CN113610218B - 基于极限学习机的负载识别方法、系统、装置及存储介质 - Google Patents
基于极限学习机的负载识别方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113610218B CN113610218B CN202110836704.2A CN202110836704A CN113610218B CN 113610218 B CN113610218 B CN 113610218B CN 202110836704 A CN202110836704 A CN 202110836704A CN 113610218 B CN113610218 B CN 113610218B
- Authority
- CN
- China
- Prior art keywords
- model
- learning machine
- extreme learning
- robot
- load
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于极限学习机的负载识别方法、系统、装置及存储介质,方法包括:构建机器人的刚柔耦合动力学模型,并根据刚柔耦合动力学模型确定机器人的第一参数组和第二参数组;根据第一参数组获取机器人的第一监测参数,并根据第一监测参数确定训练样本集;构建极限学习机模型,输入层根据第一参数组确定,输出层根据第二参数组确定;将训练样本集输入到极限学习机模型中进行训练,得到训练好的负载识别模型,进而根据负载识别模型对机器人的负载进行识别。本发明通过刚柔耦合动力学模型以及极限学习机模型训练得到负载识别模型,增强了负载识别模型的可移植性,提高了负载识别的准确性和实时性。本发明可广泛应用于机器人控制技术领域。
Description
技术领域
本发明涉及机器人控制技术领域,尤其是一种基于极限学习机的负载识别方法、系统、装置及存储介质。
背景技术
工业机器人在实际使用的过程中,需要对实际工作负载进行的识别,进而调整机器人控制参数,以避免由于负载改变引起控制精度的下降的问题。
目前对于工业机器人的负载识别方法大多以机器人动力学算法为基础,在机器人出厂前设置相应的程序于机器人的控制系统中,在使用时使机器人完成特定动作,以识别负载大小。这种方法欠缺灵活性,无法进行局部调整,准确性较低,不具备可移植性,且在使用场景下机器人需完成特定动作辅助识别,过程复杂、实时性较差。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种基于极限学习机的负载识别方法,该方法通过刚柔耦合动力学模型以及极限学习机模型训练得到负载识别模型,增强了负载识别模型的可移植性,提高了负载识别的准确性和实时性。
本发明实施例的另一个目的在于提供一种基于极限学习机的负载识别系统。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
第一方面,本发明实施例提供了一种基于极限学习机的负载识别方法,包括以下步骤:
构建机器人的刚柔耦合动力学模型,并根据所述刚柔耦合动力学模型确定机器人的第一参数组和第二参数组;
根据所述第一参数组获取机器人的第一监测参数,并根据所述第一监测参数确定训练样本集;
构建极限学习机模型,所述极限学习机模型包括输入层、隐含层以及输出层,所述输入层根据所述第一参数组确定,所述输出层根据所述第二参数组确定;
将所述训练样本集输入到所述极限学习机模型中进行训练,得到训练好的负载识别模型,进而根据所述负载识别模型对机器人的负载进行识别。
进一步地,在本发明的一个实施例中,所述刚柔耦合动力学模型为:
其中,q表示机器人关节的转角矩阵,表示机器人关节的角速度矩阵,表示机器人关节角加速度矩阵,M(q)表示广义质量矩阵,表示广义阻尼矩阵,G(q)表示广义惯性力矩阵,J表示机器人雅可比矩阵,B表示哥式力系数矩阵,K表示广义刚度矩阵,θ表示关节变形转角,F表示负载力,τ表示关节扭矩。
进一步地,在本发明的一个实施例中,所述第一参数组包括关节电流、关节电流误差、关节位置误差以及关节速度误差,所述第二参数组包括关节变形转角、连杆校正刚度以及连杆校正质量。
进一步地,在本发明的一个实施例中,所述根据所述第一参数组获取机器人的第一监测参数,并根据所述第一监测参数确定训练样本集这一步骤,其具体包括:
根据所述第一参数组获取机器人的第一监测参数;
对所述第一监测参数进行滤波处理和归一化处理,得到第一样本数据;
根据所述第一样本数据和所述刚柔耦合动力学模型确定第二样本数据,所述第二样本数据为所述第二参数组中的参数;
根据所述第一样本数据和所述第二样本数据确定训练样本集。
