CN111590577B - 机械臂多参量数字变频控制方法及装置 - Google Patents

机械臂多参量数字变频控制方法及装置 Download PDF

Info

Publication number
CN111590577B
CN111590577B CN202010425329.8A CN202010425329A CN111590577B CN 111590577 B CN111590577 B CN 111590577B CN 202010425329 A CN202010425329 A CN 202010425329A CN 111590577 B CN111590577 B CN 111590577B
Authority
CN
China
Prior art keywords
data
frequency
voltage
module
rotating speed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010425329.8A
Other languages
English (en)
Other versions
CN111590577A (zh
Inventor
董直姜
张太猛
张太为
陈崇友
屠奔奔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taizhou Zhongmeng Joint Venture Management Partnership LP
Original Assignee
Taizhou Zhongmeng Joint Venture Management Partnership LP
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taizhou Zhongmeng Joint Venture Management Partnership LP filed Critical Taizhou Zhongmeng Joint Venture Management Partnership LP
Priority to CN202010425329.8A priority Critical patent/CN111590577B/zh
Publication of CN111590577A publication Critical patent/CN111590577A/zh
Application granted granted Critical
Publication of CN111590577B publication Critical patent/CN111590577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • B25J13/085—Force or torque sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • B25J13/087—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices for sensing other physical parameters, e.g. electrical or chemical properties
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • B25J13/088—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices with position, velocity or acceleration sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1633—Programme controls characterised by the control loop compliant, force, torque control, e.g. combined with position control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明提供了一种机械臂多参量数字变频控制方法及装置，该装置包括编码器模块、I/O模块、AD/DA转换模块、PWM模块、单片机模块、PLC模块、PWM模块、整流模块、逆变模块、MCU处理器、存储器；变流源RST经过整流模块后进入逆变模块，PWM模块连接该逆变模块，控制逆变模块实现对整流后电源频率的逆变调节；PWM模块连接MCU处理器，MCU处理器基于各传感器实时获取的压力、转速、距离、温度等信号，获得频率调整控制所需要的变频调节系数；单片机模块通过PLC模块与MCU处理器连接。本发明能够很好地适应柔性对象的加工场景，考虑了温度对柔性对象的影响，能够精准控制柔性对象的加工工步精度，对于扰动的抑制效果明显，能够更好地满足精细加工要求。

