CN111783248A - 一种工业机器人动力学建模及动力学参数识别方法 - Google Patents
一种工业机器人动力学建模及动力学参数识别方法 Download PDFInfo
- Publication number
- CN111783248A CN111783248A CN202010617567.9A CN202010617567A CN111783248A CN 111783248 A CN111783248 A CN 111783248A CN 202010617567 A CN202010617567 A CN 202010617567A CN 111783248 A CN111783248 A CN 111783248A
- Authority
- CN
- China
- Prior art keywords
- industrial robot
- dynamics
- parameters
- modal
- particle
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种工业机器人动力学建模及动力学参数识别方法,包括:建立工业机器人多体系统动力学模型,通过多体系统传递矩阵法,计算出工业机器人动力学系统的固有频率和固有振型;对工业机器人进行模态试验,获取工业机器人的实测固有频率和固有振型;建立计算模态参数和实测模态参数间的最小误差目标函数,通过遗传粒子群算法进行优化计算,识别出工业机器人动力学参数。本发明的工业机器人动力学建模及动力学参数识别方法具有动力学参数识别速度快、识别精度高、识别过程简便的优点。
Description
技术领域
本发明涉及一种工业机器人动力学建模及动力学参数识别方法,具体涉及一种融合多体系统传递矩阵法和遗传粒子群算法的工业机器人动力学建模及动力学参数识别方法。
背景技术
近年来,工业机器人的应用越来越广泛,已经成为现代工业中重要的生产加工设备,但一直无法应用于航空、航天等高精度制造加工领域,究其原因,主要是工业机器人的运动控制精度和动态特性等核心性能无法满足高精度制造加工需求。基于机器人运动学的控制与补偿,虽然能改善其控制精度,但提升效果有限,必须进行机器人动力学研究,建立准确描述其动态特性的动力学方程,实现动力学参数的快速精准识别,以精确获取机器人加工过程中的动态特性与动力响应。
现有技术中,中国专利CN106346513A公开了一种六自由度机器人末端负载动力学参数辨识装置及方法,其基于拉格朗日方程建立机器人动力学模型,需要建立机器人整体动力学模型,建模过程复杂。同时,需要毫秒级高精度设备对机器人轨迹进行数据采样,并利用加权最小二乘法辨识机器人动力学参数,辨识方法和计算过程比较复杂。
中国专利CN110058523A公开了基于极大似然估计的SCARA机器人动力学参数辨识方法,其采用牛顿-欧拉法建立机器人动力学模型,需要对机器人激励轨迹进行设计与优化,通过采集激励轨迹数据后,再基于极大似然估计方法,识别动力学惯性参数,不仅建模过程复杂,而且,在识别复杂系统的参数时速度较慢。
经过较为全面的检索,发明人发现现有技术大都存在如下问题:其一,建立机器人动力学模型都需要建立机器人总体动力学方程,建模方法和计算过程复杂,涉及的矩阵阶次高,导致机器人动力学参数辨识速度慢;其二,需要对机器人进行实时数据采集,对于大规模参数辨识问题,需要采集大量的样本数据,辨识过程复杂;其三,辨识的关节刚度都是只考虑绕关节旋转轴的刚度,忽略了其它方向的刚度,在计算精度上会产生偏差。
发明内容
本发明提出一种机器人动力学参数识别速度和精度高的工业机器人动力学建模及动力学参数识别方法。
本发明所采用的技术方案为:
一种工业机器人动力学建模及动力学参数识别方法,包括如下步骤:
步骤1、建立工业机器人多体系统动力学模型,通过多体系统传递矩阵法,计算出工业机器人动力学系统的固有频率和固有振型;
步骤2、对工业机器人进行模态试验,获取工业机器人的实测固有频率和固有振型;
步骤3、建立计算模态参数和实测模态参数间的最小误差目标函数,通过遗传粒子群算法进行优化计算,识别出工业机器人动力学参数。
进一步地,步骤1包括:
步骤11、将工业机器人拆分为多个转动关节元件和多个机械连杆元件,自下而上对各元件进行顺序编号1,2,3,…,n,n为包括转动关节元件和机械连杆元件的元件个数总和;
将转动关节元件等效为空间弹性铰,将机械连杆元件等效为一端输入、一端输出的空间刚体,建立工业机器人多体系统动力学模型;
步骤12、推导各元件的传递矩阵Ui和对应的传递方程Zi,O=UiZi,I,其中,Zi,I为第i个元件输入点的状态矢量,Zi,O为第i个元件输出点的状态矢量,i=1,2,3,…,n;