进一步地,在本发明的一个实施例中,所述构建极限学习机模型这一步骤中,还包括以下步骤:
确定所述极限学习机模型的激活函数,并确定所述隐含层的神经元个数。
进一步地,在本发明的一个实施例中,所述将所述训练样本集输入到所述极限学习机模型中进行训练,得到训练好的负载识别模型这一步骤,其具体包括:
将所述训练样本集输入到所述极限学习机模型中,根据所述训练样本集和所述激活函数确定所述隐含层的输出矩阵;
根据所述输出矩阵求解所述隐含层的输出权重矩阵,所述输出权重矩阵使得所述极限学习机模型的误差函数最小;
根据所述输出权重矩阵得到训练好的负载识别模型。
进一步地,在本发明的一个实施例中,所述根据所述负载识别模型对机器人的负载进行识别这一步骤,其具体包括:
获取机器人的实时监测参数,所述实时监测参数为所述第一参数组中的参数;
将所述实时监测参数输入到所述负载识别模型中,根据所述负载识别模型的输出结果和所述刚柔耦合动力学模型确定机器人的实时负载。
第二方面,本发明实施例提供了一种基于极限学习机的负载识别系统,包括:
动力学模型构建模块,用于构建机器人的刚柔耦合动力学模型,并根据所述刚柔耦合动力学模型确定机器人的第一参数组和第二参数组;
训练样本集确定模块,用于根据所述第一参数组获取机器人的第一监测参数,并根据所述第一监测参数确定训练样本集;
极限学习机模型构建模块,用于构建极限学习机模型,所述极限学习机模型包括输入层、隐含层以及输出层,所述输入层根据所述第一参数组确定,所述输出层根据所述第二参数组确定;
模型训练与识别模块,用于将所述训练样本集输入到所述极限学习机模型中进行训练,得到训练好的负载识别模型,进而根据所述负载识别模型对机器人的负载进行识别。
第三方面,本发明实施例提供了一种基于极限学习机的负载识别装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现上述的一种基于极限学习机的负载识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行上述的一种基于极限学习机的负载识别方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到:
本发明实施例构建机器人的刚柔耦合动力学模型,并根据该模型确定机器人易监测的第一参数组和不易监测的第二参数组,然后获取机器人易于监测的第一监测参数,根据第一检测参数构建训练样本集,再构建以第一参数组为输入、以第二参数组为输出的极限学习机模型,进而将训练样本集输入到极限学习机模型中进行训练,得到训练好的负载识别模型,从而可以对机器人的实时负载进行识别。本发明实施例通过刚柔耦合动力学模型以及极限学习机模型训练得到负载识别模型,增强了负载识别模型的可移植性,提高了负载识别的准确性和实时性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面对本发明实施例中所需要使用的附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种基于极限学习机的负载识别方法的步骤流程图;
图2为本发明实施例提供的极限学习机模型的结构示意图;
图3为本发明实施例提供的负载识别模型的训练过程示意图;
图4为本发明实施例提供的一种基于极限学习机的负载识别系统的结构框图;
图5为本发明实施例提供的一种基于极限学习机的负载识别装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,多个的含义是两个或两个以上,如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
参照图1,本发明实施例提供了一种基于极限学习机的负载识别方法,具体包括以下步骤:
S101、构建机器人的刚柔耦合动力学模型,并根据刚柔耦合动力学模型确定机器人的第一参数组和第二参数组。
具体地,运用机器人刚柔耦合动力学理论建立动力学模型,模型参数包括固定参数和可变参数,其中,固定参数包括连杆质量、连杆弹性模量以及连杆几何参量,可变参数包括机器人关节转角、关节速度、关节加速度、关节扭矩、关节变形转角以及机器人负载质量。
可选地,刚柔耦合动力学模型以关节连接处为柔性单元,以机器人连杆构件为刚性单元。
进一步作为可选的实施方式,刚柔耦合动力学模型为:
其中,q表示机器人关节的转角矩阵,表示机器人关节的角速度矩阵,表示机器人关节角加速度矩阵,M(q)表示广义质量矩阵,表示广义阻尼矩阵,G(q)表示广义惯性力矩阵,J表示机器人雅可比矩阵,B表示哥式力系数矩阵,K表示广义刚度矩阵,θ表示关节变形转角,F表示负载力,τ表示关节扭矩。