Description

机械臂多参量数字变频控制方法及装置
技术领域
本发明涉及电机控制领域，特别是涉及应用在精密电机控制中的数字变频预测控制领域中，具体涉及一种机械臂多参量数字变频控制方法及其装置。
背景技术
随着目前工业机器人及精密控制电机的广泛应用，数码发电机组逐渐成为未来相关产业发展的重要方向之一。目前对于精密电机控制使用的数字变频控制技术主要采用整流后逆变的技术，它的许多优点是传统的电机变频技术无法比拟的，它通过对原始的交流电进行变频隔离处理，使得电流经过“交-直-交”二级转换，另电压输出与发动机转速变化之间形成自然“隔离”，并且尽量使得电压的波形畸变减小，通过再次的直-交变换，将电流变化为相对平稳的交流电输出，从而满足对电压波动比较敏感，且电机控制要求较高的应用场景。
但是，随着例如医用机器人、远程精密控制机械臂等的不断发展，以及在更多对操作有着较高要求的控制场景中，现有的数字变频控制方法仍然需要进行改进。
例如在如申请号为CN201910920855.9的专利申请中，为了在例如制药、食品加工等特殊领域的应用中，确保精准原料的投放，其采用的方式是无传感矢量控制估算的方式，实现对电机的控制，即对电机旋转涉及的角速度和转子转角进行估算，通过前期对电机的参数标定，利用反电动势的估算转换后的电动机带动产生的流量提及，从而实现对原料投放的控制。但是，该类控制方式虽然大大改进了现有的传感器方式，但是仍然未能有效摆脱变频控制的常规套路，并不能实现结合多个外界参数，实现对电机的情况的预估与提前控制，因此并不能很好地转用于更多的应用场景。
再例如申请号为CN201611201776.5的专利申请中，在需要精确控制的计量泵中，通过传感器记录的转速，将计量泵流量控制与参考时间、蜗轮蜗杆转速比等参数之间建立起函数关系，从而通过对参数的监测，实现对期望流量的控制，实现动态补偿。但是，这一方式仅考虑了计量泵本身的部分内在参数，且建立的函数关系并不精准，因此，在控制相对粗放的场景下，可以实现对电机的较精准控制，但是，对于需要考虑大量环境因素、实时反馈的多类型传感器参数的情形下，并不能很好地实现对电机的精准控制。
因此，设计一种能够满足先进精密控制应用中的数字变频控制方式，并且把多环境因素或者多检测参数要求考虑进来，从而实现对电机终端的精确控制，是目前市场面临的一个难题。
发明内容
针对现有技术的不足，本发明提出一种机械臂多参量数字变频控制方法及装置，能够实现应用在柔性材料机械加工中使用的机械臂电机的精确控制过程中，以满足实际生产中的需求。具体而言，本发明提供了以下的技术方案：
一方面，本发明提供了一种机械臂多参量数字变频控制方法，所述机械臂至少包含压力传感器、距离传感器、红外测温传感器，所述压力传感器、距离传感器、红外测温传感器设置于机械臂前端，以检测机械臂作用于待作用柔性件的压力、机械臂前端与待作用柔性件的距离、作用部位温度，在优选的情况中，机械臂还包括设置于被控电机中的转速传感器，以获取电机的转速数据，该方法包括：
S1、基于历史数据，建立压力数据、距离数据、温度数据、转速数据与电机电源的电压数据、频率数据之间的电压函数关系、频率函数关系；所述历史数据至少包括压力数据、距离数据、温度数据、转速数据、电压数据、频率数据；
S2、通过机械臂实时采集压力数据、距离数据、温度数据；同时实时采集电机电源的电压数据及频率数据，以及电机转速数据；
S3、基于压力数据、距离数据、温度数据、转速数据，以及所述S1中的电压函数关系、频率函数关系，对所述电压数据、频率数据进行预测，得到预测电压数据、预测频率数据；
S4、基于所述预测电压数据、预测频率数据，以及同时刻的实际电压数据、实际频率数据，分别得到误差EV、误差变化率E′v、频率调节系数；
S5、基于所述误差EV、误差变化率E′v、频率调节系数，获取变频调节系数，对所述电机电源的频率调节，从而实现对机械臂的后续动作控制。
优选地，所述S1中，建立压力数据、距离数据、温度数据、转速数据与电机电源的电压数据的函数关系，通过以下方式实现：
S101、获取历史电压数据，以及对应的压力数据、距离数据、温度数据、转速数据；所述历史电压数据间隔一固定时间；
S102、基于所述历史电压数据VL,VL-1,VL-2,…V1得到电压特性模型
Figure BDA0002498491550000031
