[发明专利]一种机器人关节波动摩擦力矩的建模方法

说明书

本发明公开了一种机器人关节波动摩擦力矩的建模方法，包括步骤：S1、根据所采集的恒速转动下的关节力矩误差数据建立傅里叶级数函数；S2、获取机器人关节在不同转动速度下的关节力矩误差数据，根据傅里叶级数函数计算相应关节转角下的输出值；S3、建立包括三个输入端一个输出端的BP神经网络；S4、对BP神经网络进行训练，得到完整的BP神经网络模型；S5、根据傅里叶级数函数和训练所得的BP神经网络模型建立关节波动摩擦力矩的模型。本发明采用傅里叶级数与BP神经网络结合的方法对波动摩擦力矩进行建模，使神经元数量大为减少，克服了力矩误差曲线因存在高频周期性波动而难以拟合的困难，提高了原动力学模型的精度。

技术领域

本发明涉及一种机器人关节波动摩擦力矩的建模方法，以此完善机器人的动力学模型，用于机器人免传感器下的力交互任务。

背景技术

对于机器人的免力矩传感器柔顺控制，无论是机器人的直接示教，还是力位混合控制和碰撞检测，都需要精确的机器人动力学模型，以借助机器人的动力学模型和运动信息计算出机器人本体在运动中所消耗的关节力矩，即计算力矩，从而联合关节的实际力矩计算出机器人的外部受力。这要求在机器人空载和无外力的情况下，计算力矩与实测力矩间要有尽可能小的误差，这需要精确的机器人动力学模型。

减速器由于具有体积小、重量轻、减速比大等优点，在机器人中得到广泛应用，但减速器存在严重的非线性摩擦力矩特性，其在低速转动时会产生与关节转角呈周期性变化的摩擦力矩，即波动摩擦力矩，导致关节计算力矩与实际力矩间存在波动的力矩误差。波动摩擦力矩产生的原因与减速器传动过程中内部零件的不断啮合和摩擦有关，因此与关节转角呈现周期性变化规律。

针对该波动摩擦力矩，常用的解决方法是采用一个周期性函数进行拟合和修正。根据选择的周期性函数的不同，有采用傅里叶级数曲线来进行拟合，也有采用Stribeck模型与正余弦函数结合的方式来描述驱动关节的摩擦力矩特性。然而他们都只研究了某一转速下的摩擦力矩，并采用一组恒定的参数进行建模，而忽略了当关节转速发生变化时，该摩擦力矩项的幅值也会随着改变。

波动摩擦力矩受到关节转动速度的影响，一般而言，关节速度越大，则波动摩擦力矩的幅值就越小。波动摩擦力矩主要在关节角速度较低的时候影响比较明显，当关节转速大于一个关键值时，波动摩擦力矩的幅值会快速减小。也就是说，波动摩擦力矩与关节转速之间并非简单的线性关系，而是存在复杂的非线性关系。由于波动摩擦力矩的生成机理十分复杂，涉及到减速器运转时内部元件的挤压和摩擦，因此从物理角度对其进行建模十分困难。本方法基于BP神经网络优秀的非线性拟合能力，通过充足的采样数据完成对波动摩擦力矩的建模。

发明内容

本发明的目的是提供一种机器人关节波动摩擦力矩的建模方法，旨在对关节中的波动摩擦力矩进行建模，并以此完善机器人的动力学模型，减少计算力矩和实际力矩间的误差。

本发明的目的通过下述技术方案来实现：

一种机器人关节波动摩擦力矩的建模方法，包括步骤：

S1、获取机器人关节在恒速转动下的关节力矩误差数据，根据所采集的恒速转动下的关节力矩误差数据建立相同级数的傅里叶级数函数；

S2、获取机器人关节在不同转动速度下的关节力矩误差数据，在每个离散时间采样点，采集关节转角、关节转速和关节力矩误差三种数据，根据所述傅里叶级数函数计算相应关节转角下的输出值；

S3、建立三层结构的BP神经网络，所述BP神经网络的输入端包括关节转角、关节转速和所述傅里叶级数函数的输出值，输出端为关节力矩误差；

S4、将步骤S3所得的不同转动速度下的关节转角、关节转速、关节力矩误差及所计算的傅里叶级数函数输出值对BP神经网络进行训练，得到完整的BP神经网络模型；