工业机器人动力学系统总传递矩阵为:Uall=Un…U2U1,其中,Un,…,U2,U1分别为各元件的传递矩阵;
工业机器人动力学系统总传递方程为:Zn,0=UallZ1,0,其中,Zn,0分别为第n个元件输出点的状态矢量,Z1,0为第1个元件输入点的状态矢量;
步骤13、以第一个元件的输入点和第n个元件输出点的状态矢量为边界条件,根据边界条件和步骤12得到的工业机器人动力学系统总传递方程,确定工业机器人动力学系统特征方程,求解特征方程,计算出工业机器人模型系统的固有频率和固有振型k为固有频率的阶次。
进一步地,步骤2具体包括:
采用单点激励、多点拾振的锤击模态试验法,对工业机器人进行试验模态分析:建立用于模态试验的工业机器人几何模型,确定采样点,即人为激励输入与振动响应输出位置;采集任一采样点的输出响应时,使用力锤多次锤击机器人,通过安装在工业机器人上的加速度传感器测量响应,取多次锤击响应的线性平均值作为该采样点的振动输出响应,通过动态信号测试分析系统,将测得的力输入信号和采样点的加速度输出信号数字化,采用多参考点最小二乘复频域法,对模态试验数据拟合,获取工业机器人固有频率ωk和振型Yk。
进一步地,步骤3具体包括:
步骤31、选定包含最优值的参数范围,根据模态反演分析法,定义最小误差目标函数F为:
公式(9)中,k为模态阶数,k=1,2,3,…,l;s=1,2,3,…,m为各阶振型中元素的个数;
由最小误差目标函数F变换获得适应度函数f(F):
公式(10)中,c为常数;
步骤32、根据最小误差目标函数F和适应度函数f(F),通过遗传粒子群算法,计算确定收敛于最优解的参数。
进一步地,步骤32具体包括:
步骤3201、确定识别参数及参数范围,将参数集合转化为位串空间;
步骤3202、粒子群初始化,确定种群大小N,根据待识别参数数量,确定粒子的搜索空间维度d,初始化粒子位置和速度,确定参数,包括种群大小、进化次数、交叉概率和目标迭代精度,定义粒子e的位置矢量为Xe,速度矢量为Ve;
Xe=(xe1,xe2,…,xed)T (11)
Ve=(ve1,ve2,…,ved)T (12)
公式(11)和(12)中,e=1,2,…,N;xed表示粒子e在d维搜索空间中的位置,ved表示粒子e在d维搜索空间中的速度;
步骤3203、适应度值计算,根据适应度函数,计算各粒子的适应度值,并判断是否满足目标迭代精度,若满足,则确定最优参数;否则,进入步骤3204;
步骤3204、个体极值和群体极值更新,根据步骤3203计算得到的各粒子适应度值,确定粒子的个体极值和粒子群的群体极值;
步骤3205、速度和位置更新,根据步骤3204得到的个体极值与群体极值,分别更新粒子速度和位置,更新公式如下:
公式(13)和(14)中,上标q表示迭代次数;u为惯性权重;c1,c2均为非负常数学习因子;r1,r2均为区间[0,1]内相互独立的随机数;Pe为第e个粒子历史运动过程中适应度最佳时对应的位置,称为个体极值;Pg为整个群体的所有粒子在历史运动过程中适应度最佳时对应的位置,称为群体极值;
步骤3206、遗传交叉操作,对选择适应度较好的前一半粒子进行遗传交叉操作生成新一代种群,得到新粒子位置和速度公式如下:
步骤3207、重复步骤3203至步骤3206,直至满足目标迭代精度,此时,种群中适值最高的个体,即为所求参数。
进一步地,步骤3205中,c1=c2=1.49445。
本发明的有益效果在于:
1)、本发明的方法无需建立工业机器人系统的总体动力学方程,得到的机器人动力学方程矩阵阶次低、建模程式化程度高,速度快,可有效提高机器人动力学参数的辨识速度;
2)、通过模态试验进行机器人动力学参数辨识,可避免对采样数据的大量采集和分析处理,动力学参数辨识过程简单;
3)、采用遗传粒子群优化算法,在参数识别过程中,全局和局部寻优能力强,直接以目标函数转化为适应度函数作为搜索信息,搜索效率高,在隐含并行性搜索的同时,可快速获得高精度的机器人参数优化结果。
附图说明
图1为本发明的工业机器人动力学建模及动力学参数识别方法的流程框图;
图2为工业机器人动力学模型及其拓扑图;
图3为空间弹性铰的动力学模型示意图;
图4为一端输入、一端输出的空间刚体的动力学模型示意图;
图5为参数识别中空间转换关系图。
具体实施方式
下面结合附图和具体的实施例对本发明的工业机器人动力学建模及动力学参数识别方法作进一步的详细说明。
本实施例中,以KUKAKR500-2830M型工业机器人为例进行示例性说明,且以下描述的实施方式是示例性的,仅用于解释本发明,不能解释为对本发明的限制。
如图1所示,一种工业机器人动力学建模及动力学参数识别方法,包括如下步骤:
步骤1、建立工业机器人多体系统动力学模型,通过多体系统传递矩阵法,计算出工业机器人动力学系统的固有频率和固有振型。