其中系数a,b,c基于采集的历史数据进行拟合获得，其中t为时间；
S103、基于所述电压特性模型，以及对应的压力数据、距离数据、温度数据、转速数据，通过机器学习，建立所述电压函数关系。
优选地，所述S1中，建立频率函数关系，通过以下方式实现：
S111、获取历史频率数据，以及对应的压力数据、距离数据、温度数据、转速数据、电压数据；所述历史频率数据间隔一固定时间；
S112、基于所述历史频率数据WL,WL-1,WL-2,…W1,以及对应的压力数据、距离数据、温度数据、电压数据、转速数据，形成训练集和测试集；并基于所述训练集，通过神经网络，建立所述对应的压力数据、距离数据、温度数据、电压数据、转速数据与所述历史频率数据之间的关系方程，从而得到频率函数关系。
优选地，所述S103中，建立电压函数关系包含：
基于所述电压特型模型，以及对应的压力数据、距离数据、温度数据、转速数据，通过神经网络，获得下一时刻L+1时的预测电压数据；
结合L+1时刻的实际电压数据，计算电压误差，基于电压误差函数，训练所述神经网络权值；
训练完成后的神经网络函数即为电压函数关系；
其中，神经网络函数为：
Figure BDA0002498491550000041
其中，θi为隐含层神经元的阈值，θ为输出层神经元阈值，f(x)为高斯函数，m为机器学习所使用的神经网络隐含层节点数目，vi为隐含层节点到输出节点的连接权值，T为连续L组电压的总时长，ω为权重系数，且ω<1。
优选地，基于误差函数训练神经网络，获取所述ω、vi、θi及θ值，所述误差函数为：
Figure BDA0002498491550000042
其中，y为实际训练样本数。
优选地，所述频率函数关系为：
Figure BDA0002498491550000043
其中，αj为网络权重，wj为输入变量，输入变量即压力数据、距离数据、温度数据、电压数据、转速数据等参数的历史数据，β为校正系数，n为样本数量，σ为核函数作用范围参数。
优选地，所述αj、β通过以下方式获得：
所述关系方程为：
Figure BDA0002498491550000055
Figure BDA0002498491550000051
其中，F为网络权重系数。
优选地，所述S4中，所述频率调节系数通过以下方式获取：
基于所述预测电压数据，以及同时刻的实际电压数据，计算误差EV及误差变化率E′v；
基于所述预测频率数据，以及同时刻的实际频率数据，计算误差EW及误差变化率E′W；
基于所述误差EW及误差变化率E′W，获取频率调节系数KWp、KWi、KWd；KWp、KWi、KWd依次为频率调节系数中的PID比例系数、PID比例积分系数、PID微分系数。
优选地，在整个电路系统中，需要严谨考虑电压变化对系统稳定性的影响，因此为考虑电压的变化影响，将其误差考虑进去，作为获取最终频率调节参数的依据之一。
所述变频调节系数，也即最终的频率的反馈调节系数，可以通过以下方式获取：
Figure BDA0002498491550000052
Figure BDA0002498491550000053
Figure BDA0002498491550000054
其中，μ1、μ2、μ3为加权系数，且μ1∈(0,1)、μ2∈(0,1)、μ3∈(0,1)。优选地，所述μ1为0.613、μ2为0.292、μ3为0.806。
另一方面，本发明还提供了一种机械臂多参量数字变频控制装置，该装置包括机械臂，以及设置于机械臂的电机，所述电机配备有转速传感器，所述机械臂至少包含压力传感器、距离传感器、红外测温传感器，所述压力传感器、距离传感器、红外测温传感器设置于机械臂前端；在优选的情况中，机械臂还包括设置于被控电机中的转速传感器，以获取电机的转速数据。
所述装置还包括MCU处理器及与MCU处理器连接的存储器，所述存储器中存储有处理器可调用并执行的指令，所述指令用于执行如上所述的机械臂多参量数字变频控制方法。
更优选地，数字变频控制装置中还包括编码器模块、I/O模块、AD/DA转换模块、PWM模块、单片机模块、PLC模块、PWM模块、整流模块、逆变模块；
变流源RST经过整流模块后进入逆变模块，PWM模块连接该逆变模块，控制逆变模块实现对整流后电源频率的逆变调节；PWM模块连接MCU处理器，MCU处理器基于各传感器实时获取的压力、转速、距离、温度等信号，获得频率调整控制所需要的变频调节系数；