具体地,M(q)表示广义质量矩阵,可根据机器人关节转角矩阵计算得到;表示广义阻尼矩阵,可根据机器人关节转角矩阵和角速度矩阵计算得到;G(q)表示广义惯性力矩阵,可通过机器人关节转角矩阵计算得到;J表示机器人雅可比矩阵,可根据机器人关节转角及几何参数计算得到。
进一步作为可选的实施方式,第一参数组包括关节电流、关节电流误差、关节位置误差以及关节速度误差,第二参数组包括关节变形转角、连杆校正刚度以及连杆校正质量。
具体地,通过动力学计算,确定用于极限学习机模型输入的易监测参数(即第一参数组)和用于极限学习机模型输出的不易监测参数(即第二参数组),确定易监测参数与不易监测参数之间的数学关系,从而可以确定极限学习机模型的输入与输出,以及从输出到机器人负载之间的数学计算。
S102、根据第一参数组获取机器人的第一监测参数,并根据第一监测参数确定训练样本集。
具体地,在确定了极限学习机模型的输入与输出后,需要针对性地进行数据采集,即采集易监测参数(第一监测参数),为后续模型训练与验证提供数据样本;在获得原始数据样本后,需要对其进行归一化及滤波处理,对数据进行对齐、校正,去除容易引起较大误差的奇异数据。步骤S102具体包括以下步骤:
S1021、根据第一参数组获取机器人的第一监测参数;
S1022、对第一监测参数进行滤波处理和归一化处理,得到第一样本数据;
S1023、根据第一样本数据和刚柔耦合动力学模型确定第二样本数据,第二样本数据为第二参数组中的参数;
S1024、根据第一样本数据和第二样本数据确定训练样本集。
具体地,对第一监测参数的处理包括滤波处理和归一化处理,滤波处理用于去除明显发生奇异的数据点和周期性产生的干扰信号,归一化处理用于对数据的被监测段进行截取与校正。本发明实施例中,根据采集到的第一监测参数得到第一样本数据后,再结合刚柔耦合动力学模型确定不易监测的第二样本数据,根据第一样本数据和第二样本数据确定用于模型训练的训练样本集。
S103、构建极限学习机模型,极限学习机模型包括输入层、隐含层以及输出层,输入层根据第一参数组确定,输出层根据第二参数组确定。
具体地,极限学习机(ELM)是对BP神经网络的改进,其输入层和隐含层的连接权值、隐含层的阈值可以随机设定,且设定完后不用再调整,这和BP神经网络不一样,BP需要不断反向去调整权值和阈值,因此ELM模型可以大大减少运算量。此外,ELM模型的隐含层和输出层之间的连接权值不需要迭代调整,而是通过解方程组方式一次性确定。基于上述特点,ELM模型的泛化性能和训练速度大大提高,相对于传统的神经网络,尤其是单隐层前馈神经网络(SLFNs),在保证学习精度的前提下比传统的学习算法速度更快。
进一步作为可选的实施方式,构建极限学习机模型这一步骤中,还包括以下步骤:
确定极限学习机模型的激活函数,并确定隐含层的神经元个数。
具体地,激活函数g(x)可以是三角函数、高斯函数、径向基函数、Sigmoid函数、双曲正弦函数以及硬限幅函数中任一种。如图2所示为本发明实施例提供的极限学习机模型的结构示意图,本发明实施例中,输入层共有d个神经元,隐含层共有L个神经元,Xj表示训练样本,β1至βL表示输出权重,ai和bi表示激活函数的参数。
S104、将训练样本集输入到极限学习机模型中进行训练,得到训练好的负载识别模型,进而根据负载识别模型对机器人的负载进行识别。
进一步作为可选的实施方式,将训练样本集输入到极限学习机模型中进行训练,得到训练好的负载识别模型这一步骤,其具体包括:
A1、将训练样本集输入到极限学习机模型中,根据训练样本集和激活函数确定隐含层的输出矩阵;
A2、根据输出矩阵求解隐含层的输出权重矩阵,输出权重矩阵使得极限学习机模型的误差函数最小;
A3、根据输出权重矩阵得到训练好的负载识别模型。
具体地,假定有N组学习数据,对包含L个隐含层节点和M个输出层节点的ELM而言,隐含层的输出矩阵的大小为N行L列,即行数为输入的训练数据个数,列数为隐含层节点数,输出矩阵本质上即是将N个输入数据映射至L个节点所得的结果;隐含层的输出权重矩阵的大小为L行M列,即行数为隐含层节点数,列数为输出层节点数。与其他算法不同,ELM算法中,输出层可以没有误差节点,ELM算法的核心是求解输出权重使得误差函数最小。
可选地,本发明实施例包括对训练得到的负载识别模型进行测试验证的步骤,具体是将测试样本输入到负载识别模型中得到识别验证结果,当识别效果不理想(准确率低于某一阈值)时,可重新选择激活函数g(x)、重新设定隐含层神经元个数L,并重新训练ELM模型直至识别效果理想(准确率不低于某一阈值)。如图3所示为本发明实施例提供的负载识别模型的训练过程示意图,测试样本集可在训练样本集构建时一同确定,通过测试验证可以大大提高本发明实施例的负载识别模型的准确性。
进一步作为可选的实施方式,根据负载识别模型对机器人的负载进行识别这一步骤,其具体包括:
B1、获取机器人的实时监测参数,实时监测参数为第一参数组中的参数;
B2、将实时监测参数输入到负载识别模型中,根据负载识别模型的输出结果和刚柔耦合动力学模型确定机器人的实时负载。
具体地,实时获取机器人的易监测参数(即实时监测参数),将实时监测参数输入已经完成学习的负载识别模型,将输出的不易监测参数代入刚柔耦合动力学模型即可得到机器人的实时负载。
以上对本发明实施例的方法步骤进行了说明。可以理解的是,本发明实施例通过刚柔耦合动力学模型以及极限学习机模型训练得到负载识别模型,增强了负载识别模型的可移植性,提高了负载识别的准确性和实时性,适用于工业机器人出厂前控制参数设置与校正,工业现场机器人的控制参数调整等场景。通过本发明,可以将一套经过数据训练的工业机器人负载识别系统应用到统一种类不同机器人上,实现对工作负载更好,更快的识别。
本发明可用于对出厂前处于调试阶段的机器人的负载识别系统进行训练以提高其负载识别能力。其中,负载识别的训练模型使用极限学习机算法构造,通过调整模型参数,使机器人获得最佳的负载识别能力,从而获得更高的精度。利用本发明可以提高负载识别系统在同批次不同机器人之间的通用性以及工作场景下负载识别的实时性。
参照图4,本发明实施例提供了一种基于极限学习机的负载识别系统,包括:
动力学模型构建模块,用于构建机器人的刚柔耦合动力学模型,并根据刚柔耦合动力学模型确定机器人的第一参数组和第二参数组;
训练样本集确定模块,用于根据第一参数组获取机器人的第一监测参数,并根据第一监测参数确定训练样本集;
极限学习机模型构建模块,用于构建极限学习机模型,极限学习机模型包括输入层、隐含层以及输出层,输入层根据第一参数组确定,输出层根据第二参数组确定;
模型训练与识别模块,用于将训练样本集输入到极限学习机模型中进行训练,得到训练好的负载识别模型,进而根据负载识别模型对机器人的负载进行识别。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图5,本发明实施例提供了一种基于极限学习机的负载识别装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当上述至少一个程序被上述至少一个处理器执行时,使得上述至少一个处理器实现上述的一种基于极限学习机的负载识别方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,该处理器可执行的程序在由处理器执行时用于执行上述一种基于极限学习机的负载识别方法。
本发明实施例的一种计算机可读存储介质,可执行本发明方法实施例所提供的一种基于极限学习机的负载识别方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种基于极限学习机的负载识别方法,其特征在于,包括以下步骤:
构建机器人的刚柔耦合动力学模型,并根据所述刚柔耦合动力学模型确定机器人的第一参数组和第二参数组;
根据所述第一参数组获取机器人的第一监测参数,并根据所述第一监测参数确定训练样本集;
构建极限学习机模型,所述极限学习机模型包括输入层、隐含层以及输出层,所述输入层根据所述第一参数组确定,所述输出层根据所述第二参数组确定;
将所述训练样本集输入到所述极限学习机模型中进行训练,得到训练好的负载识别模型,进而根据所述负载识别模型对机器人的负载进行识别;
所述刚柔耦合动力学模型为:
其中,q表示机器人关节的转角矩阵,表示机器人关节的角速度矩阵,表示机器人关节角加速度矩阵,M(q)表示广义质量矩阵,表示广义阻尼矩阵,G(q)表示广义惯性力矩阵,J表示机器人雅可比矩阵,B表示哥式力系数矩阵,K表示广义刚度矩阵,θ表示关节变形转角,F表示负载力,τ表示关节扭矩;
所述第一参数组包括关节电流、关节电流误差、关节位置误差以及关节速度误差,所述第二参数组包括关节变形转角、连杆校正刚度以及连杆校正质量。
2.根据权利要求1所述的一种基于极限学习机的负载识别方法,其特征在于,所述根据所述第一参数组获取机器人的第一监测参数,并根据所述第一监测参数确定训练样本集这一步骤,其具体包括:
根据所述第一参数组获取机器人的第一监测参数;
对所述第一监测参数进行滤波处理和归一化处理,得到第一样本数据;
根据所述第一样本数据和所述刚柔耦合动力学模型确定第二样本数据,所述第二样本数据为所述第二参数组中的参数;
根据所述第一样本数据和所述第二样本数据确定训练样本集。
3.根据权利要求1所述的一种基于极限学习机的负载识别方法,其特征在于,所述构建极限学习机模型这一步骤中,还包括以下步骤:
确定所述极限学习机模型的激活函数,并确定所述隐含层的神经元个数。
4.根据权利要求3所述的一种基于极限学习机的负载识别方法,其特征在于,所述将所述训练样本集输入到所述极限学习机模型中进行训练,得到训练好的负载识别模型这一步骤,其具体包括:
将所述训练样本集输入到所述极限学习机模型中,根据所述训练样本集和所述激活函数确定所述隐含层的输出矩阵;
根据所述输出矩阵求解所述隐含层的输出权重矩阵,所述输出权重矩阵使得所述极限学习机模型的误差函数最小;
根据所述输出权重矩阵得到训练好的负载识别模型。
5.根据权利要求1至4中任一项所述的一种基于极限学习机的负载识别方法,其特征在于,所述根据所述负载识别模型对机器人的负载进行识别这一步骤,其具体包括:
获取机器人的实时监测参数,所述实时监测参数为所述第一参数组中的参数;
将所述实时监测参数输入到所述负载识别模型中,根据所述负载识别模型的输出结果和所述刚柔耦合动力学模型确定机器人的实时负载。
6.一种基于极限学习机的负载识别系统,其特征在于,包括:
动力学模型构建模块,用于构建机器人的刚柔耦合动力学模型,并根据所述刚柔耦合动力学模型确定机器人的第一参数组和第二参数组;
训练样本集确定模块,用于根据所述第一参数组获取机器人的第一监测参数,并根据所述第一监测参数确定训练样本集;
极限学习机模型构建模块,用于构建极限学习机模型,所述极限学习机模型包括输入层、隐含层以及输出层,所述输入层根据所述第一参数组确定,所述输出层根据所述第二参数组确定;
模型训练与识别模块,用于将所述训练样本集输入到所述极限学习机模型中进行训练,得到训练好的负载识别模型,进而根据所述负载识别模型对机器人的负载进行识别;
所述刚柔耦合动力学模型为:
其中,q表示机器人关节的转角矩阵,表示机器人关节的角速度矩阵,表示机器人关节角加速度矩阵,M(q)表示广义质量矩阵,表示广义阻尼矩阵,G(q)表示广义惯性力矩阵,J表示机器人雅可比矩阵,B表示哥式力系数矩阵,K表示广义刚度矩阵,θ表示关节变形转角,F表示负载力,τ表示关节扭矩;
所述第一参数组包括关节电流、关节电流误差、关节位置误差以及关节速度误差,所述第二参数组包括关节变形转角、连杆校正刚度以及连杆校正质量。
7.一种基于极限学习机的负载识别装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1至5中任一项所述的一种基于极限学习机的负载识别方法。
8.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至5中任一项所述的一种基于极限学习机的负载识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836704.2A CN113610218B (zh) | 2021-07-23 | 2021-07-23 | 基于极限学习机的负载识别方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836704.2A CN113610218B (zh) | 2021-07-23 | 2021-07-23 | 基于极限学习机的负载识别方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113610218A CN113610218A (zh) | 2021-11-05 |
CN113610218B true CN113610218B (zh) | 2023-04-25 |
Family
ID=78305261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110836704.2A Active CN113610218B (zh) | 2021-07-23 | 2021-07-23 | 基于极限学习机的负载识别方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610218B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970374B (zh) * | 2022-07-28 | 2022-10-28 | 深圳华数机器人有限公司 | 一种基于增量式动力学的负载辨识方法、系统和介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020103811A4 (en) * | 2020-11-18 | 2021-02-11 | Shandong Kuaimai Electronic Technology Co., Ltd. | Method for recognizing human knee motion postures based on extreme learning machine |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110355780A (zh) * | 2018-04-09 | 2019-10-22 | 中国科学院宁波材料技术与工程研究所 | 一体化柔性机器人关节的输出力矩计算方法 |