步骤1具体包括:
步骤11、将工业机器人拆分为多个转动关节元件和多个机械连杆元件,自下而上对各元件进行顺序编号1,2,3,…,n,n为包括转动关节元件和机械连杆元件的元件个数总和。
将转动关节元件等效为空间弹性铰(铰元件),将机械连杆元件等效为一端输入、一端输出的空间刚体(体元件),建立工业机器人多体系统动力学模型。
如图2所示,按照KUKAKR500-2830M型工业机器人各部件的自然属性,将工业机器人整体结构化整为零,拆分为包括6个转动关节元件和6个机械连杆元件,对KUKAKR500-2830M型工业机器人的12个元件进行顺序编号。0对应边界点。1,3,5,7,9,11分别对应转动关节元件1至转动关节元件6。2,4,6,8,10,12分别对应机械连杆元件1至机械连杆元件6。
步骤12、推导各元件的传递矩阵Ui和对应的传递方程Zi,O=UiZi,I,其中,Zi,I为第i个元件输入点的状态矢量,Zi,O为第i个元件输出点的状态矢量,i=1,2,3,…,n。
工业机器人动力学系统总传递矩阵为:Uall=Un…U2U1,其中,Un,…,U2,U1分别为各元件的传递矩阵。
工业机器人动力学系统总传递方程为:Zn,0=UallZ1,0,其中,Zn,0为第n个元件输出点的状态矢量,Z1,0为第1个元件输入点的状态矢量。
以该KUKAKR500-2830M型工业机器人为例,分别推导各转动关节元件的传递矩阵和传递方程,以及各机械连杆元件的传递矩阵和传递方程。
1)对于转动关节元件,其含伺服电机、减速机、传动齿轮等机械电气结构,可将其等效为只考虑沿x轴,y轴,z轴方向平移和绕x轴,y轴,z轴方向扭转的空间弹性铰,如图3所示。
转动关节元件的传递矩阵Ui表示为
机械连杆元件的传递矩阵Ui表示为
公式(2)中,m为对应连杆质量,ω为系统的固有频率,lIO为连体坐标系中输出点O相对于输入点I的位置矢量,lIC为连体坐标系中质心C相对于输入点I的位置矢量,lCO为连体坐标系中输出点O相对于质心C的位置矢量,JI为空间刚体相对于输入点I的惯量矩阵。表示任一向量a对应的反对称矩阵,即若a=[a1 a2 a3]T,则
3)旋转坐标变换矩阵。
各个机械连杆元件建立的连体坐标系采用方向余弦矩阵描述旋转关系。当KUKAKR500-2830M型工业机器人6个机械连杆关节转角为θ1,θ2,θ3,θ4,θ5,θ6时,按传递方向,状态矢量Z2,1、Z4,3、Z6,5、Z8,7、Z10,9、Z12,11需先后通过坐标变换转换后进行传递。
公式(3)中,Hx(θ),Hy(θ),Hz(θ)分别为绕x轴、y轴、z轴旋转的方向余弦矩阵。
定义机器人基坐标系oxyz如图2所示,关节1旋转轴与地面交点为坐标原点,垂直于地面向上为z轴正方向,坐标系原点指向如图2位姿下法兰盘中心方向为x轴正方向,按照右手螺旋定则确定y轴正方向。
状态矢量的定义方法如下:
状态矢量Z2,1定义在连体坐标系上,状态矢量Z'2,1定义在以体元件2输入点I2为坐标原点,与工业机器人基坐标系oxyz坐标轴方向一致的坐标系I2XYZ上,坐标系与坐标系I2XYZ之间仅相差关节1绕坐标系I2XYZ的z轴方向的转角θ1。
状态矢量Z4,3、Z6,5、Z8,7、Z10,9、Z12,11的定义方法同Z2,1,均定义在各自的连体坐标系上。状态矢量Z'4,3、Z'6,5、Z′8,7、Z′10,9、Z′12,11的定义方法同Z'2,1,均定义在以各自体元件输入点为坐标原点,与工业机器人基坐标系oxyz坐标轴方向一致的坐标系上,其中,θ2、θ3、θ4、θ5、θ6为该坐标系与连体坐标系之间相差的绕各自关节旋转轴正方向的转角。
利用多体系统传递矩阵法的总传递方程自动推导定理,推导机器人的总传递矩阵和总传递方程。
KUKAKR500-2830M型工业机器人是由12个元件组成的多自由度系统,12个元件的传递方程分别为:
则系统的总传递方程为:
Z12,0=UallZ1,0 (5)
系统总传递矩阵为:
Uall=U12Hx(θ6)U11U10Hy(θ5)U9U8Hx(θ4)U7U6Hy(θ3)U5U4Hy(θ2)U3U2Hz(θ1)U1 (6)
步骤13、以第一个元件的输入点和第n个元件输出点的状态矢量为边界条件,根据边界条件和步骤12得到的工业机器人动力学系统总传递方程,确定工业机器人动力学系统特征方程,求解特征方程,计算出工业机器人模型系统的固有频率和固有振型k为固有频率的阶次。
铰元件1输入点固支在地面,其线位移、角位移均为0,内力和内力矩未知。体元件12输出点为自由边界,其内力和内力矩均为0,线位移和角位移未知,则系统边界条件为:
公式(7)中,Mx、My、Mz表示模态坐标下联接点处的内力矩。Qx、Qy、Qz表示模态坐标下联接点处的内力。X、Y、Z表示模态坐标下惯性坐标系中联接点相对于其平衡位置的线位移。Θx、Θy、Θz表示模态坐标下惯性坐标系中联接点相对于其平衡位置的角位移。
将边界条件代入总传递方程(5)中,可得到
公式(8)中,A6×6、B6×6、C6×6、D6×6为Uall的四个分块矩阵。
根据Z12,0和Z1,0中的零元素分布,确定系统的特征矩阵D6×6,求解满足D6×6的行列式的值为0的各阶固有频率的值,即求解方程k为固有频率的阶次,det[]表示求解矩阵的行列式。将固有频率代入元件的传递方程,可求得各阶模态下,系统各点的状态矢量,得到不同频率下对应的振型
步骤2、对工业机器人进行模态试验,获取工业机器人的实测固有频率和固有振型。
步骤2具体包括:
采用单点激励、多点拾振的锤击模态试验法,对工业机器人进行试验模态分析:建立用于模态试验的工业机器人几何模型,确定采样点,即人为激励输入与振动响应输出位置。采集任一采样点的输出响应时,使用力锤多次锤击机器人,通过安装在工业机器人上的加速度传感器测量响应,取多次锤击响应的线性平均值作为该采样点的振动输出响应,通过动态信号测试分析系统(现有技术),将测得的力锤力输入信号和采样点的加速度输出信号数字化,采用多参考点最小二乘复频域法,对模态试验数据拟合,获取工业机器人固有频率ωk和振型Yk。
步骤3具体包括:
步骤31、选定包含最优值的参数范围,根据模态反演分析法,定义最小误差目标函数F为:
由最小误差目标函数F,变换获得适应度函数f(F):
公式(10)中,c为常数。
具体地,选定识别的参数集(即确定变量定义域),包括各个机械连杆的质量、质心位置、转动惯量,以及六个方向上的关节刚度。通常根据经验,选择合适的实验数据进行求解,对于试验数据,一般选择测试精度高,数量大于识别参数个数,并尽量全面反映系统模型信息的实验数据。遗传粒子群算法是在给定参数范围内进行搜索,参数范围主要依据参数的物理意义和数值方法进行确定。参数取值范围的确定,既要保证最优值在取值范围内,又要保证参数识别效率的同时,尽量小地设置取值范围。
参数识别问题可以视为一个优化问题,将系统实测模态参数与数值计算模态参数的误差进行优化,即最小化实测输出与备选系统输出之间的误差范数。模态反演分析是通过应用优化使模态实验值和理论计算值差值的某个特定范数最小,来识别参数。
步骤32、根据最小误差目标函数F和适应度函数f(F),采用遗传粒子群算法,计算确定收敛于最优解的参数。
步骤32具体包括:
步骤3201、确定识别参数及参数范围,将参数集合转化为位串空间,参数识别中空间转换关系如图5所示。
步骤3202、粒子群初始化,确定种群大小N,根据待识别参数数量,确定粒子的搜索空间维度为d,初始化粒子位置和速度,确定参数,包括种群大小、进化次数、交叉概率和目标迭代精度,定义粒子e的位置矢量为Xe,速度矢量为Ve。
Xe=(xe1,xe2,…,xed)T (11)
Ve=(ve1,ve2,…,ved)T (12)
公式(11)和(12)中,e=1,2,…,N,xed表示粒子e在d维搜索空间中的位置,ved表示粒子e在d维搜索空间中的速度。
步骤3203、适应度值计算,根据适应度函数,计算各粒子的适应度值,并判断是否满足目标迭代精度,若满足,则确定最优参数。否则,进入步骤3204。
步骤3204、个体极值和群体极值更新,根据步骤3203计算得到的各粒子适应度值,确定粒子的个体极值和粒子群的群体极值。
步骤3205、速度和位置更新,根据步骤3204得到的个体极值与群体极值,分别更新粒子速度和位置,更新公式如下:
公式(13)和(14)中,上标q表示第q次迭代,u为惯性权重。c1,c2均为非负常数学习因子,一般取值c1=c2=1.49445。r1,r2均为区间[0,1]内相互独立的随机数。Pe为第e个粒子历史运动过程中,适应度最佳时对应的位置,称为个体极值。Pg为整个群体的所有粒子在历史运动过程中,适应度最佳时对应的位置,称为群体极值。
步骤3206、遗传交叉操作,对选择适应度较好的前一半粒子进行遗传交叉操作生成新一代种群,得到新粒子位置和速度公式如下:
步骤3207、重复步骤3203至步骤3206,直至满足目标迭代精度,此时,种群中适值最高的个体,即为所求参数。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种工业机器人动力学建模及动力学参数识别方法,其特征在于,包括如下步骤:
步骤1、建立工业机器人多体系统动力学模型,通过多体系统传递矩阵法,计算出工业机器人动力学系统的固有频率和固有振型;
步骤2、对工业机器人进行模态试验,获取工业机器人的实测固有频率和固有振型;