单片机模块通过PLC模块与MCU处理器连接，接收机械臂的工作流程控制程序。
优选地，该数字变频控制装置还有键盘及显示模块，用于人工输入调节指令、调节参数等数据信息，并通过显示模块显示当前的系统数据。
基于上述记载，本领域技术人员可以知晓，与现有技术相比，本发明的有益效果如下：将电源的频率控制的反馈控制参数值，与影响柔性件加工中的多种现场参数结合，从而满足精度要求，能够很好地适应特殊加工工艺流程；同时，考虑了系统电压波动对系统整体控制的影响，将电压波动也纳入到变频调节参数的参考范围中，快速建立变频控制的控制模型，能够精准控制柔性对象的加工工步精度，对于扰动的抑制效果明显，能够更好地满足精细加工要求。
附图说明
图1为本发明实施例的装置结构框图；
图2为本发明实施例的多参量数字变频控制方法流程图；
图3为本发明实施例的变频调节时的变化曲线示例图。
具体实施例
下面将结合本发明实施例中的图，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付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。
结合图1所示，在一个优选的实施例中，本发明的技术方案可以通过一种能够应用于机械臂中的数字变频控制装置来实现，具体而言，该机械臂首先需要配置有驱动电机，所述电机配备有转速传感器，所述机械臂至少包含压力传感器、距离传感器、红外测温传感器，所述压力传感器、距离传感器、红外测温传感器设置于机械臂前端；所述装置还包括MCU处理器及与MCU处理器连接的存储器，所述存储器中存储有处理器可调用并执行的指令。
在一个更为优选的实施方式中，数字变频控制装置中还包括编码器模块、I/O模块、AD/DA转换模块、PWM模块、单片机模块、PLC模块、PWM模块、整流模块、逆变模块；
变流源RST经过整流模块后进入逆变模块，PWM模块连接该逆变模块，控制逆变模块实现对整流后电源频率的逆变调节；PWM模块连接MCU处理器，MCU处理器基于各传感器实时获取的压力、转速、距离、温度等信号，获得频率调整控制所需要的变频调节系数；在该变频调节系数的获取中，在一个具体的实施方式中，通过机器学习的方式，建立起电压变化与压力、转速、距离、温度等参数之间的关系，以及系统频率变化与压力、转速、距离、温度、电压之间的关系，从而可以通过预测的方式，对下一时刻的频率进行预测，并通过反馈控制的方式，实现对频率的稳定调节。
单片机模块通过PLC模块与MCU处理器连接，接收机械臂的工作流程控制程序。
MCU处理器通过PLC模块，获取整个机械臂的加工工艺流程控制指令，从而根据这一指令确定频率调节要求，在整个加工工艺流程进行之后，可以积累相应的频率调节参数与对应时刻的压力、转速、距离、温度等参数历史数据，从而可以为建立频率函数提供给历史数据。在成功建立函数关系后，可以进行后续的控制参数预测及调整，该部分内容将在后续的实施例中进行详细说明。
优选地，该数字变频控制装置还有键盘及显示模块，用于人工输入调节指令、调节参数等数据信息，并通过显示模块显示当前的系统数据。
单片机模块还包括与单片机连接的脉冲输入单元、DA转换单元，为单片机运行提供给脉冲输入以及对应的DA输入。该部分结构是单片机使用中的公知常识，此处不再赘述。
AD/DA转换模块与所述MCU处理器连接，以提供数字变频控制过程中的AD变换以及DA变换。
PWM模块进一步包括一运算器单元，以完成在PWM变换过程中的基本运算。
在又一个优选的实施方式中，机械臂中设置的多个传感器，均可以将采集到的数据显示在显示模块上，通常，可以以一个实测的数值直接显示，例如显示各个转速、压力、温度相关数据等，也可以以一定的时间间隔进行采样，显示包括历史数据的变化曲线数据。并且将当前的频率数据显示在屏幕上。
此外，在又一个具体的实施方式中，该装置中还包括一数据记录模块，将该机械臂在整个加工过程中的所有动作相关的参数，按照时间标签进行数据记录，便于实时的查看和后期的查找，同时，在进行例如实验性的加工时，可以方便地记录不同工艺过程中的多个种类参数数据，为后续的工艺改进提供方便。
