进一步的，对于首次装配的机器人关节，需要将力矩传感器安装在谐波减速器的输出端，进行数据采集后再取下；在实际使用过程中无需安装力矩传感器。

进一步的，在神经网络计算机器人关节输出力矩前，还包括对谐波减速器和电极进行神经网络训练步骤，并保存神经网络训练后的网络结构以及权值文件。

进一步的，对于同一型号且具有一致性的谐波减速器及电机，可以省略神经网络训练的步骤，用同一个神经网络及相同的网络权值，计算得到各个关节的力矩；即同型号的一批机器人关节，只需要对其中一个进行数据采集并加以神经网络训练。

进一步的，根据实际使用需求增加或减少除绝对值编码器a与绝对值编码器b外的传感器作为神经网络的输入，关节控制器采集除绝对值编码器a与绝对值编码器b以外的其他传感器信息，作为神经网络计算机器人关节输出力矩的次要输入，以提高力矩测量精度。

进一步的，神经网络的计算包括在机器人关节控制器内计算和使用高速通信总线将机器人控制系统采集的数据发送到上位机计算两种方式。

进一步的，若采用上位机计算机器人关节输出力矩，则上位机经过神经网计算后将得到的机器人关节输出力矩再发送给关节控制器或通过上位机直接进行力矩控制。

需要说明的是，神经网络计算只是作为数据拟合方法的一种，本申请中的数据拟合方法应包含其他数据拟合方法，如最小二乘法多项式拟合等；实际使用过程中可以根据精度要求、数据传输速率、控制频率等实际情况选择不同的数据拟合方法进行计算。

本发明还提供一种机器人，该机器人包括前述所述的具有双编码器的机器人关节，并通过前述基于双编码器的机器人关节力矩测量方法测量机器人关节力矩。

本发明还提供一种计算机可读存储介质，其中存储有程序，该程序被执行时，实现前述基于双编码器的机器人关节力矩测量方法。

基于上述方法，结合图1、图2和图3具体表述该方法的实现流程，包括：

(a)安装前述具有绝对值编码器a和绝对值编码器b的双编码器的机器人关节；

(b)在安装完成的机器人关节的减速器输出端安装力矩传感器，该力矩传感器的安装形式可以任意选择；

(c)确保机器人关节输出端无负载，关节控制器记录当前时刻绝对值编码器a的读数为θ0、绝对值编码器b的读数为α0、力矩传感器读数为τ0，谐波减速箱速比记为n；

(d)将机器人关节的关节外壳固定，启动电机，使电机在不同的电流下转动，这里的电流需要达到最大工作电流；同时在关节输出端施加随机的外部干扰；

(e)在机器人关节运动过程中，关节控制器在同一个时钟下采集绝对值编码器a、绝对值编码器b、力矩传感器以及电机电流等传感器信息，记为θ，α，τ，i；

(f)关节控制器将采集的绝对值编码器a、绝对值编码器b、力矩传感器以及电机电流等传感器信息数据保存或发送至上位机；

(g)拆下力矩传感器；

(h)由绝对值编码器a根据采样频率计算得到对应的角速度：

其中，ωi为i时刻电机的角速度，θi为i时刻电机的位置(即绝对值编码器a的读数)，θi-1为上一采样时刻电机的位置，δt为固定的采样周期。

(i)若将谐波减速器视为刚体，则电机转动的角度与谐波减速器输出端转动的角度应成正比，即：

实际上，由于谐波减速箱本身是个弹性体，在收到外部力矩时高速端(电机)与低速端(谐波减速器输出端)转动的角度的比值会有一定差值，记为：

需要注意的是，在谐波减速器弹性形变范围内，δ与关节所受外力矩近似成正比，即kδ≈τ-τ0，其中k为谐波减速器的弹性模量；在实际使用过程中，谐波减速器还受到静摩擦力等外部作用力，且谐波减速器的弹性模量也可能发生变化，因此仅用上述公式无法用双编码器精确估计关节受到的力矩。

(j)在上位机搭建神经网络，网络输入为δ，ω，i，网络输出为τ-τ0，训练网络，待结果收敛到预设范围内时保存权值文件；

(k)如图2所示，如神经网络结构较为简单，计算量在关节控制器运算能力内，可以将神经网络结构及权值文件导入关节控制器，使用实时采集的两个编码器数据以及电机电流，经过神经网络计算得到关节当前所受力矩；

(l)如图3所示，如神经网络结构较为复杂，计算量超出关节控制器运算能力，可以使用高速通信总线(如ethercat)将关节传感器数据发送至上位机，上位机经过神经网计算后将得到的关节力矩再发送给关节控制器或由上位机直接进行力矩控制。

需要说明的是，通过上述方法获取机器人关节力矩还可以根据实际使用需求增加或减少除双编码器外的传感器，例如电机电流、电机温度、谐波减速器温度等，作为神经网络的输入，以提高力矩测量精度。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。