步骤3、建立计算模态参数和实测模态参数间的最小误差目标函数,通过遗传粒子群算法进行优化计算,识别出工业机器人动力学参数。
2.根据权利要求1所述的工业机器人动力学建模及动力学参数识别方法,其特征在于,步骤1包括:
步骤11、将工业机器人拆分为多个转动关节元件和多个机械连杆元件,自下而上对各元件进行顺序编号1,2,3,…,n,n为包括转动关节元件和机械连杆元件的元件个数总和;
将转动关节元件等效为空间弹性铰,将机械连杆元件等效为一端输入、一端输出的空间刚体,建立工业机器人多体系统动力学模型;
步骤12、推导各元件的传递矩阵Ui和对应的传递方程Zi,O=UiZi,I,其中,Zi,I为第i个元件输入点的状态矢量,Zi,O为第i个元件输出点的状态矢量,i=1,2,3,…,n;
工业机器人动力学系统总传递矩阵为:Uall=Un…U2U1,其中,Un,…,U2,U1分别为各元件的传递矩阵;
工业机器人动力学系统总传递方程为:Zn,0=UallZ1,0,其中,Zn,0分别为第n个元件输出点的状态矢量,Z1,0为第1个元件输入点的状态矢量;
3.根据权利要求1或2所述的工业机器人动力学建模及动力学参数识别方法,其特征在于,步骤2具体包括:
采用单点激励、多点拾振的锤击模态试验法,对工业机器人进行试验模态分析:建立用于模态试验的工业机器人几何模型,确定采样点,即人为激励输入与振动响应输出位置;采集任一采样点的输出响应时,使用力锤多次锤击机器人,通过安装在工业机器人上的加速度传感器测量响应,取多次锤击响应的线性平均值作为该采样点的振动输出响应,通过动态信号测试分析系统,将测得的力输入信号和采样点的加速度输出信号数字化,采用多参考点最小二乘复频域法,对模态试验数据拟合,获取工业机器人固有频率ωk和振型Yk。
5.根据权利要求4所述的工业机器人动力学建模及动力学参数识别方法,其特征在于,步骤32具体包括:
步骤3201、确定识别参数及参数范围,将参数集合转化为位串空间;
步骤3202、粒子群初始化,确定种群大小N,根据待识别参数数量,确定粒子的搜索空间维度d,初始化粒子位置和速度,确定参数,包括种群大小、进化次数、交叉概率和目标迭代精度,定义粒子e的位置矢量为Xe,速度矢量为Ve;
Xe=(xe1,xe2,…,xed)T (11)
Ve=(ve1,ve2,…,ved)T (12)
公式(11)和(12)中,e=1,2,…,N;xed表示粒子e在d维搜索空间中的位置,ved表示粒子e在d维搜索空间中的速度;
步骤3203、适应度值计算,根据适应度函数,计算各粒子的适应度值,并判断是否满足目标迭代精度,若满足,则确定最优参数;否则,进入步骤3204;
步骤3204、个体极值和群体极值更新,根据步骤3203计算得到的各粒子适应度值,确定粒子的个体极值和粒子群的群体极值;
步骤3205、速度和位置更新,根据步骤3204得到的个体极值与群体极值,分别更新粒子速度和位置,更新公式如下:
公式(13)和(14)中,上标q表示迭代次数;u为惯性权重;c1,c2均为非负常数学习因子;r1,r2均为区间[0,1]内相互独立的随机数;Pe为第e个粒子历史运动过程中适应度最佳时对应的位置,称为个体极值;Pg为整个群体的所有粒子在历史运动过程中适应度最佳时对应的位置,称为群体极值;
步骤3206、遗传交叉操作,对选择适应度较好的前一半粒子进行遗传交叉操作生成新一代种群,得到新粒子位置和速度公式如下:
步骤3207、重复步骤3203至步骤3206,直至满足目标迭代精度,此时,种群中适值最高的个体,即为所求参数。
6.根据权利要求5所述的工业机器人动力学建模及动力学参数识别方法,其特征在于,步骤3205中,c1=c2=1.49445。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617567.9A CN111783248A (zh) | 2020-07-01 | 2020-07-01 | 一种工业机器人动力学建模及动力学参数识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617567.9A CN111783248A (zh) | 2020-07-01 | 2020-07-01 | 一种工业机器人动力学建模及动力学参数识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783248A true CN111783248A (zh) | 2020-10-16 |
Family