在又一个实施例中，结合图2所示，本发明的技术方案还可以通过机械臂多参量数字变频控制方法来实现。在具体实施时，优选的，所述机械臂至少包含压力传感器、距离传感器、红外测温传感器，所述压力传感器、距离传感器、红外测温传感器设置于机械臂前端，以检测机械臂作用于待作用柔性件的压力、机械臂前端与待作用柔性件的距离、作用部位温度。并且，在又一个具体的实施方式中，该方法可以结合如上述的机械臂多参量数字变频控制装置来执行，即该方法所对应的指令通过上述的装置来实现对机械臂的整体动作控制，以实现整个加工工艺过程。
本实施例中所述的方法包括：
S1、基于历史数据，建立压力数据、距离数据、温度数据、转速数据与电机电源的电压数据、频率数据之间的电压函数关系、频率函数关系；所述历史数据至少包括压力数据、距离数据、温度数据、转速数据、电压数据、频率数据；
S2、通过机械臂实时采集压力数据、距离数据、温度数据；同时实时采集电机电源的电压数据及频率数据，以及电机转速数据；
S3、基于压力数据、距离数据、温度数据、转速数据，以及所述S1中的电压函数关系、频率函数关系，对所述电压数据、频率数据进行预测，得到预测电压数据、预测频率数据；
S4、基于所述预测电压数据、预测频率数据，以及同时刻的实际电压数据、实际频率数据，分别得到误差EV、误差变化率E′v、频率调节系数；
在电机控制中，转矩是电机的磁通与转子内流过的电流之间的相互作用产生的，在额定频率下，如果电压固定，频率降低，则磁通就会增大，磁回路饱和，当磁通过大时，电机就有烧毁的危险。因此，在电机变频控制中，需要考虑电压扰动和电压变化的影响，避免发生过饱和或者弱磁现象。而在电压相对恒定的情况下，即仅存在一定的电网系统电压扰动，以及复杂系统运行时，造成的内部电压扰动时，为达到电机的精准控制，需要在进行数字变频调节时，充分考虑电压扰动对频率调节的影响。为了在实际工况中，能够很好地实现对频率的更为精准的控制，经过本发明技术人员的长期经验总结和实际试验论证，证明在实际控制中，如果不加入电压变化的影响，往往不能够满足实际的精度需求，尤其在要求较高的精密加工中，因此，在对频率调节进行预测时，考虑电压变动预测因素，效果要明显优于采用其他众多的参数直接进行预测控制。因此，在本实施例中，本技术方案中将电压预测中获取到的误差EV、误差变化率E′v，作为后续最终频率调节参数获取的重要参考参数之一。
S5、基于所述误差EV、误差变化率E′v、频率调节系数，获取变频调节系数，对所述电机电源的频率调节，从而实现对机械臂的后续动作控制。
在又一个实施方式中，所述S1中，要建立起电压的函数关系，需要先通过电压的历史数据建立起电压变化的特性模型，再基于模型构建电压变化与其他参数变化之间的关系。建立压力数据、距离数据、温度数据、转速数据与电机电源的电压数据的函数关系，通过以下方式实现：
S101、获取历史电压数据，以及对应的压力数据、距离数据、温度数据、转速数据；所述历史电压数据间隔一固定时间；
S102、基于所述历史电压数据VL,VL-1,VL-2,…V1得到电压特性模型
Figure BDA0002498491550000101
其中系数a,b,c基于采集的历史数据进行拟合获得，其中t为时间；在单个大型机械臂工作中，电压的扰动变化往往与转速、压力等参数相关，这些参数都影响电机的荷载，因此，电压的扰动存在一定的函数变化规律，本发明中，经过大量的数据论证，优选建立了上述的电压特性模型，以近似拟合电压的变化规律，而对于拟合函数的系数求解，则可以依据实际积累的样本数值进行计算，此处不再赘述。
S103、基于所述电压特性模型，以及对应的压力数据、距离数据、温度数据、转速数据，通过机器学习，建立所述电压函数关系。需要指出的是，通过机器学习进行电压的预测，即建立起电压函数关系，可以选用多种方式，例如最传统的BP神经网络、RBF网络等，也可以通过本发明提供的改进的预测网络，以更加快速和准确的方式实现对电压的预测，该方法将作为一个优选的实施方式在后面描述。
优选地，在频率预测的函数建立过程中，也可以采用类似上述电压的方法，所述S1中，建立频率函数关系，通过以下方式实现：
S111、获取历史频率数据，以及对应的压力数据、距离数据、温度数据、转速数据、电压数据；所述历史频率数据间隔一固定时间；一般此处的间隔固定时间与电压历史数据的间隔固定时间保持一致，当然，在数据处理量允许的情况下，也可以各自选用不同的数据。