CN110716557B (zh) * | 2019-11-18 | 2021-05-11 | 河北工业大学 | 基于先验动力学知识的机器人参数识别及接触力监测方法 |
CN111546336B (zh) * | 2020-04-29 | 2021-01-29 | 北京航空航天大学 | 一种用于机器人系统的灰箱模型参数辨识方法及系统 |
-
2021
- 2021-07-23 CN CN202110836704.2A patent/CN113610218B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020103811A4 (en) * | 2020-11-18 | 2021-02-11 | Shandong Kuaimai Electronic Technology Co., Ltd. | Method for recognizing human knee motion postures based on extreme learning machine |
Also Published As
Publication number | Publication date |
---|---|
CN113610218A (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021088101A1 (zh) | 基于改进的条件生成对抗网络的绝缘子分割方法 | |
CN109242099B (zh) | 强化学习网络的训练方法、装置、训练设备及存储介质 | |
CN110472695B (zh) | 一种工业生产过程的异常工况检测和分类方法 | |
CN107273936A (zh) | 一种gan图像处理方法及系统 | |
CN109664298B (zh) | 机器人动力学参数辨识方法、装置、终端设备及存储介质 | |
CN113610218B (zh) | 基于极限学习机的负载识别方法、系统、装置及存储介质 | |
CN111638958A (zh) | 云主机负载处理方法、装置、控制设备及存储介质 | |
CN111967573A (zh) | 数据处理方法、装置、设备及计算机可读存储介质 | |
CN112611584A (zh) | 风力发电机组的疲劳失效检测方法、装置、设备及介质 | |
CN113239970A (zh) | 一种模型训练方法、设备振动异常检测方法和装置 | |
CN114800500B (zh) | 一种用于打磨机器人的柔性恒力控制方法及系统 | |
CN109190757B (zh) | 任务处理方法、装置、设备及计算机可读存储介质 | |
CN110750876B (zh) | 一种轴承数据模型训练及使用方法 | |
CN110705689A (zh) | 可区分特征的持续学习方法及装置 | |
US20140006321A1 (en) | Method for improving an autocorrector using auto-differentiation | |
CN112800813B (zh) | 一种目标识别方法及装置 | |
CN114187484A (zh) | 传感器感应图像识别方法、系统、装置及存储介质 | |
US20200184331A1 (en) | Method and device for processing data through a neural network | |
CN118296500B (zh) | 一种面向变工况噪声标签场景的小样本智能故障诊断方法 | |
CN113610855B (zh) | 图像分割模型训练方法、分割方法、系统、装置及介质 | |
WO2021111832A1 (ja) | 情報処理方法、情報処理システム及び情報処理装置 | |
CN116541713B (zh) | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 | |
JP7485302B2 (ja) | 信頼性評価装置 | |
CN110207967B (zh) | 一种基于小波包能量特征与互相关的状态识别方法与系统 | |
CN116756881B (zh) | 一种轴承剩余使用寿命预测方法、装置及存储介质 |
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 |