ID=72760322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010617567.9A Pending CN111783248A (zh) | 2020-07-01 | 2020-07-01 | 一种工业机器人动力学建模及动力学参数识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783248A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112476489A (zh) * | 2020-11-13 | 2021-03-12 | 哈尔滨工业大学(深圳) | 基于自然特征的柔性机械臂同步测量方法及系统 |
CN113239629A (zh) * | 2021-06-03 | 2021-08-10 | 上海交通大学 | 一种轨迹空间行列式点过程的强化学习探索和利用的方法 |
CN114265364A (zh) * | 2021-12-21 | 2022-04-01 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
CN117874943A (zh) * | 2023-12-21 | 2024-04-12 | 南京航空航天大学 | 基于柔顺工装优化布局的航空大型薄壁构件刚性强化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108638056A (zh) * | 2018-04-13 | 2018-10-12 | 华南理工大学 | 基于柔体动力学模型的机器人关节振动分析与抑制方法 |
CN110193829A (zh) * | 2019-04-24 | 2019-09-03 | 南京航空航天大学 | 一种耦合运动学与刚度参数辨识的机器人精度控制方法 |
CN110962124A (zh) * | 2019-12-05 | 2020-04-07 | 齐鲁工业大学 | 切削加工机器人静态误差补偿与动刚度模型的修正方法 |
CN111002313A (zh) * | 2019-12-20 | 2020-04-14 | 华中科技大学 | 一种机器人模态参数辨识与动态特性分析的方法 |
-
2020
- 2020-07-01 CN CN202010617567.9A patent/CN111783248A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108638056A (zh) * | 2018-04-13 | 2018-10-12 | 华南理工大学 | 基于柔体动力学模型的机器人关节振动分析与抑制方法 |
CN110193829A (zh) * | 2019-04-24 | 2019-09-03 | 南京航空航天大学 | 一种耦合运动学与刚度参数辨识的机器人精度控制方法 |
CN110962124A (zh) * | 2019-12-05 | 2020-04-07 | 齐鲁工业大学 | 切削加工机器人静态误差补偿与动刚度模型的修正方法 |
CN111002313A (zh) * | 2019-12-20 | 2020-04-14 | 华中科技大学 | 一种机器人模态参数辨识与动态特性分析的方法 |
Non-Patent Citations (5)
Title |
---|
中国人工智能学会智能机器人专业委员会: "《智能机器人 93》", 31 July 1993 * |
李威 等: "机床螺栓固定结合面动态参数识别与实验验证", 《机械科学与技术》 * |
李季 等: "基于遗传交叉因子的改进粒子群优化算法", 《计算机工程》 * |
郑坤明 等: "Delta机器人弹性动力学建模与模态分析", 《包装工程》 * |
郭月: "基于多刚体系统传递矩阵法的救援机器人动力学建模与规划", 《中国优秀博硕士学位论文全文数据库(硕士).信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112476489A (zh) * | 2020-11-13 | 2021-03-12 | 哈尔滨工业大学(深圳) | 基于自然特征的柔性机械臂同步测量方法及系统 |
CN112476489B (zh) * | 2020-11-13 | 2021-10-22 | 哈尔滨工业大学(深圳) | 基于自然特征的柔性机械臂同步测量方法及系统 |
CN113239629A (zh) * | 2021-06-03 | 2021-08-10 | 上海交通大学 | 一种轨迹空间行列式点过程的强化学习探索和利用的方法 |
CN114265364A (zh) * | 2021-12-21 | 2022-04-01 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