S112、基于所述历史频率数据WL,WL-1,WL-2,…W1,以及对应的压力数据、距离数据、温度数据、电压数据、转速数据，形成训练集和测试集；并基于所述训练集，通过神经网络，建立所述对应的压力数据、距离数据、温度数据、电压数据、转速数据与所述历史频率数据之间的关系方程，从而得到频率函数关系。
优选地，所述S103中，建立电压函数关系包含：
基于所述电压特型模型，以及对应的压力数据、距离数据、温度数据、转速数据，通过神经网络，获得下一时刻L+1时的预测电压数据；
结合L+1时刻的实际电压数据，计算电压误差，基于电压误差函数，训练所述神经网络权值；
训练完成后的神经网络函数即为电压函数关系；
其中，神经网络函数为：
Figure BDA0002498491550000111
其中，m为机器学习所使用的神经网络隐含层节点数目，vi为隐含层节点到输出节点的连接权值，T为连续L组电压的总时长，θi为隐含层神经元的阈值，θ为输出层神经元阈值，f(x)为高斯函数，ω为权重系数，且ω<1。在进行网络设置时，一般隐含层节点数优选设置为8，当然，本领域技术人员还可以依据计算复杂度要求及时效性要求，将隐含层节点数设置为其他数值，此处不再赘述。
优选地，设置误差函数，训练所述权重系数、隐含层节点到输出节点的连接权值、隐含层神经元及输出层神经元阈值，所述误差函数为：
Figure BDA0002498491550000121
其中，y为实际训练样本数。在实际应用中，样本数量一般不小于50组，而优选误差一般小于0.5。
优选地，为避免求解复杂的非线性映射函数，通过对核函数进行调整，替代常规神经网络预测中的高维空间点积运算，以降低计算量，因此，在一个优选的实施方式中，所述频率函数关系可以设置为：
Figure BDA0002498491550000122
其中，αj为网络权重，wj为输入变量，输入变量即压力数据、距离数据、温度数据、电压数据、转速数据等参数的历史数据，β为校正系数，n为样本数量，σ为核函数作用范围参数。
优选地，所述αj、β通过以下方式获得：
所述关系方程为：
Figure BDA0002498491550000123
Figure BDA0002498491550000124
其中，F为网络权重系数。
优选地，所述S4中，所述频率调节系数通过以下方式获取：
基于所述预测电压数据，以及同时刻的实际电压数据，计算误差EV及误差变化率E′v；
基于所述预测频率数据，以及同时刻的实际频率数据，计算误差EW及误差变化率E′W；
基于所述误差EW及误差变化率E′W，获取频率调节系数KWp、KWi、KWd；Kwp、KWi、KWd依次为频率调节系数中的PID比例系数、PID比例积分系数、PID微分系数。
系统中的反馈控制，可以设置为多层结构，即单独针对频率数据预测结果，生成频率调节系数的一层，该层可以是仅作为变频调节中的数据读入和生成单元，而不作为实际的反馈控制比例系数的指令发出单元，在进行最终的变频调节系数求取时，即最终的变频调节比例系数的计算时，将上述的电压相关误差参数、频率调节系数进行结合，从而获得最终的变频调节的反馈控制比例系数，并作为控制指令发出。当然，上述生成控制比例系数的各个模块均可以是单独设置的，从而获得最终的系统控制比例系数，再通过变频控制中的反馈控制器实现对系统的控制。
优选地，在整个电路系统中，需要严谨考虑电压变化对系统稳定性的影响，因此为考虑电压的变化影响，将其误差考虑进去，作为获取最终频率调节参数的依据之一。
所述变频调节系数，也即即最终的频率的反馈调节系数，可以通过以下方式获取：
Figure BDA0002498491550000131
Figure BDA0002498491550000132
Figure BDA0002498491550000141
其中，μ1、μ2、μ3为加权系数，且μ1∈(0,1)、μ2∈(0,1)、μ3∈(0,1)。优选地，所述μ1为0.613、μ2为0.292、μ3为0.806。
通过上述的变频调节，能够更快捷、精准实现频率调节，如图3，给出了在实际控制过程中，当调节频率由50Hz调节为45Hz时，实际调节变化的曲线。从实际实验数值可以看出，当动态进行频率调节时，系统仅经过有限次振荡，既可以快速实现对频率的变化调节。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (8)