CN114265364B (zh) * | 2021-12-21 | 2023-10-03 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
CN117874943A (zh) * | 2023-12-21 | 2024-04-12 | 南京航空航天大学 | 基于柔顺工装优化布局的航空大型薄壁构件刚性强化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783248A (zh) | 一种工业机器人动力学建模及动力学参数识别方法 | |
CN109514602B (zh) | 一种基于负载自适应辨识的工业机器人力矩补偿控制方法 | |
CN108227492B (zh) | 一种六自由度串联机器人末端负载动力学参数的辨识方法 | |
CN107703747B (zh) | 一种面向搅拌摩擦焊应用的重载机器人动力学参数自标定方法 | |
CN103495977B (zh) | 一种6r型工业机器人负载识别方法 | |
CN110076775B (zh) | 一种绳驱动连续型机械臂的三维静力学建模方法 | |
CN107703748B (zh) | 一种基于偏置板设计的重载机器人静态刚度辨识方法 | |
CN108268745B (zh) | 一种基于rcsa的二叉树机器人铣削系统频响预测方法 | |
CN111496791A (zh) | 一种基于串联机器人的整体动力学参数辨识方法 | |
CN110020460A (zh) | 螺栓连接带法兰的圆柱壳结构频响函数不确定性分析方法 | |
CN111368466A (zh) | 一种基于频响函数参数修正的机械振动预测方法 | |
CN110941183A (zh) | 一种基于神经网络的工业机器人动力学辨识方法 | |
Belotti et al. | An Updating Method for Finite Element Models of Flexible‐Link Mechanisms Based on an Equivalent Rigid‐Link System | |
Campa et al. | Pose control of robot manipulators using different orientation representations: A comparative review | |
CN113359444B (zh) | 基于神经网络的挠性航天器刚柔耦合特性智能辨识方法 | |
Yi et al. | Optimal design and force control of a nine-cable-driven parallel mechanism for lunar takeoff simulation | |
Xie et al. | Manipulator calibration based on PSO-RBF neural network error model | |
CN104715133B (zh) | 一种待辨识对象的运动学参数在轨辨识方法和装置 | |
Desoyer et al. | Flexible robots-A survey | |
CN114516050A (zh) | 基于位形雅可比条件数优化的机器人外力估计方法及系统 | |
Post | Robust state estimation for the control of flexible robotic manipulators | |
CN114296069A (zh) | 一种基于视觉雷达的小天体探测器多模型导航方法 | |
Hongying et al. | Position servo control method for multi-degree-of-freedom pneumatic manipulators based on delayed feedback | |
Jiang | Vision-based Cartesian space motion control for flexible robotic manipulators | |
Huang et al. | Genetic algorithm based sensor placement optimization and modal identification for truss structure satellite |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201016 |