1.机械臂多参量数字变频控制方法，所述机械臂至少包含压力传感器、距离传感器、红外测温传感器，所述压力传感器、距离传感器、红外测温传感器设置于机械臂前端，以检测机械臂作用于待作用柔性件的压力、机械臂前端与待作用柔性件的距离、作用部位温度，其特征在于，所述方法包括：
S1、基于历史数据，建立压力数据、距离数据、温度数据、转速数据与电机电源的电压数据、频率数据之间的电压函数关系、频率函数关系；所述历史数据至少包括压力数据、距离数据、温度数据、转速数据、电压数据、频率数据；
S2、通过机械臂实时采集压力数据、距离数据、温度数据；同时实时采集电机电源的电压数据及频率数据，以及电机转速数据；
S3、基于压力数据、距离数据、温度数据、转速数据，以及所述S1中的电压函数关系、频率函数关系，对所述电压数据、频率数据进行预测，得到预测电压数据、预测频率数据；
S4、基于所述预测电压数据、预测频率数据，以及同时刻的实际电压数据、实际频率数据，分别得到误差EV、误差变化率E′v、频率调节系数；
S5、基于所述误差EV、误差变化率E′v、频率调节系数，获取变频调节系数，对所述电机电源的频率调节，从而实现对机械臂的后续动作控制；
其中，所述S1中，建立压力数据、距离数据、温度数据、转速数据与电机电源的电压数据的函数关系，通过以下方式实现：
S101、获取历史电压数据，以及对应的压力数据、距离数据、温度数据、转速数据；所述历史电压数据间隔一固定时间；
S102、基于所述历史电压数据VL,VL-1,VL-2,…V1得到电压特性模型
Figure FDA0003041593490000021
其中系数a,b,c基于采集的历史数据进行拟合获得，其中t为时间；
S103、基于所述电压特性模型，以及对应的压力数据、距离数据、温度数据、转速数据，通过机器学习，建立所述电压函数关系；
其中，所述S1中，建立频率函数关系，通过以下方式实现：
S111、获取历史频率数据，以及对应的压力数据、距离数据、温度数据、转速数据、电压数据；所述历史频率数据间隔一固定时间；
S112、基于所述历史频率数据WL,WL-1,WL-2,…W1,以及对应的压力数据、距离数据、温度数据、电压数据、转速数据，形成训练集和测试集；并基于所述训练集，通过神经网络，建立所述对应的压力数据、距离数据、温度数据、电压数据、转速数据与所述历史频率数据之间的关系方程，从而得到频率函数关系。
2.根据权利要求1所述的方法，其特征在于，所述S103中，建立电压函数关系包含：
基于所述电压特性模型，以及对应的压力数据、距离数据、温度数据、转速数据，通过神经网络，获得下一时刻L+1时的预测电压数据；
结合L+1时刻的实际电压数据，计算电压误差，基于电压误差函数，训练所述神经网络权值；
训练完成后的神经网络函数即为电压函数关系；
其中，神经网络函数为：
Figure FDA0003041593490000031
其中，f(x)为高斯函数，m为神经网络隐含层节点数目，vi为隐含层节点到输出节点的连接权值，T为连续L组电压的总时长，θi为隐含层神经元的阈值，θ为输出层神经元阈值，ω为权重系数，且ω<1。
3.根据权利要求2所述的方法，其特征在于，基于误差函数训练神经网络，获取所述ω、vi、θi及θ值，所述误差函数为：
Figure FDA0003041593490000032
其中，y为实际训练样本数。
4.根据权利要求1所述的方法，其特征在于，所述频率函数关系为：
Figure FDA0003041593490000033
其中，αj为网络权重，wj为输入变量，β为校正系数，n为样本数量，σ为核函数作用范围参数。
5.根据权利要求4所述的方法，其特征在于，所述αj、β通过以下方式获得：
所述关系方程为：
Figure FDA0003041593490000034
Figure FDA0003041593490000041
其中，F为网络权重系数。
6.根据权利要求1所述的方法，其特征在于，所述S4中，所述频率调节系数通过以下方式获取：
基于所述预测电压数据，以及同时刻的实际电压数据，计算误差EV及误差变化率E′v；
基于所述预测频率数据，以及同时刻的实际频率数据，计算误差EW及误差变化率E′W；
基于所述误差EW及误差变化率E′W，获取频率调节系数KWp、KWi、KWd；KWp、KWi、KWd依次为频率调节系数中的PID比例系数、PID比例积分系数、PID微分系数。
7.根据权利要求6所述的方法，其特征在于，所述变频调节系数通过以下方式获取：
Figure FDA0003041593490000042
Figure FDA0003041593490000043
Figure FDA0003041593490000044
其中，μ1、μ2、μ3为加权系数，且μ1∈(0,1)、μ2∈(0,1)、μ3∈(0,1)。
8.机械臂多参量数字变频控制装置，其特征在于，所述装置包括机械臂，以及设置于机械臂的电机，所述电机配备有转速传感器，所述机械臂至少包含压力传感器、距离传感器、红外测温传感器，所述压力传感器、距离传感器、红外测温传感器设置于机械臂前端，机械臂还包括设置于被控电机中的转速传感器，以获取电机的转速数据；所述装置还包括MCU处理器及与MCU处理器连接的存储器，所述存储器中存储有MCU处理器可调用并执行的指令，所述指令用于执行如权利要求1至7之一的机械臂多参量数字变频控制方法。
CN202010425329.8A 2020-05-19 2020-05-19 机械臂多参量数字变频控制方法及装置 Active CN111590577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010425329.8A CN111590577B (zh) 2020-05-19 2020-05-19 机械臂多参量数字变频控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010425329.8A CN111590577B (zh) 2020-05-19 2020-05-19 机械臂多参量数字变频控制方法及装置

Publications (2)

Publication Number Publication Date
CN111590577A CN111590577A (zh) 2020-08-28
CN111590577B true CN111590577B (zh) 2021-06-15

Family

ID=72187408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010425329.8A Active CN111590577B (zh) 2020-05-19 2020-05-19 机械臂多参量数字变频控制方法及装置

Country Status (1)

Country Link
CN (1) CN111590577B (zh)

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005219133A (ja) * 2004-02-03 2005-08-18 Fanuc Ltd ロボット用サーボモータ制御装置およびロボット
JP2012170208A (ja) * 2011-02-14 2012-09-06 Seiko Epson Corp 電気機械装置、移動体、ロボット及び電気機械装置の温度測定法
JP5982774B2 (ja) * 2011-10-11 2016-08-31 セイコーエプソン株式会社 モーター制御装置、ロボットハンド
CN106452206B (zh) * 2016-06-30 2018-09-11 杭州电子科技大学 一种两轮自平衡机器人的滑模自适应控制器
CN206769905U (zh) * 2017-05-11 2017-12-19 辽宁工程技术大学 基于人工神经网络智能调节截割机构横摆过程的掘进机
CN108890659B (zh) * 2018-07-13 2021-06-25 北京工业大学 一种综合管廊巡检机器人
CN108942940B (zh) * 2018-08-01 2022-02-22 东南大学 一种基于多传感器融合的遥操作机器人打磨控制系统
CN109185018B (zh) * 2018-10-25 2021-01-29 湖南中聚福能源科技有限公司 一种变频永磁水力发电系统及其控制方法
CN109610549B (zh) * 2018-11-29 2021-05-07 湖南工贸技师学院 一种液压挖掘机电器变频智能控制系统及控制方法
CN110238840B (zh) * 2019-04-24 2021-01-29 中山大学 一种基于视觉的机械臂自主抓取方法
CN110569588B (zh) * 2019-08-29 2021-04-20 华中科技大学 一种基于前馈神经网络的工业机器人整机性能预估方法
CN111123699A (zh) * 2019-12-25 2020-05-08 珠海格力电器股份有限公司 基于动态仿真的控制参数优化方法及装置

Also Published As

Publication number Publication date
CN111590577A (zh) 2020-08-28

Similar Documents

Publication Publication Date Title
US10148211B2 (en) Machine learning apparatus and method for learning correction value in motor current control, correction value computation apparatus including machine learning apparatus and motor driving apparatus
CN105773623B (zh) 基于预测型间接迭代学习的scara机器人轨迹跟踪控制方法
Milovanović et al. Adaptive PID control based on orthogonal endocrine neural networks
CN110559966A (zh) 一种反应釜多模联合控制方法及系统
WO2021237929A1 (zh) 基于贝叶斯学习的执行器故障估计方法
Raj et al. Particle swarm optimized deep convolutional neural sugeno-takagi fuzzy PID controller in permanent magnet synchronous motor
CN108897221B (zh) 一种军用电源机箱风机转速控制方法
CN111590577B (zh) 机械臂多参量数字变频控制方法及装置
Peng et al. Observer-based adaptive neural control of robotic systems with prescribed performance
Aziz et al. A comprehensive examination of vector-controlled induction motor drive techniques
Dimeas et al. Admittance neuro-control of a lifting device to reduce human effort
CN108015761B (zh) 一种单连杆柔性机械臂控制方法及系统
Li et al. Image-based composite learning robot visual servoing with an uncalibrated eye-to-hand camera
Wu et al. Active disturbance rejection control for ship course tracking with parameters tuning
CN104238359B (zh) 一种大型机电混合惯量系统控制方法
Maheedhar et al. A Behavioral Study of Different Controllers and Algorithms in Real-Time Applications
Ascencio et al. An adaptive fuzzy hybrid state observer for bioprocesses
CN215825344U (zh) 机械臂
Jonnalagadda et al. Hardware-in-the-loop testing of current cycle feedback ILC for stabilisation and tracking control of under-actuated visual servo system
CN112049811B (zh) 控制装置的转速的方法
CN109309468B (zh) 一种直线电机调速系统及方法
CN113377138A (zh) 实验室控温系统
CN112792335A (zh) 面向激光选区熔化技术的熔池温度反馈控制方法及系统
CN110995098A (zh) 一种永磁同步电机的反演控制方法
Jing et al. Finite-Time Tracking Control of a Flexible Link Manipulator Based on an Extended State Observer

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant